Тематика и краткое описание кейса

1.

КЕЙС «ПРИМЕНЕНИЕ МАШИННОГО
ЗРЕНИЯ В ПРОИЗВОДСТВЕННЫХ
ПРОЦЕССАХ»
Сорокин Александр Георгиевич
Начальник управления «Цифровая трансформация»
12.05.2022

2. ТЕМАТИКА И КРАТКОЕ ОПИСАНИЕ КЕЙСА

Тематика кейса:
-
Идентификация дефектов в лопатках авиационного двигателя.
Краткое описание кейса:
-
Для первичного контроля лопаток авиационного двигателя требуется разработать специализированное
программное обеспечение на базе решений машинного зрения, которое позволит дополнять данные о
дефектах и выявлять дефектные лопатки.
2

3. ПРОБЛЕМАТИКА

На текущий момент в ПАО «ОДК-Сатурн» контроль лопаток, в том числе после полировальной
операции проходит в ручном режиме, т.е. контроль обеспечивается человеком. Это сказывается на
пропускной способности участка контроля ввиду прямого влияния человеческого фактора при большом
объеме предварительного контроля объектов с возвратом на доработку.
Подготовка квалифицированного специалиста для выполнения визуального контроля сложных
геометрических объектов требует длительного времени и специальной аттестации (это приводит к
высокой стоимости специалистов для предприятия). Требуется использование дополнительных решений,
позволяющих с необходимой степенью достоверности выявлять и классифицировать дефекты при помощи
машинного зрения в качестве интеллектуального помощника контролёру.
Автоматическое выявление дефектов на предварительном контроле после полировальной операции с
применением технологии машинного зрения позволит в будущем повысить пропускную способность
участка контроля по выпуску годной продукции.
3

4. ОПИСАНИЕ КЕЙСА

Задача:
-
Требуется разработать алгоритм обнаружения дефектов на основе машинного обучения, который
позволит производить:
• загрузку объекта исследования (тестовый набор изображений);
• обнаружение и классификацию дефектов на изображениях тестового набора;
• формирование файла разметки дефектов в соответствии с требованиями данного конкурса (слайд 6).
Цель приложения:
-
Помочь подразделениям, подчиненным директору по качеству идентифицировать дефекты более
эффективными методами визуального контроля для отбраковки заведомо испорченных лопаток.
4

5. ОПИСАНИЕ КЕЙСА

Входные данные:
1.
2.
Набор изображений c разметкой различных объектов (в том числе дефектов). Набор состоит из 170 изображений и 170
файлов разметки. Имя файла разметки соответствует имени файла изображения. Файл разметки содержит названия
классов, координаты полигонов и обрамляющих рамок различных объектов. Участник самостоятельно разбивает
предоставленный набор на тренировочный и валидационный.
Тестовый набор изображений (10 изображений) предоставляется без разметки. Он используется Участником для
формирования результатов и предоставления их Организатору.
Разметка содержит следующие классы:
• labelled - область интереса, внутри которой находится разметка
дефектов. Вне этой области дефекты не размечены;
• clean - область, в которой точно нет дефектов;
• ignore – эту область нужно игнорировать при формировании
результатов;
• background – область вне лопатки;
• lopatka – область лопатки;
• sled_ot_frezi – один из видов дефектов;
• zaboina – один из видов дефектов;
• carapina – один из видов дефектов;
• riska – один из видов дефектов;
• nadir – один из видов дефектов;
• chernota – один из видов дефектов;
• _questionable и _group – постфиксы, которые нужно
игнорировать и использовать только основную метку. Т.е.,
например, riska_questionable = riska, zaboina_group = zaboina.
5

6. ОЖИДАЕМЫЙ РЕЗУЛЬТАТ

Для оценки результатов Участник предоставляет Организатору:
1.
Результат обработки тестового набора изображений обученной моделью, разработанной Участником.
2. Docker контейнер с кодом для обучения и валидации модели, а также саму обученную модель.
Результат обработки тестового набора изображений должен иметь следующий формат:
1. Набор масок сегментации каждого тестового изображения в формате png, полученных автоматически, обученной моделью,
разработанной Участником.
2. Имя файла маски формируется из имени соответствующего исходного изображения с добавлением постфикса «_seg».
Например, для изображения «2021-12-17_13_43_36_367.jpg» имя маски - «2021-12-17_13_43_36_367_seg.png».
3. Маска должна содержать следующие значения для каждого пикселя исходного изображения:
background – 0;
lopatka - 1;
sled_ot_frezi – 2;
zaboina – 3;
carapina – 4;
riska – 5;
nadir – 6;
chernota – 7.
Метрика качества:
1. Для оценки качества работы алгоритмов участников, для каждого из классов дефектов (sled_ot_frezi, zaboina, carapina, riska,
nadir, chernota) рассчитывается метрика Intersection-over-Union (IoU). Классы background, lopatka и любые объекты в области
ignore не учитываются при расчете метрики.
2. На основании IoU для каждого класса дефектов, простым усреднением, рассчитывается среднее - mIoU. Чем большее
значение имеет mIoU, тем более высокий рейтинг получает Участник.
3. При сопоставимых значениях mIoU учитывается время распознавания. Чем меньше время – тем выше рейтинг Участника.
6

7.

СПАСИБО ЗА ВНИМАНИЕ!
7