КЛИЕНТ
Одна из крупнейших компаний целлюлозно-бумажной промышленности России. Компания осуществляет заготовку, транспортировку, разделку и переработку древесины. Производит товарную целлюлозу, картон и бумагу.
75%
всей российской товарной целлюлозы ежегодно выпускают комбинаты компании.
ЗАДАЧИ
Клиент доставляет лес на грузовых автомобилях в специализированные логистические центры для последующей отправки на комбинаты.
Одна из ключевых задач при приемке древесины в логистическом центре — определить плотность укладки и породу древесины. Для обеспечения высокой пропускной способности, на контрольно-пропускных пунктах использовали специальные фоторамки (скан-треки). Когда через них проезжал груженый лесовоз, его фотографировали в трех проекциях. На основе фото приемщики определяли плотность укладки и породу древесины. Такой подход приводил к возникновению ошибок и высоким расходам на персонал.
Заказчику требовалось:
Чтобы решить эти задачи, требовалось разработать систему для автоматического измерения объема заготовленного леса на основе фотоаналитики и машинного обучения.
РЕШЕНИЕ
Компания решила реализовать пилотный проект. Специалисты «Рексофт» создали модель, которая позволяет точно измерять плотность укладки и породу древесины на пунктах приемки лесоматериалов. В основе системы технологии фотоаналитики и машинного обучения на базе передовых глубоких нейронных сетей.
Топология сети
Данные одного лесовоза, проходящего через скан-трек, обрабатываются в течение нескольких секунд, тогда как ранее процесс мог занимать длительное время, а точность оценки была на значительно более низком уровне.
Обучение сети происходит следующим образом: если предсказание ошибочно, то параметры перестраиваются так, чтобы скорректировать оценку. Это происходит до тех пор, пока ошибка не уменьшится до требуемой величины. В дальнейшем, при возникновении новых данных и новых ошибок, сеть дообучается самостоятельно.
Модель реализована на языке Python, фреймворк для глубинного обучения — PyTorch. Основная архитектура сверточной сети: se-resnext101, алгоритм оптимизации: Adam, функция потерь: средняя абсолютная ошибка.
Выходы этих сетей объединены в еще один полносвязный слой, который выдает коэффициент плотности укладки. Породу древесины определяет сверточная нейронная сеть. Она анализирует фото и на основе определенных признаков выдает вероятности, с которыми изображенная древесина может являться, к примеру, березой или осиной. Система выбирает наиболее вероятный вариант.
РЕЗУЛЬТАТЫ
В течение недели в одной точке приемки было проведено пилотное обучение системы. Нейронная сеть предсказала плотность укладки древесины со средней абсолютной ошибкой в 1,2%. Порода древесины была определена верно в 96,8% случаев. Пилот показал, что большая часть ошибок была допущена не сетью, а оператором.
Чтобы увеличить точность, специалисты «Рексофт» продолжили обучение нейронной сети. Это позволило собрать больше данных и накопить «эталонные» показатели изображений. В данный момент идут переговоры о запуске промышленной версии и ее интеграции с 13 скан-треками предприятия в Карелии и Сибири.
Разработанная система позволяет снизить влияние человеческого фактора, сократить время оценки и существенно оптимизировать логистический процесс. Кроме того решение может помочь в формировании общего стандарта применения методов машинного обучения и использоваться для других площадок, вариантов сырья и видов логистики.
В 96,8% случаев
порода древесины была определена верно
Сделайте шаг вперед на пути к цифровой трансформации
Заполните форму обратной связи и мы свяжемся с Вами в ближайшее время