Интерфейс предиктивной разметки фото ЛЭП
Повышение требований потребителей к надежности электроснабжения на фоне продолжающегося увеличения физического износа всех элементов ВЛ. Сегодня необходимо более быстро реагировать как на зарождающиеся дефекты и нарушения условий эксплуатации трас...

Задача
Мониторинг линий электропередачи опирается на фотофиксацию инфраструктуры: опор, проводов, изоляторов, арматуры. Перед обучением моделей машинного зрения тысячи снимков нужно разметить вручную, что медленно, дорого и утомляет разметчиков, снижая качество аннотаций к концу смены. Заказчику требовался инструмент, который ускорит разметку фотографий объектов ЛЭП и снимет с человека рутинную часть работы, сохранив контроль качества за специалистом.
Решение
Мы разработали интерфейс предиктивной разметки фотографий ЛЭП. Система не заменяет разметчика, а помогает ему: на каждом снимке она заранее проставляет предсказанную разметку объектов инфраструктуры, а человеку остаётся проверить и поправить, а не размечать с нуля. Такой режим AI-assisted аннотации резко сокращает объём ручной работы, оставляя итоговое решение за специалистом и не жертвуя точностью датасета.
Технологии
В основе интерфейса лежит модель предварительной разметки, которая распознаёт элементы инфраструктуры ЛЭП на фото и предлагает аннотации. Предсказания подаются в интерфейс как редактируемые объекты: разметчик подтверждает, корректирует или удаляет их. Цикл устроен так, что подтверждённые аннотации возвращаются в обучение, повышая качество предразметки от партии к партии.
Результат
Предиктивная предразметка снижает объём ручного труда аннотатора: вместо разметки каждого объекта с нуля специалист работает в режиме проверки и правки. Это ускоряет подготовку обучающих выборок для моделей мониторинга ЛЭП и удешевляет масштабирование разметки на большие массивы фотографий. Контроль качества остаётся за человеком, а интерфейс берёт на себя механическую часть процесса.
Похожие кейсы
Машинное зрение
Разбор технических чертежей: 3,2 секунды на чертёж и точность 97%
Партнёрский промышленный кейс на базе Z-brain: компьютерное зрение находит на PDF-чертеже основную надпись, размеры и допуски, модель извлекает параметры детали и отдаёт их в CSV и ERP. Разбор одного чертежа занимает 3,2 секунды, точность извлечения 97%.
Машинное зрение
Машинное зрение + LLM на промышленном объекте: выявлены хищения в пилоте
Юнипро: контроль ввоза/вывоза транспорта и строительных работ на энергетическом объекте: машинное зрение, Large Vision Model и LLM. В пилоте выявлено 4 несанкционированных вывоза материалов, предотвращённый ущерб превысил стоимость проекта.
Машинное зрение
Разработка модели по распознаванию и выделению контентной части документа
На вход системе подается набор однообразных документов. Необходимо построить систему, которая сможет заполнять электронную версию этих документов с высокой точностью. Требуется построить как средство разметки, так и модель распознаванию, основанну...