Коротко

Немецкий агротехнологический стартап Alpha‑Protein вместе с EDIH‑AICS и исследовательским центром FZI проверил компьютерное зрение для подсчёта личинок мучного червя и оценки их массы по изображениям. Компания проектирует промышленное производство белка, поэтому решила испытать сбор данных и модель до масштабирования линии, когда ошибки в камерах, разметке и методике ещё можно исправить недорого.

Пилот дал приемлемые первые результаты, но количественная оценка пока невозможна из‑за малого объёма данных. Модель распознавала большинство объектов, однако ошибалась, когда личинки тесно пересекались. Это не слабость публикации, а полезный пример для малого бизнеса: решение не объявили готовым к производству только потому, что демонстрация выглядит убедительно.

Бизнес-задача была шире одной модели

Alpha‑Protein строит автоматизированную фабричную концепцию для выращивания мучного червя и выпуска белкового сырья. На этапе проектирования компании нужно понять, какие параметры действительно влияют на рост, как собирать структурированные данные и где аналитика сможет сократить ручные операции. Одной из таких операций оказался подсчёт и взвешивание образцов в лаборатории.

Ручной подсчёт повторяем, утомителен и плохо масштабируется. Но задача сложнее обычного «найти объект на фотографии». Личинки касаются друг друга, частично перекрываются, меняют положение, лежат на разных фонах и имеют неодинаковый размер. Для оценки массы мало провести рамку вокруг группы: важно отделить отдельные экземпляры или получить устойчивый признак площади и формы.

Команда сначала провела воркшоп, составила несколько сценариев использования данных и ранжировала их по реализуемости, пользе и устойчивости. Только после этого выбрала лабораторный подсчёт и прогноз массы.

Что именно сделали в пилоте

Над рабочей поверхностью закрепили DSLR‑камеру. Alpha‑Protein сняла несколько десятков фотографий с различным расположением личинок и разными фонами — цветными поверхностями, песком и загрязнениями. Изображения разметили классами, прямоугольниками и масками с помощью инструментов, среди которых в кейсе названы Segment Anything и Labelbox.

Параллельно FZI подготовил конвейер машинного обучения на открытых наборах данных и несколько предварительно обученных моделей. Затем модели дообучили на собственных размеченных изображениях компании. Для расширения обучающей выборки также создавались синтетические изображения генеративным ИИ.

Синтетика дополняла, а не заменяла реальные фотографии. Контрольный набор должен состоять из независимых снимков процесса: варианты одной сцены в обучении и тесте завысят оценку.

По данным EDIH, специалисты FZI затратили около 20 рабочих дней. Alpha‑Protein ожидала сопоставимые собственные трудозатраты с учётом продолжающейся тестовой фазы. Даже компактный эксперимент требует времени технолога на постановку задачи, съёмку, разметку и проверку ошибок.

Почему пересечения объектов — ключевой тест

Первый прототип корректно находил и оценивал массу большинства личинок, но иногда объединял тесно переплетённые объекты или пропускал их. В терминах компьютерного зрения это задача сегментации экземпляров: система должна не только определить класс пикселя, но и разделить соседние объекты одного класса.

Открытый Segment Anything строит маски по точкам и рамкам и может ускорить разметку. Однако готовая модель не отменяет доменной проверки на мелких объектах, бликах, тени, влажном субстрате и новой оптике. Разметчик исправляет границы, а технолог определяет допустимую ошибку.

Для бизнеса важен не средний показатель по всем изображениям, а отдельные срезы:

  • одиночные и пересекающиеся объекты;
  • чистый и загрязнённый фон;
  • разные плотность, размер и влажность партии;
  • стабильный и изменившийся свет;
  • штатная камера и допустимое смещение её положения;
  • обычные образцы и редкие пограничные случаи.

Если модель хороша на чистом лотке и слаба на реальном субстрате, усреднённая метрика скроет именно тот риск, который проявится в эксплуатации.

Как могла бы выглядеть промышленная архитектура

Первоисточник описывает лабораторный прототип и не утверждает, что модель уже встроена в производство или работает локально. Для промышленного переноса разумна следующая схема.

1. Камера и постоянное освещение снимают лоток в фиксированной геометрии. Кадр получает идентификатор партии, время, параметры линии и версию конфигурации камеры.

2. Сервис контроля качества проверяет резкость, экспозицию и наличие ожидаемой области. Негодный снимок не отправляется модели как будто он обычный.

3. Локальный сервис инференса строит маски, считает объекты и оценивает массу. Вместе с числом он возвращает уверенность, долю перекрытий и предупреждения о выходе за границы обучающей выборки.

4. Правила процесса сравнивают результат с допустимым диапазоном. Пограничный случай уходит оператору вместе с исходным изображением и наложенными масками.

