Часть 2. Как мы ищем дефекты на металле с помощью видеоаналитики

Привет, я Александр, научный сотрудник в zool.ai 👋

В первой части я рассказывал, как видеоаналитика помогает находить дефекты с помощью признаков Харалика и контурного анализа.

Теперь поговорим о дополнительных методах.

📊 Горизонтальные и вертикальные градиенты

Эти методы показывают, как меняется яркость между соседними пикселями. С их помощью можно заметить малейшие неровности и участки, где отражение сбивается. Иногда алгоритм реагировал даже на ровные поверхности — поэтому мы добавили фильтрацию по размеру, чтобы исключить ложные срабатывания.

📚 Текстурный анализ

Изучает распределение светлых и тёмных участков — своего рода «отпечаток» поверхности. Так можно понять, насколько структура однородна и где появляются отклонения. Гистограммы и анализ формы изображения в Python помогли уточнить, какие текстуры соответствуют дефектным областям.

🧪 Фильтр Габора и HSV-анализ

Фильтр Габора выделяет границы и узоры, убирая шум — после обработки поверхность выглядит чище, а дефекты заметнее.

⭐️ HSV-анализ делит изображение на компоненты: тон, насыщенность и яркость. Это помогает отличать дефект от блика или загрязнения — особенно на отполированных деталях.

Комбинация этих методов позволила повысить точность анализа и устойчивость модели при разных условиях освещения.

〰️ В следующей части расскажу, как мы проводим анализ с помощью нейросети и как применяем эти методы в производстве.

👁 Подписаться

#новости_zool

Мы решились на эксперимент🎙

Съездили на завод и записали подкаст прямо среди станков. Поговорили с учредителем бизнеса о том, как ИИ помогает производству.

Делимся закулисными фото⬆️
Как вам идея такого формата?

#новости_zool

✉️ Сегодня #новостнаясреда

Главные новости для тех, кто следит за бизнесом, ритейлом и ИИ⬇️

🔵«Яндекс» запустил «Промптхаб» — библиотеку идей и сценариев применения искусственного интеллекта для компаний.

🔵 Wildberries строит свой ЦОД для обучения ИИ-моделей и развития внутренних сервисов — от логистики до персональных рекомендаций.

🔵«Ведомости» о роботизации ритейла: компьютерное зрение, умные склады, мобильные роботы и автоматизация магазинов становятся нормой для крупных сетей.

🔵 Банки ускоряют внедрение ИИ-анализаторов рисков. По данным РБК, крупные финансовые организации вводят модели для скоринга, антифрода и анализа транзакций в реальном времени.

🔵 По данным Ассоциации больших данных, Б1 и TAdviser, российский рынок Big Data и ИИ по итогам 2025 года может составить 520 млрд руб. против 433 млрд руб. в 2024 году. Среди драйверов роста господдержка, импортозамещение и развитие облачных инфраструктур.

🔵По данным «Сбера», 40% российских ИТ-компаний внедрили искусственный интеллект для работы над проектами, 8% организаций пока обходятся без ИИ.


📌 Новости команды zool

⭐️ Делимся фото: мы участвовали в «Цифропроме», провели много обсуждений с коллегами индустрии и получили полезный фидбек.

На этом всё — встретимся через две недели.

⭐️Комплимент дня: пусть правильные решения сами находят вас, как товары Wildberries после дообучения модели.

👁 Подписаться

#дайджест_zool

Часть 3. Как мы ищем дефекты на металле с помощью видеоаналитики

Привет, я Александр, научный сотрудник в zool.ai 👋
В двух предыдущих частях (Часть 1 и Часть 2) я рассказывал, как классические методы компьютерного зрения помогают увидеть мельчайшие нарушения на поверхности металла. Теперь — финальная часть: нейросеть, которую мы обучили распознавать дефекты автоматически.

🤖Как мы обучали модель

Мы собрали датасет из 1000+ фрагментов металлических изделий:
🔵образцы с ровной поверхностью,
🔵фрагменты с дефектами.

На этих данных мы обучили компактную нейросеть, заточенную именно под задачу бинарной классификации: «дефект / нет дефекта». Она анализирует локальные участки поверхности и учится различать едва заметные изменения текстуры — даже в условиях бликов и неидеального освещения.

📊 Какая получилась точность

Тесты показали стабильный результат:

🔵96–98% точности на обучающей и валидационной выборке;
🔵100% точности на тестовой, но это связано с маленьким количеством тестовых образцов, поэтому реальная оценка остаётся в районе ~98%.

На графике обучения видно (Карточка 2), что модель довольно быстро выходит на оптимальный уровень и удерживает качество.

🧪 Проверка на реальном видео

После обучения мы прогнали модель в сервисе в режиме реального времени. Нейросеть уверенно зафиксировала дефект на металлическом пруте — без ручной разметки и без остановки процесса.

🔨 Какая установка подойдёт для промышленного внедрения

Мы изучили существующие решения для контроля металлических стержней и выбрали наиболее подходящую конфигурацию:

— камера линейного сканирования;
— линейный источник света;
— ложемент с поворотным механизмом;
— изделие, фиксируемое в зоне сканирования.

Такая схема закрывает задачи непрерывного обзора поверхности и позволяет интегрировать видеоаналитику прямо в производственный цикл.

⭐️ К чему пришли

Исследование подтвердило: интеллектуальная видеоаналитика действительно подходит для выявления дефектов на металле.
Сочетание классических методов и нейросети даёт системе устойчивость и высокую точность, а автоматический анализ заметно ускоряет и упрощает контроль качества.

🔼На этом серия завершена!

Как вам такой разбор? Продолжать делать подобные технические обзоры?

Ставьте 👁, если интересны исследовательские посты — будем готовить новые.

#новости_zool