В рамках проекта по промышленной дефектоскопии ученые МАИ разработали новаторскую методику по созданию синтетических данных. Обученная на таких данных нейросеть может определять показания промышленных приборов при помощи умной камеры беспилотника.
Как правило, за исправностью оборудования на промышленных объектах следят квалифицированные специалисты. Но в последние годы все чаще стали использовать беспилотники, оснащенные умными камерами. Во-первых, обход огромных территорий человеком занимает много времени и местами небезопасен. Во-вторых, умные дроны способны контролировать объекты в автоматическом режиме и собирать всю необходимую информацию.
Перед учеными МАИ стояла задача научить работать промышленный беспилотник на теплоэлектростанции. В его задачи входит дефектоскопия труб, связанных с топкой парового котла, и определение показаний приборов машинного зала. В частности, с манометром сложность была в том, что дрон может подлететь к нему с любой стороны. А значит, в зависимости от ракурса и освещения получаются разные изображения прибора.
«Поскольку реальных данных для обучения нейросети в нашем распоряжении было мало, мы сделали синтетический датасет, связанный с манометром. Мы изучили большой массив мировых научных публикаций и выяснили, что для стрелочных приборов, которые до сих пор используются повсеместно, не существует универсальной методики создания синтетических данных. Похожую задачу решали американские коллеги в Гарварде, но они смогли предложить решение только для неподвижной камеры, мы же сделали свое оригинальное решение для камеры БЛА в полете», — рассказывает один из разработчиков, руководитель лаборатории искусственного интеллекта института № 8 «Компьютерные науки и прикладная математика» МАИ Вадим Кондаратцев.
Не менее сложной задачей было научить систему дефектоскопии труб. Дрон летает в полной темноте с зажженным прожектором, а потому в зависимости от того, как падает свет, меняется и изображение возможного дефекта трубы. Здесь разработчики также пошли по пути создания генератора синтетических данных.
«Технически это выглядит следующим образом. Разработчик берет целевую модель обстановки — улицу, помещение, топку котла, трубу и т.д. — и под эту целевую модель заготавливает, во-первых, базовую сцену: в нашем случае, создает в специальной программе 3D-модель трубы. Потом придумывает алгоритм, как, имея базовую сцену, автоматически двигать камеру, строить разметку, наносить дефекты. Как ставить фильтры, которые будут искажать изображение таким образом, чтобы моделировать реальную съемку. Как сделать так, чтобы данные, которые генерируются на основе этого движка, упаковывались и отправлялась в фреймворк обучения нейронной сети», — отмечает эксперт.
На разработку исходных 3D-моделей в среднем уходит несколько месяцев. Зато когда генератор готов, он способен за неделю создать несколько сотен тысяч изображений, которых вполне хватает для обучения нейросети. Специалисты признают, что на сегодня умная камера проигрывает человеку, который способен в 100% случаев распознать дефекты и считать показания приборов.
«Но в данном случае выигрыш в скорости: дрон с умной камерой может облететь всю топку за пять минут, а человеку надо потратить несколько недель на строительство лесов и последующий осмотр, не говоря уже о рисках при проведении такого рода работ», — говорит Вадим Кондаратцев.
Источник изображения: 123RF
