Технология компьютерного зрения для автопарков и онлайн-техосмотров

1. Вводная задача от заказчика, проблематика, цели

Компания-заказчик столкнулась с типичной для крупных автопарков проблемой: процесс технического осмотра техники занимал слишком много времени и напрямую влиял на операционную эффективность бизнеса. Ограниченное количество инспекторов не успевало обрабатывать растущий поток автомобилей, из-за чего возникали очереди, простои и задержки выхода транспорта на линию.

Дополнительную сложность создавал человеческий фактор. Визуальная оценка состояния автомобиля зависела от внимательности конкретного специалиста, а часть повреждений оставалась незамеченной. Это приводило к штрафам, незапланированным ремонтам, спорным ситуациям со страховыми случаями и росту эксплуатационных затрат.

Перед командой НооСофт стояла задача создать систему, которая позволит автоматизировать процесс внешнего техосмотра, ускорить проверку автомобилей и обеспечить единый стандарт оценки состояния техники. Решение должно было работать без увеличения штата сотрудников, интегрироваться в корпоративную инфраструктуру заказчика и сохранять высокую точность распознавания повреждений даже в условиях нестабильного освещения, разных ракурсов и ограниченных вычислительных ресурсов.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Проект начался с разработки концепции цифрового техосмотра, где ключевую роль играло компьютерное зрение. Команда NooSoft поставила перед собой задачу заменить субъективную визуальную оценку алгоритмическим анализом изображений, способным стабильно фиксировать повреждения автомобилей независимо от человеческого фактора.

Одной из первых сложностей стало отсутствие готового датасета для обучения модели. Изображения коммерческого транспорта, включая «ГАЗели» и «ГАЗоны», практически отсутствовали в открытых источниках в нужном объёме и качестве. Поэтому команда самостоятельно формировала обучающую выборку, используя фотографии из открытых источников, включая Avito и Kaggle, а также вручную размечая данные через MakeSense.AI.

Итоговый датасет включал около 3200 изображений. Чтобы повысить устойчивость модели к реальным условиям эксплуатации, была проведена масштабная аугментация данных:

• изменение яркости и контрастности;
• шумы и размытия;
• отражения и блики;
• изменение углов съёмки;
• масштабирование и обрезка изображений.

Это позволило подготовить модель к работе в нестандартных условиях: плохому освещению, теням, различным положениям камеры и частично закрытым объектам.

Архитектура системы была построена как отдельный модуль, интегрируемый в ERP-инфраструктуру заказчика через API и RabbitMQ. Пользовательский сценарий максимально упростили: водитель делает фотографии автомобиля с нескольких ракурсов, после чего изображения автоматически отправляются в обработку.

Технический пайплайн решения включает несколько этапов:

1. детекцию ключевых элементов автомобиля;

2. классификацию состояния деталей;

3. агрегацию результатов в единый цифровой отчёт.

Для поиска и выделения объектов на изображении использовалась модель YOLO, которая позволяет быстро определять:

• фары;
• зеркала;
• стёкла;
• двери;
• бамперы;
• номерные знаки;
• другие контрольные элементы автомобиля.

После этого изображения передавались классификатору на базе модифицированной ResNet, определяющему наличие и тип повреждений:

• вмятины;
• трещины;
• сильные царапины;
• отсутствие элементов;
• повреждение пластиковых деталей.

На завершающем этапе система объединяла результаты анализа с разных ракурсов и формировала JSON-ответ для интеграции в корпоративную платформу автопарка.

Отдельное внимание команда уделила масштабируемости решения. Архитектура изначально проектировалась таким образом, чтобы систему можно было легко дообучать под новые марки автомобилей, типы техники и сценарии использования — от предрейсовых осмотров до страховых и сервисных кейсов.

3. Результаты сотрудничества

По итогам тестирования и пилотного внедрения система продемонстрировала высокую эффективность как с технической, так и с бизнес-стороны.

Ключевые результаты проекта:

• сокращение времени проверки одного автомобиля до 1–2 минут;
• ускорение процесса техосмотра примерно в 10 раз;
• увеличение пропускной способности специалистов в 3–5 раз без расширения штата;
• точность распознавания повреждений на уровне до 90%;
• снижение количества пропущенных дефектов и спорных ситуаций.

Дополнительно заказчик получил прозрачный цифровой контур контроля состояния автопарка, в котором каждая проверка фиксируется и сохраняется в единой системе. Это позволило сократить простои транспорта, ускорить выпуск автомобилей на линию и сформировать единый стандарт оценки технического состояния техники независимо от человеческого фактора. Архитектура решения также обеспечила возможность дальнейшего масштабирования системы на другие типы транспорта и новые сценарии эксплуатации.

В результате процесс техосмотра перестал быть узким местом операционной деятельности и превратился в полноценный управляемый цифровой процесс с прогнозируемым качеством, скоростью и прозрачностью для бизнеса.