Установка требований к испытанию алгоритмов обнаружения и распознавания дорожных знаков
Создание тестовых наборов данных для испытания алгоритмов обнаружения и распознавания дорожных знаков, обнаружения и распознавания препятствий, обнаружения и реконструкции структуры перекрёстков, контроля обочины и полосы движения, прогнозирования...
Задача
Алгоритмы обнаружения и распознавания дорожных знаков применяются в системах помощи водителю и автономного транспорта, где цена ошибки высока. Перед внедрением такие алгоритмы нужно объективно испытывать, но единого, формализованного набора требований к процедуре испытаний у заказчика не было. Без чёткого технического регламента результаты тестов разных команд несопоставимы, а доказать соответствие алгоритма заданному уровню качества невозможно.
Решение
Мы подготовили техническое задание на установку требований к испытанию алгоритмов обнаружения и распознавания дорожных знаков. Документ формализует, что и как проверяется: какие классы знаков охватывает тест, в каких условиях съёмки проводятся испытания, какие метрики качества обнаружения и распознавания фиксируются и какие пороговые значения считаются приёмлемыми. Регламент задаёт единые правила игры для разработчиков и для приёмки.
Технологии
Техническое задание описывает методику испытаний: формирование репрезентативной выборки сценариев, сценарии освещённости и погоды, критерии полноты и точности распознавания. Заданы метрики качества для двух стадий, обнаружения знака в кадре и его классификации, а также протокол прогона и фиксации результатов. Требования сформулированы так, чтобы испытание было воспроизводимым и не зависело от конкретной реализации алгоритма.
Результат
Заказчик получил формализованный регламент испытаний, по которому можно объективно и воспроизводимо оценивать любой алгоритм распознавания дорожных знаков. Единые требования делают результаты разных тестов сопоставимыми и дают основу для приёмки решений по понятным критериям. Это снимает субъективность из процесса проверки и задаёт измеримую планку качества перед внедрением.
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...