Від навчального завдання до інновації: як команда Таїсії Приходько створила систему виявлення дефектів дерев

Штучний інтелект часто асоціюється з великими лабораторіями, складними алгоритмами та комерційними продуктами. Але інновації нерідко починаються з простих спостережень і бажання перевірити, чи можна зробити звичну роботу кращою.

Читайте также: «Мене так просто не позбудешся». Як перша ШІ-актриса розлютила Голлівуд та чи зможе вона отримати Оскар

Саме так з’явився проєкт Таїсії Приходько, який став прикладом практичного використання технологій у сфері екології та виробництва. Головний фокус системи – на ранній діагностиці стану дерев перед обробкою. Замість боротьби з наслідками, розробка дозволяє попереджати проблеми. Зокрема аналіз стану листя дозволяє виявляти загрози на етапі, коли їх ще можна ефективно усунути.

Далі у матеріалі – поетапна історія розвитку проєкту: від перших ідей до тестувань, а ще інсайти про головні труднощі та робочі лайфхаки, які допомогли Таїсії перетворити університетське завдання на повноцінну систему.

Таїсія Приходько

ㅤ Новини компаній ㅤ

1 ЕТАП.
Початкова ідея: бачити те, що люди не помічають

У 2022 році студентка КПІ ім. Ігоря Сікорського Таїсія Приходько обирала тему курсового проєкту з комп’ютерного зору. Кілька тижнів вона шукала проблему, яка виглядала б буденно, але мала велике значення для екології та економіки. Так вона дізналась про величезні втрати деревини на деревообробних підприємствах через пізнє виявлення хвороб дерев.

Традиційно якість матеріалу оцінюють уже після вирубки, коли оператори вручну оглядають сировину. Таїсія вирішила діяти на випередження та використовувати листя дерев як індикатор стану всієї рослини. Адже стан листя напряму розказує про якість деревини на наступних етапах: хвороба, яку вчасно не помітили на кроні, згодом руйнує структуру стовбура, роблячи його непридатним для виробництва.

Таїсія вирішила застосувати підхід машинного зору саме тут: навчити комп’ютер розпізнавати плями, знебарвлення та текстурні зміни на листі, які сигналізують про початок хвороби, коли дерево ще можна врятувати.

«Мене зацікавила сама ідея: якщо машина може розпізнавати обличчя або номери авто, чому б не навчити її бачити дефекти деревини?» – згадує вона.

2 ЕТАП.
Збір даних: університет стає мінілабораторією

Наступним етапом став збір даних – ключова, але найскладніша частина будь-якого AI-проєкту. Готових дата-сетів не було, тому команда створювала власний. Таїсія разом із колегами самостійно робила знімки листя дерев, збираючи зображення власноруч у найрізноманітніших локаціях.

Особливу увагу приділили умовам зйомки, тому фотографували при різному освітленні, під різними кутами та в різну погоду. Це було важливо, щоб у майбутньому модель могла стабільно працювати в полі, а не лише в ідеально освітленій лабораторії.

Кожне зображення ретельно маркували, розділяючи здорове листя та різні типи пошкоджень чи хвороб. Так з’явилася база з понад 800 унікальних фотографій, які стали фундаментом для тренування нейромережі.

«Було складно через монотонність та тривалість самого процесу, – розповідає Таїсія. – Усе доводилося робити вручну: кадрування, підписування, перевірку якості. Але саме на цьому етапі ми зрозуміли, наскільки важливою є чистота даних».

3 ЕТАП.
Перший прототип: навчити алгоритм бачити структуру

Після збору даних команда обрала базову архітектуру нейромережі, орієнтовану на класифікацію зображень. Модель навчали у середовищі Python, використовуючи бібліотеки TensorFlow та OpenCV. Головним завданням було навчити систему аналізувати саме зображення листя, виокремлюючи корисну інформацію з візуального шуму.

Читайте также: Талановитий монтажер у голові. Дофамін формує ілюзію часу, розділяючи життя на окремі глави

Початкові результати були скромними: алгоритм правильно визначав дефекти лише у половині випадків. Але вже після кількох циклів тренувань точність зросла до 82%, а система почала впевнено виділяти ділянки, що відрізняються за текстурою або кольором. Це підтверджувало те, що штучний інтелект здатний фіксувати ранні ознаки хвороб, які людське око може пропустити на початкових етапах.

«Ми не прагнули створити комерційний продукт, – пояснює Приходько. – Це дослідження допомогло перевірити, чи здатна навіть проста модель навчитися на маленькому наборі даних. Результат перевершив очікування».

4 ЕТАП.
Тестування: від навчальної моделі до реальної перевірки

Після того як команда отримала перші стабільні показники роботи моделі, вона перевірила алгоритм на реальних зображеннях. До проєкту долучили знайомих із деревообробного підприємства, які надали нові фото листя, зібрані з багатьох джерел.

Виявилося, що навіть за непостійного освітлення й різного фону модель здатна розпізнати більшість ознак хвороби або дефектів листя. Система виявила до 70% пошкоджень, які під час звичайної людської візуальної оцінки залишилися непоміченими.

Це стало підтвердженням того, що навіть базові технології можуть доповнити людський контроль і скоротити втрати сировини. 

5 ЕТАП.
Оптимізація: як зробити технологію зрозумілою

Після успішного тестування команда сфокусувалася на зручності використання. Для цього створили простий інтерфейс із кількома функціями: сповіщення про ознаки хвороби або пошкодження, кольорове маркування підозрілих ділянок та автоматичне збереження результатів аналізу в базі.

Завдяки цьому система стала зрозумілою для користувачів без спеціальної технічної освіти (зокрема й у виробничому контексті). Процес максимально спростили: людина завантажує фото листя, а алгоритм миттєво «підсвічує» зони, що потребують уваги.

Під час демонстрації на факультеті проєкт отримав схвальні відгуки викладачів і кількох представників деревообробних компаній. Вони відзначили, що технологія може скоротити кількість відходів і зменшити навантаження на працівників, відповідальних за сортування.

6 ЕТАП.
Результати проєкту

Попри те, що розробка залишилася в рамках навчального завдання, її ефект вийшов за межі університету. Головним висновком проєкту став чіткий зв’язок – раннє виявлення хвороб через аналіз листя дозволяє рятувати дерева ще до того, як зміни стануть незворотними. Це значно покращує якість сировини та мінімізує відходи на етапі виробництва, оскільки підприємства отримують здорову деревину з правильною структурою.

Учасники команди передали код і базу зображень до відкритого репозиторію, щоб інші студенти та дослідники могли продовжити роботу.

Для самої Таїсії цей досвід став підтвердженням того, як технології можуть вирішувати прикладні, навіть екологічні задачі. Проєкт довів, що інновації не завжди починаються з великих інвестицій. Іноді достатньо уважності, системного підходу і кількох сотень рядків коду, щоб створити рішення з користю для довкілля.

Читайте также: Не відходи, а фільтр. Австралійські вчені знайшли спосіб перетворювати евкаліптову кору на активоване вугілля

ㅤ Новини компаній ㅤ