Заказчик

Один из крупнейших производителей алюминиевой тары в России ― три завода в разных регионах. За 2021 год выпустили более 5,6 млрд банок. 

Задача

Снизить погрешность при подсчете с 2-3% до 0,5-0,1%. Научиться распознавать упавшие набок и перевернутые банки.

Результат

Повысили точность подсчета до 99,9%, процент погрешностей составляет менее 0,1%.

Ситуация

Ранее компания использовала лазерный счетчик, погрешность подсчета составляла  2-3%. При производстве 100 тысяч банок в день погрешность в 2-3 штук была существенной, поэтому стояла задача найти более точный способ подсчета алюминиевых банок, движущихся по конвейеру. 

Решение

Этап 1. Для обучения нейросети необходима видеозапись ленты, по которой идет тара. 

Компания подготовила видео своими силами. Стало ясно, что проект сложнее предыдущих ― на стоп-кадре было более 1000 элементов, это большой объем информации для обработки.

Этап 2. Разметка данных и машинное обучение оборудования

Научили нейросеть распознавать на видео банки, расположенные горлышком вверх. Обучение проходило при помощи уникальных алгоритмов безошибочного отслеживания движения каждой единицы продукции в кадре. Из-за большого количества объектов подсчета (банок) на видео оборудование работало не так быстро, поэтому в процессе потребовалось усовершенствовать технологию.

Этап 3. Детекция продукции на заводе

Для проекта понадобилась видеокарта RTX 3060 12 Gb, обычно на проектах используется менее мощное оборудование, например, GTX 1660 8Gb. Видеопоток с двух разных линий в разных регионах России обрабатывается на одном компьютере. Если вы можете обеспечить стабильную скорость передачи видеопотока, линии могут быть в разных местах.

Результат

Точность распознавания выросла до 99,9%.

Счетчик работает круглосуточно второй год.

Остались вопросы?
Напишите нам на info@i-neti.ru или в форме ниже: