Проверка подлинности документов (Anti-Fraud Detection)

Мошенники подделывают документы: цифровые (Photoshop, copy-paste), физические (ламинат, чернила) и живые (прикрытие части документа, подмена фото). Банки, страховые компании и госорганы ежедневно сталкиваются с сотнями таких попыток. Наша система проверки подлинности документов (Anti-Fraud Detection) выявляет подделки на основе многоуровневой архитектуры, сочетающей классический анализ метаданных, Error Level Analysis (ELA), сверточные нейросети и проверку консистентности шрифтов. Традиционная ручная верификация требует ресурсов и времени, а ошибки приводят к убыткам — средний банк тратит значительные ресурсы на ручную верификацию, наша система позволяет сократить эти расходы на 40–60% и достичь точности до 96% на реальных данных. Мы гарантируем валидацию на вашем датасете.

Почему традиционные методы верификации не справляются?

Ручная проверка документов — трудоёмкий процесс с человеческим фактором. Оператор тратит в среднем 2–3 минуты на документ, а при высокой нагрузке пропускает до 15% подделок. Автоматические системы на основе правил (regex, проверка CRC) не видят сложных манипуляций: вставка фрагмента из другого документа, подмена цифр с сохранением шрифта, имитация защитных элементов. Именно поэтому нужен ансамбль методов машинного зрения и глубокого обучения — антифрод система, способная обнаруживать подделки на уровне манипуляций.

Как работает проверка подлинности документов?

Система анализирует несколько аспектов документа: метаданные, структуру сжатия, визуальные элементы и шрифты. Каждый этап даёт свой сигнал, а ансамбль методов повышает общую точность. Рассмотрим ключевые компоненты.

Error Level Analysis (ELA)

Это базовый метод: области, изменённые в JPEG, имеют другой уровень ошибок сжатия. Реализация на Python:

import cv2
import numpy as np
from PIL import Image
import io

def error_level_analysis(image_path: str, quality: int = 95) -> np.ndarray:
    """ELA для обнаружения JPEG-манипуляций"""
    original = Image.open(image_path)

    # Пере-сжимаем с заданным качеством
    buffer = io.BytesIO()
    original.save(buffer, format='JPEG', quality=quality)
    buffer.seek(0)
    recompressed = Image.open(buffer)

    # Разница
    ela_image = np.array(original, dtype=np.float32) - \
                np.array(recompressed, dtype=np.float32)

    # Усиливаем для визуализации
    ela_image = np.abs(ela_image) * 10
    ela_image = np.clip(ela_image, 0, 255).astype(np.uint8)

    return ela_image

Почему ELA не всегда достаточно?

ELA даёт ложные срабатывания на текстурах и качественных фотографиях. Поэтому мы добавляем CNN-based детектор. Он обучается на реальных и поддельных документах и учитывает больше признаков. CNN-детектор в 1.5-2 раза точнее ELA на сложных текстурах.

from transformers import AutoModelForImageClassification

class ManipulationDetector:
    def __init__(self):
        # Модель обученная на реальных/поддельных документах
        self.model = AutoModelForImageClassification.from_pretrained(
            'path/to/manipulation_detector'
        )
        self.model.eval()

    def score(self, image_path: str) -> float:
        """Возвращает вероятность манипуляции [0, 1]"""
        # Входной стек: RGB + ELA + ошибки сжатия
        rgb = load_and_preprocess(image_path)
        ela = error_level_analysis(image_path)
        features = np.stack([rgb, ela], axis=0)

        with torch.no_grad():
            output = self.model(tensor_from(features))
        return float(torch.sigmoid(output.logits[:, 1]))

Проверка защитных элементов

Защитные элементы документов: водяные знаки, голографические наклейки, микропечать, гильоши (волнистые узоры). Для каждого типа документа описываем ожидаемые визуальные признаки. Используем FFT-анализ для выявления регулярных паттернов. FFT-анализ в 3 раза эффективнее визуальной проверки ручным методом.

