
Smart Timber: измеряем лес смартфоном. Часть 2: Технические решения для полевых условий
compvisionsys 18 минут назад Smart Timber: измеряем лес смартфоном. Часть 2: Технические решения для полевых условий Простой 10 мин 524 Блог компании ГК ЛАНИТ Искусственный интеллект Разработка мобильных приложений *...
Anthropic — What company has the best second artificial intelligence model at the end of June?
В сфере искусственного интеллекта произошло заметное событие. compvisionsys 18 минут назад Smart Timber: измеряем лес смартфоном. Часть 2: Технические решения для полевых условий Простой 10 мин 524 Блог компании ГК ЛАНИТ Искусственный интеллект Разработка мобильных приложений * Развитие стартапа Кейс В первой части мы рассказали о пилоте и первых версиях системы Smart Timber для измерения и учета объемов древесины, внедрении продукта у клиента и переходе от технического наполнения к продуктовой составляющей решения. Сегодня в блоге ЛАНИТ мы подробно остановимся именно на технических решениях, которые сделали возможной работу системы в полевых условиях.
Зачем нужен оффлайн-режимЗачастую решения на базе машинного обучения (особенно сейчас — с расцветом трансформеров, VLM и LLM) строятся по принципу централизованной обработки данных: мобильное приложение делает снимок, отсылает его на высокопроизводительный сервер и за секунды получает ответ с результатом. Но на делянке в лесу или на сплаве часто нет мобильного интернета — это факт, с которым нам пришлось смириться сразу. Поэтому в архитектуру мы заложили работу мобильного приложения полностью оффлайн, а отправку данных на сервер реализовали через синхронизацию.
Технические детали
При появлении связи приложение выгружает накопленные данные (снимки, разметку и расчёты) и обновляет справочники. Весь процесс обработки измерения пришлось реализовывать непосредственно на мобильном устройстве, что наложило свои ограничения на размеры моделей и потребовало разработки UI, позволяющего выполнять обработку замеров руками в зимних перчатках. Как работает технологияРешение работает на базе компьютерного зрения и машинного обучения.
В его основе — классический фотограмметрический метод, основанный на измерениях по фотографии с использованием эталонного предмета (его еще называют «метод масштабов»). Поскольку камера является угломерным инструментом, она позволяет сопоставить (например, через модель камеры и матрицы калибровки) каждому пикселю направление (луч) в пространстве. между двумя интересующими нас точками) можно определить угол (α = atan(y_a/f)-atan(y_b/f)), но при этом для определения метрического размера видимого объекта (h1 или h2) нам не хватает расстояния до него (x1 или x2).
Чтобы определить масштаб, делаются следующие предположения:a. все измеряемые точки лежат в одной плоскости (в среднем);b. мы можем задать в этой плоскости объект известного размера, т.
Отраслевые последствия
эталон: линейку или какой-нибудь еще известный предмет. Другие участники рынка пытались использовать треугольный знак аварийной остановки или номерной знак прицепа, но где-то просчитались — всего 1 см ошибки на метровом эталоне приводит к погрешности в 3% в объеме. Поэтому для достижения требуемой точности нам важно иметь эталон достаточно длинный (1 м — OK) и с точно определенными границами.
А номерной знак ещё и не лежит в нужной плоскости. Эталонная линейка может быть как достаточно простой, так и весьма продвинутой.
Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.





