1. AI-решение для прикладной астрометрии на базе компьютерного зрения Object Detection (YOLOv8 OBB).
Разработал и внедрил решение по детекции звёзд на экспонированных кадрах оптикоэлектронного устройства:
● Подготовил низкоуровневый датасет и подобрал оптимальную архитектуру на базе yolo, обучил c помощью предобученной сети, установив для вывода результата оптимальное значение метрики IoU, удовлетворяющее заказчика.
● Реализовал алгоритм вычисления средней яркости объектов для их автоматической фильтрации на основе статистики, а также интегрировал модель в графический интерфейс с поддержкой постобработки кадров в случае ручного вмешательства.
Ключевые достижения:
● Обучил и внедрил систему автоматической детекции и разметки звезд на астрометрических снимках.
● Решение определяет координаты, яркость и геометрию объектов, сократив время обработки на 60% и минимизировав ошибки ручного ввода, тем самым повысив KPI сотрудников отдела на следующий квартал.
● Дополнил систему интуитивным GUI, упростившим взаимодействие для пользователей.
Технологии: Python, ultralytics, YOLOv8, OpenCV, numpy, data augmentation, git.
2. Сегментация пространств и объектов с аэрофотосъёмки Semantic Segmentation (U-Net).
● Реализовал решение по семантической сегментации изображений с БПЛА для выделения полей, деревьев, дорог и других пространств.
● Получил размеченный командой датасет для обучения, подготовил и предобработал данные, обучил модель U-net. Результаты оценивались с использованием основных метрик.
Ключевые достижения:
● Модель автоматически выделяет ключевые классы объектов на аэрофотоснимках.
● Решение позволяет проводить количественный анализ пространств и объектов; устойчиво к масштабированию и дальнейшего жизненного цикла.
Стек: Python, PyTorch, OpenCV, U-Net, Git.