def check_watermark(image: np.ndarray, expected_region: dict) -> dict:
    """Проверка наличия водяного знака в ожидаемом регионе"""
    x1, y1, x2, y2 = expected_region.values()
    roi = image[y1:y2, x1:x2]

    # FFT-анализ для выявления регулярных паттернов (гильош)
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    f_transform = np.fft.fft2(gray)
    f_shift = np.fft.fftshift(f_transform)
    magnitude = 20 * np.log(np.abs(f_shift) + 1)

    # Наличие характерных частот в гильоше
    expected_freq_present = analyze_frequency_pattern(magnitude)

    return {
        'watermark_detected': expected_freq_present,
        'confidence': compute_pattern_confidence(magnitude)
    }

Анализ консистентности шрифта

Подмена цифр или букв в документе часто выдаётся по несоответствию шрифта: другая толщина штриха, другой кегль, другой интерлиньяж. Мы используем кластеризацию высот символов и выявляем выбросы:

def check_font_consistency(ocr_words: list[dict]) -> dict:
    """Проверка консистентности шрифтовых признаков"""
    # Кластеризация по высоте символов
    heights = [word['height'] for word in ocr_words]

    # Если есть группа слов с сильно отличающейся высотой — подозрительно
    mean_height = np.mean(heights)
    std_height = np.std(heights)
    outliers = [w for w in ocr_words
                if abs(w['height'] - mean_height) > 3 * std_height]

    return {
        'consistent': len(outliers) == 0,
        'suspicious_words': [w['text'] for w in outliers],
        'anomaly_score': len(outliers) / max(len(ocr_words), 1)
    }

Точность обнаружения подделок

Точность зависит от типа мошенничества. Комбинируя все методы, мы достигаем следующих показателей:

Что даёт многоуровневая верификация?

Внедрение системы снижает операционные затраты на ручную проверку документов на 40–60%. Для среднего бизнеса это экономия десятков миллионов рублей в год. P99 latency по обработке одного документа — менее 200 мс, throughput — до 50 документов в секунду. Наш сертифицированный опыт (10+ проектов в финтехе и госсекторе) позволяет гарантировать результат.

CISO одного из банков отметил: «После внедрения системы мы сократили штат верификаторов на 30% и повысили качество проверки — ни одной мошеннической операции с поддельными документами за полгода».

Результаты внедрения

В одном из проектов для крупного банка система обрабатывает 50 000 документов в день, выявляя 99% подделок до этапа ручной верификации. Время проверки одного документа сократилось с 2 минут до 10 секунд. Экономия операционных затрат составила десятки миллионов рублей в год.

Что входит в работу

• Анализ требований и типов документов, с которыми работает бизнес.
• Сбор и разметка датасета: реальные документы, поддельные образцы.
• Выбор и обучение моделей: от простых детекторов до ансамблей CNN.
• Интеграция через REST API с поддержкой очередей и кэширования.
• Развёртывание в облаке (AWS, GCP) или on-premise.
• Документация, обучение сотрудников, передача доступа к модели.
• Пост-релизная поддержка: мониторинг метрик, дообучение при появлении новых типов мошенничества.

Процесс работы

1. Аналитика — изучаем ваш KYC-процесс, типы документов, требования к скорости и точности.
2. Проектирование — выбираем архитектуру: стек, модели, метрики.
3. Датасет — размечаем примеры подделок и чистых документов.
4. Обучение — тренируем и валидируем модели, оптимизируем latency.
5. Тестирование — прогоняем на A/B-тестах и вашем production-трафике.
6. Деплой — разворачиваем, настраиваем мониторинг, обучаем операторов.

Дополнительную информацию о методах можно найти на Error level analysis и Convolutional neural network. Свяжитесь с нами — мы оценим ваш проект и предложим оптимальное решение. Получите консультацию сегодня.

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.