Разбор ML-задачи: от гипотезы до замера результатов

Для примера возьмем кейс птицефабрики и команды Nord Clan. Да, «Птицефабрика Чамзинская» внедрила в свою работу ML. А именно — компьютерное зрение ML Sense.

Зачем? Для контроля качества. Никто не хочет отправить заказчику куриные тушки с гематомами, но искать брак вручную — трудозатратно.

Процесс решили автоматизировать и внедрить систему на основе машинного зрения и нейросетей ML Sense от Nord Clan.

Какие этапы решала команда:

1. Установка программно-аппаратного комплекса, монтаж оборудования.

Команда подобрала видеокамеры и осветительные приборы. Схема была такая: одна камера «рассматривает» грудку курицы, другая — спинку.

2. Сбор датасета и разметка дефектов на фотографиях.

Чтобы собрать для нейросети достаточно данных, пришлось вручную проводить фотосъемку «дефектных» куриц. При этом нужно было учесть размеры дефектов: порезы — от 10 мм, гематомы — от 300 мм.

3. Настройка и установка контроллеров.

Система работает так: когда машинное зрение видит дефект, подается сигнал на контроллер. После — контроллер подает сигнал на отбраковщик, который снимает бракованную тушку с конвейера.

4. Запуск системы в эксплуатацию, обучение персонала.

И все это — всего за 3 месяца. Результат: 🔵Дефекты удается заметить с точностью 99%, а выпуск бракованной курицы сводится до нуля. 🔵Специалистам больше не нужно вручную отбраковывать дефектный товар. Работодатель может поручить им другие задачи или вовсе снизить затраты на персонал.

Вот такой нестандартный кейс. А о каких сферах применения ML слышали вы? __ Подписывайтесь: "Как приручить ИИ"