Разработали модель анализа неисправностей авиационного оборудования и фюзеляжа для лабораторий БПЛА СколТеха. Модель является частью прошивки дрона, который сканирует поверхность самолёта, находящегося в ангаре. В результате модель определяет площадь поверхности, вид и степень критичности дефекта.
Малая обучающая выборка и эксклюзивность данных являлись ключевой особенностью проекта. Мы самостоятельно собрали данные и приступили к разработке модели. Задача включала оптимизацию под ограниченные ресурсы edge-устройства (БПЛА).
Прошивка с AI-моделью адаптирована под «коробочное» БПЛА-решение, основанное на микроконтроллере Raspberry Pi. Решение обрабатывает входной поток изображений (с коротким буфером) и выполняет передачу данных на сервер заказчика (длинный буфер), где и происходит хранение данных. Такой подход позволяет при масштабировании сохранять систему централизованной и удобной для дообучения. Данные с сервера используются для отображения метрик критичности в web-интерфейсе.
- 0101
Сбор и подготовка данных
Подготовка мультимодального датасета авиационных неисправностей.
- 0202
Архитектура edge-системы
Проектирование lightweight ML-модели для работы на Raspberry Pi.
- 0303
Разработка AI-модели
Создание системы анализа и распознавания критических авиационных поломок.
- 0404
Оптимизация производительности
Снижение нагрузки на устройство и ускорение inference на embedded hardware.
- 0505
Интеграция сенсоров и интерфейсов
Подключение камер, систем диагностики и интерфейсов отображения данных.
- 0606
Испытания и валидация
Тестирование модели на реальных сценариях и проверка устойчивости работы.
- 01Python
- 02TensorFlow Lite
- 03MQTT
- 04Raspberry Pi
- 05OpenCV
- 06YOLO World
- 07БПЛА
- 08ONNX
Похожая задача?
Обсудим и оценим за 5 рабочих дней.