Применение технологии компьютерного зрения и машинного обучения в процессах контроля сырьевых потоков

Лесопромышленный холдинг "Сегежа Групп" – ключевой поставщик продукции лесной отрасли на международные рынки и один из крупнейших арендаторов леса в России с полным циклом производства, от собственной лесозаготовки до конечных продуктов. Грамотный и качественный контроль поступающих потоков круглого леса – одна из основных задач холдинга. При этом сильное влияние на нее оказывает человеческий фактор, приводя к высокой погрешности измерений и повышению рисков. С целью минимизации участия человека в данном процессе был реализован пилотный проект по внедрению машинного зрения для контроля сырьевых потоков и определения плотного объема леса, прибывающего в лесовозах на деревоперерабатывающие комбинаты.

Основная проблема восходит к тому, что при заготовке леса на делянках, приеме лесовозов на контрольных пунктах и на складах под открытым небом все обмеры производятся человеком с помощью обычной линейки. Вычислить таким геометрическим методом плотный объем сложно, и в результате погрешности между заготовленной древесиной и той, которая запущена в производство, непредсказуемы. Согласно ГОСТу допустимая норма погрешности – 3%, мы же поставили целью снизить ее до 1,5–2%.

Segezha Group (SG, входит в АФК "Система", http://segezha-group.com/) – один из крупнейших российских вертикально-интегрированных лесопромышленных холдингов с полным циклом лесозаготовки и глубокой переработки древесины. В состав холдинга входят российские и европейские предприятия лесной, деревообрабатывающей и целлюлозно-бумажной промышленности. География представительств Группы охватывает 11 государств. Продукция реализуется более чем в 100 странах мира. На предприятиях SG работает 13 тыс. человек. Segezha Group – крупнейший лесопользователь в Европейской части России. Общая площадь арендованного лесфонда составляет 7,42 млн га лесных участков, 85,7% (6,36 млн га) которых сертифицировано по схемам добровольной лесной сертификации.
Segezha Group занимает первое место в России по производству бумажных мешков, коричневой мешочной бумаги, пиломатериалов и домокомплектов из клееного бруса.

Для чего нам нужно компьютерное зрение?

Ключевые задачи, которые мы планируем решить с помощью внедрения новой системы, – это:

1. Унификация. Сейчас для измерений плотного объема используются разные инструменты (линейки, лазерное сканирование побревенно, раскаточные столы, рамки и др.), что ведет к потере точности и повышению погрешностей. Например, если при транспортировке 2 млн куб. м круглого леса в год погрешность составит 3–7% от объема, это невероятно большие убытки.
2. Достоверность. Все измерения делает человек, что может приводить к разбросу выходных данных и фальсификациям. Наша цель – исключить человеческий фактор не только в измерении сырья, но и во всех производственных процессах и системах, чтобы все данные поступали автоматически.
3. Масштабируемость. Аппаратные решения требуют наличия инфраструктуры и сложных монтажных работ. А поскольку география наших лесозаготовителей охватывает всю страну и делянки размещены в глухом лесу, где Интернет недоступен или экономически не оправдан, то в большинстве случаев масштабировать аппаратные решения (сложные рамки, стереокамеры) не представляется возможным. Для этого необходимы большие ресурсы, что нерентабельно с точки зрения окупаемости, и такую идею никто не поддержит. Необходима технология, которая легко масштабируется и не требует сложных монтажных работ на делянках, складах и т.д.
4. Контроль и аналитика. Сырье принимается по плотному, а не по складочному объему. Его нужно умножить на коэффициент полнодревесности по ГОСТу, который зависит от сорта древесины, ее длины и ряда других параметров, но аналитических инструментов для всего этого у нас нет – все измерения человека контролирует тоже человек.

Схема процессов: до и после

Как все происходит на сегодняшний день? Лес добывается, заготавливается, грузится на лесовоз и везется на склады, а оттуда поступает на комбинат СЦБК (рис. 1, наверху). Все измерения осуществляет подрядная компания (эксперты НЭК): как только подъезжает лесовоз, человек с линейкой выходит из будки, измеряет длину, высоту и ширину, а затем на глаз определяет коэффициент полнодревесности. Вот такой "современный" способ.

К какой процедуре мы стремимся? По сути, к такой же, но без человека в этой цепочке. Все будет считать система, без возможной фальсификации или субъективного отношения, с более точным определением породного состава и т.д. (рис. 1, внизу).

Рис. 1. Схема процессов сейчас (наверху) и после внедрения машинного зрения (внизу)

В пилотном проекте для этого была использована достаточно простая архитектура и два источника данных:

1. Эксперты НЭК.
2. Скантрек – рамка, на которой размещены камеры (две сверху, по две с боков) и лидары (определяют движущийся объект). Камеры делают около двух фотографий в 1 с при скорости движения лесовоза от 5 до 10 км/ч.