5. Подтверждённый результат записывается в систему производства или лабораторный журнал. Исправление оператора сохраняется отдельно и может пополнить набор для следующей версии модели.

6. Версии камеры, данных, модели и порогов фиксируются. Обновление проходит теневой тест и может быть быстро отменено.

Локальный контур уместен, если линия должна работать без зависимости от интернета, изображения являются технологическими данными или задержка облачного запроса мешает циклу. Развёртывание рядом с камерой также упрощает хранение только необходимых результатов вместо бесконечного архива сырых кадров. Но источник не сообщает, где работал прототип Alpha‑Protein, поэтому приписывать ему локальное развёртывание нельзя.

Данные важнее размера модели

Для первого пилота не нужен огромный архив. Нужен небольшой, но репрезентативный набор, собранный по заранее заданной матрице условий. Несколько десятков фотографий, как в описанном проекте, подходят для проверки осуществимости, но недостаточны для доказательства устойчивости промышленного решения.

Практический набор данных должен включать:

  • правила съёмки и эталон расположения камеры;
  • словарь классов и инструкцию по спорным случаям;
  • двойную разметку части изображений для проверки согласованности экспертов;
  • отдельные партии и даты в обучении, проверке и финальном тесте;
  • метаданные о свете, фоне, плотности и состоянии образца;
  • набор намеренно сложных случаев;
  • журнал происхождения синтетических изображений.

Разделять выборку лучше по партиям или сессиям съёмки, а не случайными соседними кадрами. Иначе почти одинаковые изображения окажутся по обе стороны теста и создадут иллюзию обобщения.

Как посчитать экономику без выдуманных процентов

EDIH прямо пишет, что количественных результатов пока нет. Возможная экономия нескольких часов ручного подсчёта в неделю остаётся ожиданием, а не подтверждённым эффектом. Поэтому бюджет стоит строить как модель с явными допущениями.

Пример: лаборатория делает 25 измерений в день, ручной подсчёт и фиксация занимают по шесть минут, а сотрудник работает 22 дня в месяц. Это 55 часов. Если система после проверки человеком экономит четыре минуты в 70% измерений, она высвободит около 25,7 часа в месяц. Из ценности этих часов нужно вычесть работу по разметке, контроль камеры, обслуживание модели, оборудование и стоимость ошибок.

Решение об окупаемости принимают по четырём показателям:

  • время оператора до и после внедрения;
  • ошибка подсчёта и оценки массы на независимых партиях;
  • доля кадров, отправленных человеку из‑за низкой уверенности;
  • стоимость одного принятого измерения с учётом сопровождения.

Если процесс редкий, камера и простая полуавтоматическая разметка могут дать больше эффекта, чем постоянный инференс. Если измерение влияет на параметры линии и стоимость партии, ценность точности может оказаться выше прямой экономии рабочего времени.

Риски и ограничения

Основной риск — дрейф условий. Новый субстрат, лампа, объектив, высота камеры или размер личинок способны изменить изображение сильнее, чем ожидает модель. Поэтому конфигурация съёмки должна быть частью версии системы, а не негласной привычкой сотрудника.

Второй риск — неверный эталон. Люди тоже по‑разному разделяют пересекающиеся объекты. До обучения нужно согласовать правило и измерить расхождение разметчиков. Третий риск — слишком ранняя автоматизация действия. Пока модель не проверена на независимых партиях, она должна советовать, а не самостоятельно менять режим производства.

Наконец, лицензия инструмента не равна лицензии всего решения. Репозиторий Segment Anything опубликован под Apache 2.0, но компании всё равно нужно отдельно проверить условия наборов данных, других моделей, библиотек и синтетических материалов, которые войдут в конкретную сборку.

Практичный пилот на четыре недели

Неделя 1: выбрать одно измерение, описать допустимую ошибку и экономический смысл; зафиксировать камеру, свет и процедуру ручного эталона.

Неделя 2: собрать фотографии по матрице условий, разметить их и выделить тестовые партии, которые не участвуют в обучении.

Неделя 3: обучить базовую модель и провести теневой тест. Сотрудник считает как обычно, система работает параллельно, а результаты сравниваются только после фиксации ручного ответа.

Неделя 4: разобрать ошибки по группам, пересчитать стоимость принятого измерения и решить, что выгоднее: расширить данные, изменить оптику, оставить полуавтоматический режим или прекратить эксперимент.

Что взять руководителю

Кейс Alpha‑Protein показывает полезную последовательность: сначала выбрать измеримую операцию, затем стабилизировать съёмку и данные, и только потом оценивать модель. Отсутствие красивой финальной метрики — не провал, если пилот за 20 экспертных дней обнаружил главный пограничный случай до запуска линии. Первый управленческий шаг — не покупать «самое зрячее» решение, а принести технологу 100 сложных кадров и договориться, что именно считается правильным результатом.