Сбор данных — один из самых недооценённых этапов при внедрении компьютерного зрения. Многие предприятия считают, что главное — это качественная модель и хороший подрядчик. На практике же именно качество и разнообразие собранных изображений часто определяют, будет ли система работать стабильно после запуска или потребует постоянных доработок.
Что влияет на качество данных при сборе
При сборе данных важно учитывать не только количество изображений, но и то, насколько они отражают реальные условия работы. Модель, обученная на данных, собранных в ограниченных условиях, часто показывает хорошие результаты на тестовой выборке, но начинает ошибаться при изменении освещения, появлении новых ракурсов или загрязнении объектов.
Например, на одном из проектов по контролю качества металлических деталей изображения собирали в специальной фотобоксе при постоянном освещении. Модель хорошо справлялась с задачей в лабораторных условиях. Однако после установки на производстве точность заметно снизилась. Причина оказалась в том, что в реальных условиях освещение менялось в течение дня, а на деталях периодически появлялся тонкий слой масла или пыли, которого не было в обучающей выборке.
Также важно фиксировать разнообразие состояний самих объектов. Если модель должна выявлять дефекты, то в обучающую выборку нужно включать не только явно бракованные изделия, но и те, которые находятся на грани между нормой и отклонением. Без таких примеров модель часто начинает либо слишком строго, либо слишком мягко относиться к пограничным случаям.
Ещё один важный момент — разнообразие ракурсов и условий съёмки. Если все изображения сделаны с одного ракурса и при одном типе освещения, модель может плохо справляться с работой в других условиях. Это особенно критично для задач, где продукция может находиться в разных положениях на конвейере или в разных зонах цеха.
Как организовать процесс сбора данных на предприятии
Организация сбора данных требует участия заказчика. Полностью передавать этот этап подрядчику рискованно, так как именно заказчик лучше всего понимает особенности своего производства и типичные состояния продукции.
На практике лучше всего работает подход, когда подрядчик совместно с заказчиком определяет, какие условия и состояния объектов нужно охватить. Заказчик в этом случае отвечает за обеспечение доступа к нужным образцам и условиям съёмки, а подрядчик — за техническую организацию процесса и контроль качества изображений.
Важно также фиксировать метаданные при съёмке: время, условия освещения, тип оборудования и другие параметры. Это помогает позже понять, почему модель ведёт себя по-разному в разных ситуациях и где требуется доработка обучающей выборки.
Типичные ошибки при сборе данных
Самая распространённая ошибка — сбор изображений только в «хороших» условиях. Вторая частая проблема — недостаточное внимание к пограничным состояниям продукции. Третья ошибка — отсутствие фиксации условий съёмки, из-за чего позже сложно понять причины ошибок модели.
Выводы
При организации сбора данных важно не ограничиваться минимально необходимым объёмом изображений. Нужно обеспечить разнообразие условий и состояний объектов, характерных для реального производства. Заказчику стоит активно участвовать в определении того, какие данные необходимо собрать, и контролировать, чтобы выборка действительно отражала реальную картину. Без этого даже технически грамотно выполненный проект может не дать ожидаемого результата в промышленной эксплуатации.
Об авторе
Статья подготовлена на основе практического опыта компании ИТиС ЛАБ, которая занимается внедрением систем компьютерного зрения и видеоаналитики на промышленных предприятиях.
lab-itis.ru
t.me/itis_lab