Обнаружение взрывоопасных предметов в производственной среде с помощью компьютерного зрения

1.

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное бюджетное образовательное учреждение
высшего образования
«Кемеровский государственный университет»
Институт цифры
Кафедра цифровых технологий
Обнаружение взрывоопасных предметов в производственной среде с
помощью компьютерного зрения
Выполнил: студент 3 курса
очной формы обучения
МЕДВЕДЕВ ВИТАЛИЙ
АЛЕКСАНДРОВИЧ

2.

Сотрудничество с индустриальным партнером
● Курсовая работа выполнена в рамках сотрудничества между
Кемеровским государственным университетом (КемГУ) и компанией
ПМХ-Инфотех.
● Тема представлена по запросу реального промышленного предприятия,
заинтересованного в повышении безопасности металлургического
производства.
● Работа направлена на практическое применение компьютерного зрения
в задачах обнаружения взрывоопасных объектов в потоке металлолома.
2

3.

Актуальность темы
● На производстве безопасность критична — например
взрыв баллона может привести к катастрофе.
● Системы компьютерного зрения способны в режиме
реального времени обнаруживать потенциально опасные
объекты и снижать человеческий фактор.
● Автоматизация выявления взрывоопасных предметов
особенно актуальна в условиях повышенной опасности и
больших промышленных объектов.
3

4.

Цель и задачи работы
Цель: Обучение модели компьютерного зрения для детекции
взрывоопасных объектов (например, газовых баллонов) в
производственной среде.
Задачи:
Изучение существующих подходов к детекции объектов.
Сбор и разметка данных.
Обучение модели на основе YOLO.
Оценка качества модели
Демонстрация результата.
4

5.

Краткий обзор технологий
● Оптические сортировщики
● Роботизированные системы с машинным зрением
● Системы видеонаблюдения + IoT
● Классические методы контроля
5

6.

Проектирование системы
● Определение требований
● Выбор аппаратной платформы
● Программная архитектура
● Валидация и тестирование
● Масштабируемость
6

7.

Сбор и разметка данных
● Использовано ~1200 изображений, часть синтетически
дополненные.
● Размечены вручную с помощью Roboflow.
● Формат разметки - bounding box.
● Класс объектов: отопительные радиаторы, газовые баллоны.
7

8.

Архитектура модели
Используемая модель
● YOLOv8s (Ultralytics) - компактная и производительная
модель.
Преимущества выбора:
● Баланс между скоростью и точностью.
● Современная архитектура (C2f-блоки, улучшенный head).
● Поддержка сегментации, классификации и keypoints из ‘Из
коробки’.
● Удобный API и регулярные обновления от Ultralytics.
8

9.

Подготовка данных
● Все изображения приведены к одному размеру (640x640).
● Использовался augmentation: повороты, масштабирование,
освещение и др.
● Разделение:
○ Обучающая выборка — 70%
○ Тестовая — 10%
○ Валидационная — 20%
9

10.

Параметры обучения
Эпохи: 300
Размер батча: 32
Размер изображений 640x640
Начальная скорость обучения: 0.01
Коэффициент затухания: 0.001
Метод оптимизации: momentum
Регуляризация по весам: 0.0005
Эпохи прогрева: 3
Ранняя остановка: 30 эпох
10

11.

Результаты обучения
Loss-функция стабилизировалась к 118 эпохе.
mAP@0.5: 0.961
Precision: 0.946
Recall: 0.902
Время на эпоху: ~ 10 секунд
Среднее время детекции на одном кадре: ~18 мс
Примерная скорость 56 FPS
11

12.

12

13.

13

14.

Визуализация результатов
● Примеры изображений с
детекцией.
● Bounding boxes: четкие,
точные.
● Модель уверенно отличает
баллоны от фона, хорошо
работает при разных
ракурсах.
14

15.

15

16.

Проблемы и ограничения
● Нехватка размеченных данных.
● Переобучение на однородном датасет.
● Ограниченная вариативность изображений.
16

17.

Выводы
● Разработана и протестирована система компьютерного
зрения для детекции потенциально опасных объектов.
● YOLO показал высокую эффективность в задаче.
● Работа может быть расширена до промышленного
масштаба с добавлением новых классов и систем
предупреждения.
17

18.

План на будущее
1. Расширение функционала
a. Добавление новых классов.
b. Классификация герметичных и негерметичных объектов.
2. Повышение качества детекции
a. Увеличение обучающего датасета с фокусом на
реальные условия производства.
b. Использование дополнительных аугментаций
3. Автоматизация разметки
18

19.

Спасибо за внимание!
Готов ответить на ваши вопросы.
19