Технологии компьютерного зрения для идентификации контейнеров и ж/д вагонов в порту Барселоны

Компания/Заказчик:
Порт Барселоны
Консалтер/Интегратор:
AllRead
География:
Испания
Период проекта:
Проект стартовал в начале 2020 года и был завершен в феврале.
Отрасли:
Транспорт, перевозки, логистика, склад
Области управления бизнеса:
безопасность, охрана, учет, документооборот, эксплуатация, управление инфраструктурой
Решаемые бизнес-задачи:
Идентификация вагонов, Идентификация контейнеров, Мониторинг
Идеологические платформы и тренды:
Компьютерное зрение, Машинное обучение
Источник изображения:
https://www.allread.ai/en/latest-news/allread-port-barcelona-use-artificial-intelligence-identify-containers-wagons/
Исходная проблема, вызов, идея

Идея проекта возникла в связи с задачей, поставленной портом Барселоны - автоматической идентификации контейнеров и вагонов, въезжающих на территорию порта, с помощью технологии компьютерного зрения. Цель заключалась в достижении максимальной точности считывания без необходимости установки крупной дополнительной инфраструктуры, такой как стальные порталы с многочисленными камерами и оборудованием.

Принцип решения

Использование машинного обучения

Описание кейса

Проект использования технологии компьютерного зрения для идентификации контейнеров и ж/д вагонов в порту Барселоны стартовал в начале 2020 года и был завершен в феврале.

Решение AllRead MLT от одноименного стартапа, специализирующегося на ПО для компьютерного зрения, было основано на двух камерах на одной из железнодорожных линий на терминале Hutchison Ports BEST.

В рамках пилотного проекта было проанализировано 950 поездов и 13 500 контейнеров. Решение полностью обеспечило идентификацию кодов контейнеров и вагонов, вертикальных, горизонтальных или комбинированных, в т.ч. тогда, когда оборудование было грязным, сломанным или частично закрытым. При дальнейшей обработке стало возможным создать карту поезда, определив взаимосвязи между вагонами и контейнерами. Испытания проводились как днем, так и ночью, чтобы проверить работу системы в условиях недостаточной освещенности.

Результат

В рамках пилотного проекта с помощью компьютерного зрения были проанализированы 950 поездов и 13 500 контейнеров. Достигнут уровень точности идентифицированных активов - 99% .

Ссылки на источники