"Комплексные технические решения по защите банкоматов от криминальных посягательств" читать статью >>>

Запуск пилотного проекта

Каждая компания, участвующая в пилотном проекте, внедряла свой алгоритм для расчетов: одни использовали ПО и автоматические данные со скантрека, другие – мобильное приложение и фотографии, сделанные подрядчиком на обычный фотоаппарат, на которых видны торцы, что полезно для определения коэффициента полнодревесности и плотного объема.

В первом случае весь процесс выглядит следующим образом: когда лесовоз проезжает через рамку, в хранилище создается ячейка хранения, привязанная к этому конкретному лесовозу. Он идентифицируется по двум параметрам – по госномеру и номеру прицепа. Далее проходит обработка фотосетов с помощью технологий машинного зрения и выводится нужный результат. Причем изображения со скантрека никак не размечены, система автоматически определяет количество пачек (2–5 в зависимости от лесовоза) и сортность древесины, которая нужна для коэффициента полнодревесности. Кроме того, система может выдавать уведомление о неправильной укладке, так как многие поставщики-логисты нарушают требования. По ГОСТу расстояние между пачками должно быть 0,3–0,5 м, а иногда они грузятся в упор, и системе сложно понять, что это две пачки, а не одна. Так как стандартная длина пачки 2/3/4/5/6 м, то при длине 12 м разделение очевидно.

При использовании мобильного приложения все происходит примерно по этой же схеме, за тем лишь исключением, что фотографии лесовоза с четырех сторон делает человек. В этом методе нет фотографий сверху, но, как показал пилотный проект, это не так важно.

Рис. 2. Шумы на фото

Сложности реализации

К основным проблемам, с которыми мы столкнулись во время пилотирования, можно отнести:

1. Шумы на фото – дождь, снег, солнце и т.д. (рис. 2).
2. Недостоверность исходных данных. На одинаковой выборке и при идентичных условиях эксперты совершенно по-разному ставили коэффициенты полнодревесности и определяли плотный объем с довольно большим отклонением.
3. Нарушения в регламентах укладки. Если две пачки лежат в упор, определить это непросто (рис. 3).

Рис. 3. Нарушения регламентов укладки

Внушительный результат

Пилотный проект показал следующие итоги:

• точность определения коэффициента полнодревесности – более 98%, причем у всех компаний, хотя они использовали разные источники данных и разные алгоритмы их обработки;
• полностью автоматизированный процесс обработки данных (сопоставление пачек, определение породы, определение КПД и объема) без участия эксперта;
• точность сопоставления фотографий и пачек – 97%;
• распознавание некорректной укладки пачек (если расстояние по ГОСТу меньше 0,3–0,5 м);
• точность определения породы древесины – более 95%;
• автоматическое определение некорректных фотографий и рекомендации по исправлению;
• производительность обработки фотографий – 2 с на один лесовоз (сейчас на приемку одного лесовоза уходит около 12 мин., из которых 3–4 мин. только на обмер);
• использование системы для определения смежных параметров (породы, качества укладки, диаметров) и улучшения качества работы подрядчиков (прозрачность и интерпретируемость предлагаемого решения);
• возможность вывода оператору фотографий конкретных пачек с параметрами (порода, качество, диаметры) в автоматизированном режиме.

Экономические выгоды

Помимо функциональных преимуществ, целесообразность инвестиций в новое  решение подкрепляется серьезными экономическими эффектами:

1. Усиление контроля.
2. Высокая точность измерений. Общий объем потребления круглого леса на всех предприятиях – более 4 млн куб. м, и система дает возможность измерить и оцифровать риск погрешностей.
3. Отказ от подрядных организаций, осуществляющих приемку.
4. Ускорение процессов приемки и отгрузки, что позволит сократить время и штат персонала с нашей стороны.
5. Получение аналитики для решения разных задач, например для оценки марок лесовозов с точки зрения грузоемкости и оптимизации расходов на логистику.

Таким образом, пилотный проект показал применимость технологий машинного обучения и компьютерного зрения в конкретной прикладной среде и стал важным шагом на пути к минимизации человеческого фактора в измерении объемов круглого леса. На сегодняшний день нет никаких технологических стоп-факторов или рисков для развертывания системы. Она доказала свою эффективность, и имеет смысл переходить к ее промышленному использованию, в котором все необходимые процессы будут проводиться без участия человека.

Опубликовано в журнале "Системы безопасности" №5/2020

Изображения предоставлены автором

Фото: https://ru.freepik.com