Академ-АИ | Машинное зрение для умного производства

МОЛОДАЯ КОМПАНИЯ ИЗ НАУЧНОГО ЦЕНТРА

Мы создаём будущее
промышленности в Сибири

Академ-АИ: команда молодых учёных и инженеров из Академгородка Новосибирска. Мы разрабатываем и внедряем системы машинного зрения, которые помогают предприятиям повышать качество продукции, снижать брак и автоматизировать контроль.

5

направлений

Измерения по изображению, анализ позы, тепловизионная детекция, видеоаналитика персонала и анализ звука.

Академгородок

Новосибирск, Россия

Команда

Кто делает проекты

Учёные и инженеры из Академгородка Новосибирска.

Генеральный директор

Вожаков Иван Сергеевич

Кандидат физико-математических наук

Руководитель научной группы Института теплофизики СО РАН, доцент НГУ.

Директор по развитию

Чеверда Вячеслав Владимирович

Кандидат физико-математических наук

Заведующий лабораторией энергоэффективных технологий для наземных и космических применений Института теплофизики СО РАН.

Технический директор

Филиппов Михаил Витальевич

Кандидат физико-математических наук

Заведующий кафедрой интеллектуальных систем теплофизики НГУ.

Коммерческий директор

Шевелёв Владимир Витальевич

🎓

Сотрудники Института теплофизики СО РАН и Новосибирского государственного университета, а также студенты этих организаций.

Наши решения

Что мы разрабатываем и внедряем

📏

Контроль качества

Автоматическое обнаружение дефектов, трещин, сколов и отклонений по геометрии.

металлургия, деревообработка, пищевая промышленность

🛡️

Безопасность и охрана труда

Мониторинг соблюдения СИЗ, обнаружение посторонних объектов в опасных зонах, предотвращение аварий.

энергетика, машиностроение, химия

🤖

Робототехника + зрение

Системы технического зрения для промышленных роботов-манипуляторов и AGV-тележек.

сборочные линии, логистика

🔬

Измерения по изображению

Размеры, площадь и угол смачивания капель по снимкам эксперимента.

Смотреть кейс →

🧍

Анализ позы и положения тела

Ключевые точки тела по RGB-камере и камере глубины, в том числе в реальном времени.

Смотреть кейс →

🌡️

Тепловизионная детекция

Люди, животные и транспорт ночью, в дыму и через листву.

Смотреть кейс →

⏱️

Видеоаналитика персонала

Присутствие в рабочей зоне и учёт рабочего времени по камере.

Смотреть кейс →

🎧

Анализ звука

Анализ дыхания во сне по звуку.

Смотреть кейс →

Простой путь

От идеи до работающей системы

1

Аудит производства

Выезжаем на объект или проводим онлайн-анализ

2

Обучение нейросети

Собираем данные и обучаем модель под ваши задачи

3

Интеграция на Edge

Устанавливаем камеры и мини-компьютеры на линии

4

Запуск и поддержка

Сопровождаем систему после запуска

Технологии,
которые мы используем

Современные алгоритмы компьютерного зрения и искусственного интеллекта, разработанные в лабораториях Академгородка.

⚙️

YOLO

Детекция объектов в реальном времени

📡

OpenCV + NVIDIA CUDA

Обработка изображения на GPU

📟

Edge AI (Jetson Nano / Orin, Google Coral)

Работа без облака

📊

Датасеты под задачу

Собираем и размечаем данные: от 170 масок до 1000+ часов аудио

📈

Transformer-модели

Для сложного анализа сцен

🔒

Кибербезопасность

Защищённые промышленные протоколы

🧩

UNet-сегментация

Точные маски объектов размером в несколько пикселей

🦴

Оценка позы

Ключевые точки по тепловым картам, Mediapipe Pose

🎙️

VGGish + Bi-LSTM

Классификация звуковых событий

Проекты

Кейсы команды

Задача, решение и измеренный результат по каждому проекту: машинное зрение и анализ звука.

Измерения капель Положение тела Yolo Thermal Рабочее время Анализ дыхания Честный Сканер

Измерения по изображению

Измерение капель и угла смачивания

Задача

Измерять площадь и угол смачивания испаряющейся капли по кадрам эксперимента. К концу испарения капля меньше 1 мм: на снимке она занимает несколько пикселей, а фон шумный.

Решение

Нейросеть UNet (ResNet18), обученная на 170 размеченных масках, выделяет каплю, даже когда она занимает всего несколько пикселей. Оригинальный алгоритм по маске находит контур, площадь и углы смачивания.

Результат

Динамика площади и угла смачивания для лежащей, висящей и прикреплённой к стенке капли.

≤ 1%

расхождение угла смачивания с реальными данными

89%

общая точность обучения UNet на масках капель

Лежащая

Висящая

На стенке

Сверху исходный кадр, снизу маска UNet с контуром и касательными для угла смачивания.

Анализ позы

Анализ положения тела человека

Одна технология, две задачи: модель находит ключевые точки тела и по ним определяет положение и движения человека. Ниже два проекта: по камере глубины и по видео в реальном времени.

01

По камере глубины, независимо от освещения

Задача

Определять положение тела лежащего человека по данным, не зависящим от освещения.

