Бесплатная платформа для компьютерного зрения: контроль качества гречки без интернета
Разработана система, позволяющая обнаруживать брак на линии производства гречки, используя единственный HTML‑файл с встроенной моделью и бесплатный инструментарий для разметки и обучения.
В статье на Habr ML описан практический кейс внедрения компьютерного зрения для контроля качества на линии производства гречки. Команда разработчиков создала полностью автономную систему, которую можно доставить клиенту в виде одного HTML‑файла. Внутри файла находится предобученная модель, готовая к инференсу, а также веб‑интерфейс для разметки новых изображений и дообучения модели без подключения к сети.
Ключевые особенности решения:
- Бесплатная платформа: использованы открытые библиотеки (OpenCV, TensorFlow.js) и собственный набор скриптов для аннотирования и обучения, доступные без лицензий.
- Офлайн‑режим: весь стек работает в браузере, поэтому производство может использовать систему даже в изолированных сетях.
- Одностраничный дистрибутив: клиент получает один HTML‑файл, который можно разместить на любой машине, без необходимости установки серверов или Docker‑контейнеров.
- Разметка «на лету»: оператор может отмечать дефекты (поврежённые зерна, посторонние частицы) прямо в интерфейсе, после чего модель автоматически переобучается.
- Метрика качества: система достигает точности обнаружения брака 96 % при тестировании на реальных данных, что сопоставимо с более тяжёлыми корпоративными решениями.
В результате заказчик получил быстрый и экономичный способ автоматизации контроля качества, сократив количество брака на 30 % уже в первые недели эксплуатации. Статья также содержит ссылки на репозиторий с исходным кодом и подробную инструкцию по адаптации решения под другие продукты.
Для AI‑разработчиков это отличный пример того, как собрать полностью автономный продукт без серверной инфраструктуры. Студенты могут использовать такой стек для учебных проектов, а небольшие производства получат доступ к AI‑контролю без больших инвестиций. Главное – помнить о необходимости периодической переобучаемости модели, чтобы она оставалась актуальной при изменении сырья.
