Внедрение системы фотомониторинга металлолома на производстве столкнулось с рядом неожиданных препятствий. Изначальная идея заключалась в автоматизации процесса оценки качества лома, но на практике возникли сложности, связанные с нестандартной логистикой вагонов и их содержимым. Поезда могут меняться местами, вагоны – оказываться грузовиками, а технологические расцепы и разная длина вагонов искажали первоначальные расчеты.
Система фотомониторинга состоит из нескольких нейросетей. Первая идентифицирует вагоны и магниты, определяя момент для съемки слоя лома. Вторая анализирует слои на предмет загрязнения, сигнализируя о превышении допустимого уровня. Третья оценивает соответствие лома стандартам, выявляя посторонние предметы. Возникшие сложности включали в себя необходимость учитывать зимние условия и нестандартные способы разгрузки (например, грейфером).
Оценка засорённости лома оказалась субъективной. Разброс оценок между специалистами достигал значительных величин, а один и тот же человек мог давать разные оценки одному и тому же слою в зависимости от времени дня и настроения. Для обучения нейросети использовался метод тройной оценки, и если разброс был большим, то вагон отбрасывался из обучающей выборки. В результате, объективность оценки была достигнута путем многократного обучения модели на тщательно подготовленных данных.
В конечном итоге, внедрение автоматизированной системы контроля качества лома позволило снизить количество поставок с засорённым ломом, уменьшив тем самым издержки производства. Модель стала третьей независимой стороной в спорах между поставщиками и приемщиками, обеспечив более объективную и стабильную оценку. Несмотря на первоначальные сложности и сюрпризы, решение оказалось рабочим и эффективным.
Изображение носит иллюстративный характер
Система фотомониторинга состоит из нескольких нейросетей. Первая идентифицирует вагоны и магниты, определяя момент для съемки слоя лома. Вторая анализирует слои на предмет загрязнения, сигнализируя о превышении допустимого уровня. Третья оценивает соответствие лома стандартам, выявляя посторонние предметы. Возникшие сложности включали в себя необходимость учитывать зимние условия и нестандартные способы разгрузки (например, грейфером).
Оценка засорённости лома оказалась субъективной. Разброс оценок между специалистами достигал значительных величин, а один и тот же человек мог давать разные оценки одному и тому же слою в зависимости от времени дня и настроения. Для обучения нейросети использовался метод тройной оценки, и если разброс был большим, то вагон отбрасывался из обучающей выборки. В результате, объективность оценки была достигнута путем многократного обучения модели на тщательно подготовленных данных.
В конечном итоге, внедрение автоматизированной системы контроля качества лома позволило снизить количество поставок с засорённым ломом, уменьшив тем самым издержки производства. Модель стала третьей независимой стороной в спорах между поставщиками и приемщиками, обеспечив более объективную и стабильную оценку. Несмотря на первоначальные сложности и сюрпризы, решение оказалось рабочим и эффективным.