Решение

Камера глубины (ToF) и RGB-камера снимают синхронно, Mediapipe Pose размечает RGB-кадры, а точки переносятся на изображения камеры глубины. Модель находит ключевые точки по тепловым картам, классификатор определяет позу по изображению и точкам.

Результат

Классификация положения тела по камере глубины, модель работает на Google Coral.

99,3%

accuracy классификации позы

99,4%

F1-score классификации позы

4×

меньше вес модели на Google Coral, скорость +40%

Человек на кровати: кадр RGB-камеры при синхронной съёмке — Кадр RGB-камеры

Кадр камеры глубины с истинными и предсказанными ключевыми точками тела — Камера глубины: синие точки истинные, красные предсказаны по тепловым картам, розовые прямой регрессией

Тепловые карты ключевых точек: прогноз модели и разметка — Тепловые карты ключевых точек: слева прогноз, справа разметка

02

По видео в реальном времени

Задача

Отслеживать положение тела и движения человека на видео в реальном времени.

Решение

Модель находит ключевые точки тела на каждом кадре и строит скелет движения. На примере: движения пловца.

Результат: где применяется

01Анализ техники в спорте
Ошибки в движениях спортсмена по видео
02Реабилитация и лечебная физкультура
Контроль правильности упражнений
03Эргономика и охрана труда
Опасные позы и перегрузки на рабочем месте
04Детекция падений
Сигнал при падении человека в палате или дома
05Контроль операций на конвейере
Соблюдение порядка действий оператора

Определение позы пловца: ключевые точки и скелет поверх кадра — Ключевые точки и скелет пловца в реальном времени

Безопасность

Yolo Thermal: детекция на тепловизионном видео

Задача

Обнаруживать людей, животных и транспорт на охраняемом участке и управлять доступом ночью, в дыму и через листву.

Решение

Yolo Thermal: детектор для тепловизоров на базе YOLO, дообученный под задачу. Видеопоток с камеры анализируется, система открывает или закрывает доступ. Работа через Telegram-ботов: пользователь добавляется в базу по видео, бот проверяет открытие дверей и показывает время каждого объекта в кадре. Интеграция с умным домом по MQTT.

Результат

Детекция объектов на охраняемом участке и контроль доступа по тепловизору.

> 94%

точность детекции объектов на охраняемом участке

< 6%

ложных срабатываний

> 97%

распознавание зарегистрированных пользователей, полнота > 96%

Тепловизионный кадр лица: доступ закрыт, пользователя нет в базе — Доступ закрыт: пользователя нет в базе

Telegram-бот контроля доступа с тепловизионными кадрами — Контроль доступа через Telegram-бота

Telegram-бот анализа видео: люди, животные и транспорт, время объектов в кадре — Анализ видео: люди, животные и транспорт, время каждого объекта в кадре

Видеоаналитика персонала

Контроль рабочего времени

Задача

Учитывать время присутствия сотрудников на рабочем месте по обычной камере.

Решение

Система находит людей в кадре камеры, проверяет попадание в рабочую зону у компьютера и автоматически считает время присутствия.

01Размечается рабочая зона в кадре
02Статус каждого: на месте или вне зоны
03Учёт времени и тепловая карта за период

Результат

Учёт рабочего времени без ручных отметок. Посетители и проход вне зоны в учёт не входят.

Кадр видеоаналитики: сотрудники в рабочей зоне выделены зелёным, посетитель красным — Демонстрация на видео из открытого датасета, запись 6:41

Тепловая карта присутствия в офисе за период — Тепловая карта присутствия за период

Сотрудник в рабочей зоне выделен зелёным, посетитель вне зоны красным — Сотрудник в зоне учитывается, посетитель нет

Анализ звука

Анализ дыхания по звуку

Задача

Находить нарушения дыхания во сне по записи с микрофона.

Решение

Признаки звука извлекает предобученная нейросеть VGGish, классификатор Bi-LSTM определяет, есть ли нарушение дыхания во фрагменте записи.

Данные

Записи 203 человек, более 1000 часов аудио: датасет PSG-Audio и записи микрофона в клиниках.

Результат

Метрики на тестовых данных:

0,87

accuracy

0,91

precision

0,84

recall

Схема модели: аудиосигнал, признаки VGGish, классификатор Bi-LSTM — Схема: VGGish и Bi-LSTM

Синхронные сигналы сна из датасета PSG-Audio, включая звук дыхания — Сигналы из датасета PSG-Audio

Мобильное приложение

Честный Сканер: QR и Data Matrix

Задача

Быстро сканировать любые коды в повседневной жизни и проверять маркированные товары в одном приложении.

Решение

Приложение для Android объединяет QR-ридер и помощника для проверки маркировки «Честный ЗНАК».

01Считывает коды Data Matrix на лекарствах, молочной продукции, обуви, одежде, воде и других товарах
02Распознаёт QR-коды: ссылки, контакты, настройки Wi-Fi, текст и кассовые чеки
03Определяет товар по GTIN в открытых базах: название, бренд, фото, состав, аллергены, а для продуктов питания калории, белки, жиры, углеводы и Nutri-Score

Результат

Приложение опубликовано в RuStore. Если товара нет в базах, показываются данные из самого кода маркировки: GTIN, серийный номер, срок годности и партия. Все сканы сохраняются в локальной истории.