Comments 13
Мой опыт применения машинного зрения говорит о том, что если уж совсем не получается использовать никакие датчики - только тогда можно применять видеокамеры. Изменения в освещении, пыль, грязь, лежащий снег. Честно: не знаю на сколько круто перепрыгивает эти помехи ваша нейросеть. А неравномерность плотности угля? Я бы для начала обсчитал простые способы: ж.д./автомобильные весы. Если камеры, то классические алгоритмы без нейросети: стерео изображение с 2х камер, или построение формы насыпи с помощью анализа искажения луча линейного лазера.
Нет, я конечно в шоке от нейросетей типа deepfake и прочего, но по моему, это индусская магия недоступная простому инженеру...
Вполне доступная если владеть матчастью, но беда в том, что для бизнес воспринимает ML как AI которым пытается заменить интеллект и компетенции команды :-)
Вы правы, физический мир сложный, и соответственно разного рода помехи мешают, но в целом с ними можно работать.
Во-первых, помимо обычных камер, здесь применяются камеры глубины, соответственно мы избавляемся от части проблем связанных с освещением. Весы в самосвалах уже есть, однако работают они не всегда корректно, особенно, когда загрузка не соответствует паспорту, и в данном случае мы имеем некую кроссвалидацию данных.
Кроме того некорректная загрузка относительно бортов оценивается только визуально, и кроме, как решить задачу с помощью машинного зрения, сейчас неясно.
Учет породы ведется по объему, маркшейдеры в данном случае являются эталоном, сейчас вес переводится в объем, но это сильно зависит от фракционного состава и качества проведения взрывных работ, соответственно мы дополняем к весу оценку визуального объема.
Сложности связанные с обслуживанием конечно присутствуют, для этого заводятся регламенты по обслуживанию, используются кожухи с дворниками и т.п.
семьдесят миллионов рублей в год
А можно в процентах?
Это некая минимальная условность.
Каждый запускаемый проект проходит инстанции для обоснования экономического эффекта, и в данном проекте точно рассчитать его довольно сложно.
Изначально мы исходили из сокращения издержек на логистику, т.к. по подсчету маркшейдеров, при отправке учитывался один объем (по весу и числу думпкаров), а по факту при учете на открытых складах фиксировалась нехватка в несколько процентов.
Мы предполагаем, что эксплуатация системы приведет к более эффективному использованию транспорта, соответственно будет снижение издержек. Данная расчетная оценка является минимальной на топливе и износе, фактическую посчитаем и напишем в ближайшие месяцы.
во введении поставлена задача оптимальной погрузки
решена задача косвенного контроля (по объёму) уже после погрузки
корректировка конкретного вагона/автомобиля после погрузки не производится
то же можно было решить классическими авто/жд весами (и это именно прямой контроль веса с погрешностью на тару)
работа проделана интересная и модная
результат можно было достингуть традиционными методами (возможно дешевле и проще)
И главное, надёжнее! А тут камеры и свет расставляли те же люди, что и GoPro с последующей "правкой изображения" :-)
Собирая данные не плохо бы что-то знать из предметной области в которой их собираешь, а иначе garbage in и на выходе соответственно.
Весы уже установлены, но они не всегда корректно работают, в зависимости от того, как была произведена загрузка, кроме того перевод в объем сильно зависит от фракции и породы, а это некие переменные.
В целом проект комплексный, на фабрике уже внедрены наши системы по анализу гран.состава руды, в зависимости от того, что едет по конвейеру, используются наши рекомендательные сервисы по оптимизации режима дробления.
Здесь мы на ранних этапах, помимо паспорта загрузки и объема, планируем так же детектировать негабаритные куски, для отправки их в отвалы и гран.состав.
рекулярные сбои в работ весов - это, как правило, не техническая проблема
мне при экскурсии в шахту рассказывали историю:
ещё в советские времена премия зависела от объёмов и качества добытой руды
с объёмами всё понято, а качество фиксировали индукционным кольцом, поставленным перед опракидывателем в шахте (руда - магнетит)
у одной смены стабильно высокие показатели по качеству.
оказалось что секрет в железном ломе, пристраеваемом к индукционному датчику.
ну а какие чудеса происходили на складе ферросплавов (легирующих элементов) на заводе с весами и видеоконтролем отгрузки - закачаешься
Мне вот другое интересно, ну мы выявили перегруз/недогруз в с погрешностью 1-2%. А дальше что? Какой нибуть менеджер покажет красивые картинки, рабочим порежут зп. Что дальше делать, как добиться результата? И тут подходим к тому, что с технологией загрузки мы ничего сделать не можем. Ибо это будет супер точно но не надёжно и медленно, и очень дорого. Или работать так как работаем с небольшим процентом погрешности. Поэтому и эффективность такой аналитической системы не имеет смысла.
Более того - погрузка контролируется постфактум, когда самосвал или вагон уже уехал.
Что в этом случае даст информация о предположительных 2% недогруза?
Предположительных - потому что разброс плотности руды даст колебание массы и вряд ли объемная съемка даст настоящую массу.
Как экскаватор, загружающий вагон/самосвал за три взмаха, отследит 98%, но не более 100% загрузки, о которой станет известно когда вагон уехал?
Кроме как оштрафовать машиниста экскаватора по надуманному поводу, что делать с этой информацией?
к жтим камерам надо отдельного мальчика поставить, который каждые n минут будет защитный фильтрпротирать (надеюсь его не забыли установить перел передней линзой объектива камер?))
Это погрузочные работы сыпучей породы, пылища там будет стоять адская, и никуда ее не деть.
2% - это очень точно для тех механизмов, которые используются при загрузке руды. Дальше берут вес погрешности химанализа, погрешности пробоотбора. На выходе можно получить все 10%, а значит то, как отработал экскаватор на руднике совершенно не имеет смысла. Ну и 2% - это 98 или 102 рейсов самосвала. Какие тут износы от перегруза, какие тут переоплаты персоналу совершенно не ясно. Менеджерский проект из серии "производственная система Тойоты в реалиях русского севера"
Как мы внедряем машинное зрение на Стойленском ГОКе