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