Разработка CV-системы детекции повреждений (трещины, вмятины, царапины)

Недавно к нам обратилась страховая компания: им нужно было автоматически оценивать повреждения кузова по фото с мобильного телефона. Основная боль — мелкие царапины и вмятины, которые операторы пропускали. Мы разработали модель, которая находит дефекты размером от 0.5 мм и классифицирует их по степени серьёзности. Ошибка в локализации может стоить миллионов, поэтому мы добиваемся recall >95% при контролируемом уровне ложных срабатываний. За 5 лет на рынке мы выполнили более 50 проектов в области компьютерного зрения, включая детекцию дефектов для автомобильной и металлургической промышленности. Экономия ручного труда достигает 80%, а рекламации снижаются на 30%. Оценим ваш проект — свяжитесь с нами для консультации.

Типы повреждений и особенности детекции

Трещины — тонкие линейные структуры с малым соотношением ширины к длине. Стандартные детекторы плохо работают: bounding box большой, а дефект маленький. Лучше использовать сегментацию.

Вмятины — деформация поверхности без разрыва материала. Сложно детектировать в 2D; помогают нормированное освещение (рейкинговый свет) и 3D-реконструкция.

Царапины — аналогично трещинам, линейные структуры. Глубина влияет на серьёзность.

Как мы детектируем мелкие трещины и царапины?

Используем комбинацию YOLOv8 для instance segmentation и специализированной предобработки. Рейкинговый свет под малым углом создаёт тени от мельчайших неровностей, что позволяет выявлять дефекты толщиной в несколько пикселей. В пайплайн добавлены топ-хат трансформации и усиление контраста.

Архитектура системы

from ultralytics import YOLO
import numpy as np
import cv2

class DamageDetectionSystem:
    def __init__(self, config: dict):
        # Детектор повреждений (YOLOv8 instance segmentation)
        self.detector = YOLO(config['detection_model'])

        # Классификатор тяжести
        self.severity_classifier = load_severity_model(config['severity_model'])

        # Измеритель размеров (требует калибровки)
        self.pixels_per_mm = config.get('pixels_per_mm')

    def analyze(self, image: np.ndarray) -> dict:
        # Детекция и сегментация повреждений
        results = self.detector(image, conf=0.4, iou=0.5)

        damages = []
        for i, (box, mask) in enumerate(zip(
            results[0].boxes,
            results[0].masks.data if results[0].masks else []
        )):
            damage_type = self.detector.model.names[int(box.cls)]
            bbox = box.xyxy[0].tolist()
            area_px = int(mask.sum().item())

            # Вырезаем регион для классификации тяжести
            x1, y1, x2, y2 = map(int, bbox)
            crop = image[y1:y2, x1:x2]
            severity = self.severity_classifier.predict(crop)

            # Реальные размеры если есть калибровка
            size_info = {}
            if self.pixels_per_mm:
                size_info['area_mm2'] = round(area_px / self.pixels_per_mm**2, 2)
                size_info['length_mm'] = self._estimate_length(mask)

            damages.append({
                'id': i,
                'type': damage_type,
                'severity': severity,
                'bbox': bbox,
                'area_pixels': area_px,
                'confidence': float(box.conf),
                **size_info
            })

        return {
            'damages': damages,
            'total_count': len(damages),
            'has_critical': any(d['severity'] == 'critical' for d in damages),
            'summary': self._generate_summary(damages)
        }

Почему рейкинговый свет эффективен?

Для трещин и царапин стандартное фронтальное освещение недостаточно. Рейкинговый свет — источник под малым углом к поверхности — создаёт тени от мельчайших неровностей. Мы используем топ-хат трансформацию для выделения мелких деталей и выравнивание гистограммы для усиления контраста. Это повышает recall мелких дефектов на 15-20%.

def process_raking_light_image(image_path: str) -> np.ndarray:
    """Нормализованное изображение с рейкинговым светом"""
    # При правильном освещении на стенде — дополнительная обработка:
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

    # Топ-hat трансформация для выделения мелких деталей
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))
    tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

    # Усиление контраста
    enhanced = cv2.equalizeHist(tophat)

    return enhanced

Как измерять размеры дефектов?

После детекции нужно оценить реальные размеры — длину трещины или площадь вмятины. Для этого калибруем камеру по эталонному объекту. Параметр pixels_per_mm заносится в конфиг системы. Затем по маске дефекта вычисляем физические размеры. Для трещин используем скелетизацию маски — так точнее.

def measure_crack_length(mask: np.ndarray,
                          pixels_per_mm: float) -> float:
    """Измерение длины трещины по скелету маски"""
    from skimage.morphology import skeletonize

    skeleton = skeletonize(mask > 0)
    # Длина скелета = приблизительная длина трещины
    length_px = skeleton.sum()
    return round(length_px / pixels_per_mm, 2)

Для точного измерения размеров требуется калибровка по эталону. Мы используем шахматную доску с известным шагом, определяем матрицу камеры и коэффициент pixels_per_mm.

Датасеты и метрики

Публичные датасеты:

• NEU Surface Defect — 6 классов дефектов стали, 1800 изображений
• DAGM — текстурные дефекты, 10 категорий
• AITEX Fabric — дефекты тканей
• Concrete Crack Images — трещины в бетоне

# Пример обучения на NEU Surface Defect
from ultralytics import YOLO

model = YOLO('yolov8m-seg.pt')
model.train(
    data='neu_defect.yaml',
    epochs=150,
    imgsz=640,
    batch=16,
    workers=8,
    optimizer='AdamW',
    lr0=5e-4,
    augment=True,
    degrees=180,         # дефекты могут быть в любой ориентации
    fliplr=0.5,
    flipud=0.5,
    mosaic=1.0
)

Метрики на различных материалах

Что входит в работу?

1. Анализ требований и сбор датасета (съёмка дефектов на вашем оборудовании или используем готовые датасеты)
2. Разработка модели детекции и сегментации, обучение с аугментацией
3. Интеграция в вашу ИТ-инфраструктуру (REST API, Docker-контейнер)
4. Калибровка камеры и настройка освещения (рейкинговый стенд при необходимости)
5. Документация и обучение операторов
6. Гарантийная поддержка 3 месяца

Средняя стоимость разработки такой системы зависит от сложности и объёма данных. Для типового проекта с 2-3 типами дефектов бюджет составляет от $15,000 до $50,000. Экономия на ручном контроле может превышать $80,000 в год. Получите предварительную оценку — свяжитесь с нами.

Сроки внедрения

Чек-лист: готовность производства к AI-детекции дефектов

Перед запуском проекта проверьте по пунктам:

• Наличие контролируемого освещения на стенде (рейкинговый или диффузный свет).
• Стабильное крепление камеры с разрешением не ниже 5 МП для дефектов от 0.5 мм.
• Исторический архив снимков: не менее 200–300 примеров каждого типа дефекта.
• Чёткие критерии приёмки: максимально допустимый процент ложных срабатываний и пропусков.
• Готовность к разметке данных (аннотация масок) или наличие предварительно размеченного датасета.
• Определённый SLA: допустимое время инспекции одного объекта.

Мы гарантируем прозрачное сопровождение на всех этапах. Закажите консультацию инженера — обсудим детали вашего проекта. Получите решение, которое реально работает.

NEU Surface Defect dataset (Song et al., 2019)

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.