Jak jsme zanalyzovali přes 200 000 fotek s téměř 100% úspěšností
Vizuální kontrola produktů ve známé výrobní společnosti. Práce pro několik desítek pracovníků. Výsledky až za několik měsíců. Statisícové náklady a nejistý výsledek. Tomu jsme předešli.
Klient potřeboval zefektivnit proces posuzování obrazového záznamu pro vyloučení průniku chybných dílů k finálnímu zákazníkovi.
Po krátké konzultaci s našimi specialisty jsme vedení představili návrh zefektivnění celého projektu pomocí moderních technologií. Společnosti se nápad líbil. Naše nabídka neměla konkurenci. Ani v ceně, ani v termínu dodání.
„Staré dobré“ algoritmy překonaly neuronové sítě
Měli jsme před sebou velkou výzvu, hodně práce a málo času. Potřebovali jsme udělat analýzu více než 200 000 fotografií pro dva různé úkoly. Jako první řešení se nabízelo využití neuronových sítí. V současné době zažívají obrovský boom. Na jejich vývoj a následné učení ale nebyl čas. Deadliny jsou neúprosné.
Pustili jsme se do analýzy celého projektu a nakonec jsme vsadili na osvědčené algoritmy. Pro projekt měly hned několik výhod:
- kratší dobu vývoje,
- lepší predikci času potřebného k implementaci,
- snazší předvídání chování programu.
Podle výsledků jsme se rozhodli správně. Celé řešení na rozpoznání dat z obrázků jsme zrealizovali a dodali v řádu několika dní. Přesnost našeho vyhodnocení byla skvělých 99,91 až 100 %.
S malými úpravami může firma dál používat vyvinuté algoritmy i celé úlohy i po skončení tohoto projektu.
Úkol č. 1 – porovnání tvaru dílu
Od zákazníka jsme dostali sady fotografií. Na fotografiích byly tisíce produktů v časové řadě. Rozdíly byste hledali pod lupou. Naším úkolem bylo určit, které fotografie zachycují odlišné kusy a na kterých se nachází stejné.
Pro rozlišení jsme zvolili metodu structural similarity index measure (SSIM), která vyhodnocuje strukturální podobnost dvou fotek.
Algoritmus běžně slouží k porovnávání zcela jiných objektů. My jsme pracovali se stejnými kusy a těmi, které se lišily jen v detailu. Interpretaci výsledného indexu jsem pro naše účely museli upravit. Z vyhodnocení a následné kontroly vyplynulo, že se naše přesnost na různých sadách fotek pohybovala mezi 99,91 % a 100 %.
Úkol č. 2 – detekce identifikačního kódů na dílech
Ve druhé úloze jsme měli v sadách dodaných fotografií detekovat 2D kódy na dílech. Jako indikátor pro roztřídění fotografií jsme se rozhodli použít průměrnou světlost částí fotografií, na kterých se kód může vyskytovat.
Zadání vypadá jednoduše, přesto jsme řešili několik problémů. Museli jsme občas mírně posunout kameru, která snímala produkty. Tím se změnil i úhel zachycení snímků. Jak asi tušíte, to mohlo výrazně zamíchat s přesností výsledků.
Naštěstí k těmto posunům nedocházelo příliš často. Spustili jsme jednoduchou úlohu detekce nebo porovnání fotek a odhalili, kde došlo k posunu. V analýze stačilo posun pouze zohlednit. Znovu jsme dosáhli přesnosti analýzy v téměř 100 % případů.
Za týden bylo hotovo. Zákazník ušetřil peníze a několik měsíců
Tento projekt ukázal, jaké znalosti a zkušenosti naši IT specialisté mají. Často posunou projekt na další úroveň i nad rámec domluvené spolupráce.
Celý projekt měl být velmi náročný. Desítky zaměstnanců na něm měli pracovat dlouhé měsíce.
Zhruba za 5 pracovních dní se nám podařilo dodat celé řešení a zanalyzovat přes 200 000 fotografií. Za výhodnějších podmínek a rychleji, než nabízely zahraniční specializované společnosti.
Po této zkušenosti s radostí konstatujeme, že potenciál podobných projektů v průmyslových firmách je skutečně obrovský. Zejména při řešení reklamací a hlavně: při předcházením problémů s tím spojených.