將機器視覺演算法做到實用有多難

SIGAI推出全球第一個高精度集裝箱智慧殘損識別解決方案

經過最近幾年突飛猛進的發展，機器視覺演算法有了相當可觀的進步。人臉檢測、人臉識別等標準問題逐步得到解決，相比SVM/AdaBoost時代，演算法精度有質的進步。藉助於公開的論文以及開原始碼，對於相當一部分影象識別的實際應用問題，我們都可以快速訓練出一個基本能用的模型。但是，對於更多的應用問題，要將演算法的精度做到能夠實用，卻非易事。這些問題需要大量的訓練樣本，以及對現有的演算法進行不小的最佳化，甚至研發自己的演算法，才能最終解決問題。SIGAI在

做集裝箱，木材，各類鋼材（包括鋼板，工字鋼，鋼管等），包材，板材

等大宗商品的識別過程中，遇到了不少這樣的問題，在對新演算法的探索與研究上積累了豐富的經驗。下面介紹

SIGAI

在集裝箱殘損識別演算法研發方面的經驗。

2019年全球港口集裝箱吞吐量約

10億

標準箱。無論是水運還是鐵路運輸，集裝箱在運輸、裝卸過程中都不可避免會出現損壞。這些殘損輕則導致無法裝載，嚴重的會導致貨物損壞，漏出，進水。每年因為集裝箱損壞所導致的訴訟時有發生。在港口岸橋作業，鐵路車站場橋作業，以及集裝箱卡車進出閘口的環節中，集裝箱驗殘是整個作業的重要組成部分。

除此之外，船運公司也需要實時跟蹤集裝箱的損壞情況，以便進行相應的處理。當前，集裝箱的驗殘主要靠人工完成，國內外尚無成熟的智慧化產品。

與工業生產線等場景的殘損識別相比，集裝箱殘損識別在技術難度上要大非常多。之前已經有多個巨頭以及人工智慧企業進行過研發，但演算法的精度遠未能達到實用的標準。

總結起來，集裝箱殘損檢測演算法需要面臨以下難題：

1. 視角變化大。攝像機可能從不同的視角、距離對集裝箱的5個面（除底面）進行拍攝；

2. 集裝箱種類多。除標準箱之外，還有油罐箱、冷凍箱等，它們的形狀與外觀差異非常大；

3. 集裝箱表面顏色、圖案複雜，還有老舊、修補，以及其他附著物、汙染等因素的干擾；

4. 光照條件複雜。因為是室外作業，攝像機成像時面臨夜間，高光，弱光，逆光等情況；

5. 因為是室外作業，不可避免會受到雨、雪、霧等惡劣天氣的影響；

6. 有些相機的畫面模糊，成像質量非常差；

7. 要識別的殘損型別繁多。需要識別的殘損型別超過10種，且有些型別的殘損本身變化也非常大。

以上這些問題給集裝箱殘損識別演算法帶來了巨大的挑戰。

如果能將演算法做到實用，對業內作業效率的提升、人工的節省是相當可觀的。SIGAI所擁有的業內一流的機器視覺團隊經過潛心研發，依靠自創的演算法，現在已經較好的解決了這個問題，推出了業內第一個全智慧化的集裝箱殘損識別系統。目前演算法的殘損檢測率>95%，誤報率

1. 洞（穿孔）

2. 凸損

3. 凹損

4. 梁變形

5. 角柱變形

6. 刮傷

7. 破損

8. 變形

9. 油汙

10. 腐蝕

11. 鏽蝕

12. 曾修補（貼補）

我們的產品已經在國內外近10個港口完成了測試與試用，並逐步在一些港口實際部署。演算法精度得到客戶的認可，甚至遠超他們的預期。下面來看看SIGAI集裝箱殘損識別演算法的識別效果。

1。 洞（穿孔）

2。 凸損

3。 凹損

4。 梁變形

5。 角柱變形

目前我們的產品可用於以下兩種場景的集裝箱智慧驗殘：

1。 港口岸橋以及鐵路場橋；

此時將相機部署於岸橋/場橋的機身上，採集集裝箱5個面（底面除外）的影象，對影象進行識別。

2。 閘口

此時將攝像機部署於閘口的合適位置，拍攝集裝箱4個面（2個側面，1個頂面，1個後面）的影象，然後進行識別。

與人工驗殘相比，智慧驗殘具有以下優點：

1. 可顯著節約人力成本。演算法實現了高度智慧化，檢測到殘損之後自動報警，只需要少量的人工干預和確認。

2. 提高識別質量。人工識別時存在疲勞，疏忽等問題，相比之下，演算法識別的精度更高。

3. 提高工作效率。演算法處理每張影象的時間

商務聯絡