Comments 45
Из статьи я не понял, в чем помогает ваше решение или какую проблему оно решает.
Раньше — 1:{каждые 3 дня} в 2:{ПТОЛ} 3:{визуальный осмотр мастером}.
Теперь — 1:{?} в 2:{?} 3:{визуальный осмотр камерой + анализ сеткой}.
Проверка стала дешевле? Более качественной? Чаще стала проводиться? Была ли выведена зависимость каких-то проблем старой проверкой и влияние новой проверки на результаты?
ЗЫ Потом увидел вот это заключение:
В заключении хочу сказать, что технология показала себя очень хорошо и, на мой взгляд, имеет большой потенциал...
То есть оценок никаких не было, расчетов и прочего (из-за "на мой взгляд"). То, что технология хорошо себя показала, — не релевантно, если нет полезного "выхлопа". Тот же блокчейн, технология хорошая, но...
ЗЫ2 Не хватает легенды для цветового кодирования на обработанных фотках и какой-то базовой информации о том, как именно стираются эти самый колодки (например, я не знаю — у них уменьшается диаметр или они становятся "тоньше", или еще какие особенности).
1. На видео 4 тележки на тепловоз и по 8 колодок, и точность алгоритма 0.96.
4*8*(1-0.96) = 1.28
Это значит, что на каждом тепловозе при каждой проверке ваша супер система будет пропускать одну изношенную колодку. А как у людей качество осмотра?
2. Алгоритм ищет только износ, а как с другими дефектами? Трещину пропустит?
3. Как определяете узкий край? «нужно отступить 5 см от узкого края»
4. А разве бывают не круглые колёса, зачем такой мощный и универсальный инструмент, как Албументация? Для чего нужна такая сложная аугментация?
5. Если человек пропустит брак, то у него есть личная ответственность ( при И.В. могли и расстрелять), а в этом данном случае какую ответственность несут программисты? Или система не будет внедряться?
2. В следующим этапе.
3. Изходя из маски у неё есть узкий и широкий край если присутсвует клиновидный дефект.
4. Плохо читали статью =)
5. Возложим отвественность на люей задающих странные вопросы.
2. Т.е. человек остался и ваша эта супер система как дополнительный придаток (типа пятое колесо )
3. Ясно, что у маски может быть и узкий и еще какой край. Вопрос то в том, как ваша программа его находит?
4. Может плохо писали статью?
5. Кто будет подписывать акт осмотра и нести ответственность?
2. Москва не сразу строилась.
3. Легко =)
4. Как вариант!
5. Обязательно выясню
то обратите внимание на 24 строку " valid_jaccard = np.mean(jaccard).astype(np.float64)"
тут берется среднее по всем картинкам валидационной последовательности.
Вы же утверждаете, что на КАЖДОЙ! картинке у Вас точность 0.96.
И это две большие разницы, если не поняли сами, то спросите у старших товарищей.
И Вы написали ерунду, очередное неправильное решение ненужной никому задачи и пытаетесь прикрыться уважаемыми именами.
Буквально пару дней назад компания Aurorai передала в опытную эксплуатация систему
На какой считалке (вероятно, промышленный комьютер) думаете делать рабочую систему?
Боевая система должна сильно отличается от комплекта разработчика…
Исполнение уличное?
Дорого очень только: камера (100 * 2) + сервер (3 видяхи 1080 = 3 * 40 + ...) +…
Как сэкономить. Кейс из опыта — откажитесь от реалтайма, то есть записывайте кадры с камеры на диск, когда идет состав. Потом запускайте распознавалку на кадрах, когда прошел.
Дальше пилите распознавалку, чтобы без НСети (подумайте, можно ли без нее — классикой побить) в идеале и все достаточно быстро (минуты) считалось на CPU (i5).
Если от НС не отказываться, то максимум 1 видяха (или да — какой-нидь jetson рассмотреть), CPU можно слабее, он все равно участвовать не будет.
интересно, наверное, можно ещё сэкономить и на камере поставив 1д камеру:
как например в статье:
elm-chan.org/works/lcam/report.html
(там же есть в ресурсах сканы поездов)
а разную скорость скомпенсировать подстройкой по оси Х с обратной связью по коэффициенту приплюснутости колеса (стремясь к кругу).
этого вполне хватает, чтобы предсказывать два 3-секционных локомотива не дольше чем за 2 мин.зачем предсказывать локомотивы?
Заинтриговала материнка под 3 видеокарты, она видимо с 3-мя pcie-16x?
Тут надо сказать, что не было ни одного примера сильно стертых колодок.
Это вам надо не на локомотивах, а на вагонах тренироваться, там для вашей системы огромное количество самых разнообразных вариаций дефектов колодок будет, и неравномерный износ и излом колодки пополам, и вообще её отсутствие и состояние «еще чуть чуть и фольга»
====
Дефектовка это прикольно, только вот один из этапов реальной дефектовки это обстукиванием молотком, вы же не сможете это решить программным методом, тоесть всёравно останется ручной труд
по колесу да, на предмет трещины, а также по местам крепления гасителей и по пружинам подвески
еще кстати гаситель надо рукой подергать, бывает что он разваливается внутри и болтается, а снаружи этого не видно
Тут в комментариях задали правильный вопрос о практической значимости этого решения, чем оно лучше того, что было раньше. Дело в том, что в РЖД (и аналогичных госкорпорациях) заказывают музыку совсем не те люди, что эксплуатируют все эти инновационные штуки. Поэтому очень часто бывает такое, что приходит запрос типа: а вот сделайте нам систему дефектовки рам тележек, чтобы работало быстро и без человеческого фактора. Сейчас на тележку уходит, условно 40мин, это очень долго. Ок, сделали систему, которая все делает за 3 минуты, полностью автоматически. А к тому времени люди, что просили быстро, уже ушли куда-то по служебной лестнице, и, видимо, на их месте оказались другие, которые посмотрели и сказали: э-э-э..., да это очень дорого, да и зачем нам 3 минуты, если другой какой-то этап обслуживания тележек длится, условно говоря, два часа. Очевидно, что экономическая эффективность тут просто никак не считалась, поэтому и исполнителю не стоит этим заморачиваться. Дают тебе интересную задачу, если по деньгам устраивает, берешься и решаешь.
Я за последние лет 15 уже несколько раз слышал об этой задаче, в самых разных вариациях. Но поработать над ней не удалось: или сроки были неадекватными, или бюджет, или и то, и другое.
Что-то типо такого:
Может быть бы и вовсе без нейронок получилось бы обойтись, ну или сильно упростить для неё жизнь, а значит и цену сервера. Сейчас сложилось впечатление, что эксперты по нейронкам запихнули их сюда, потому что, если ты молоток, то для тебя весь мир — гвозди. :)
Deep Learning — не только котики на мобилках или как мы производим дефектовку тележек локомотивов