ru en

Мои проекты


Датасет для инстанс-сегментации гранул минеральных удобрений
CVAT example
Пример разметки гранул

Описание

Создана открытая и коммерческая версии датасета с изображениями гранул минеральных удобрений для обучения нейросетевых моделей инстанс-сегментации. Научная работа с описанием данных подана на конференцию ICML 2025.

Технологии: Computer Vision, CVAT, PyTorch, Python, OpenCV, FastAPI, Flask, Nginx.

Ссылки
  1. Сервис - будет доступен после опубликования научной работы
  2. GitHub - будет доступен после опубликования научной работы
Дополнительные участники
  1. Юновидов Д.В. - автор и идеолог, главный разработчик и программист, разметка
  2. Ndukwe Ikechi - инженер данных, написание текста научной работы, разметка
  3. Юновидова Е.Е. - web-разработчик, публикация сервиса, разметка
Приложение, сервис и ансамбль моделей распознавания номерных знаков машин
car plate 1 car plate 2
Пример работы проекта в телеграм боте

Описание

Цель настоящего проекта - показать полный цикл разработки системы компьютерного зрения. В результате получилось создать мини-приложение в телеграмм, которе может запомнить место парковки автомобиля. Финальная часть проекта была разработана в рамках хакатона TON x ETH Belgrade.

Проект состоит из следующих модулей:
  1. Нейронная сеть для сегментации области номера автомобиля (часть 1/3)
  2. Нейронная сеть для распознавания символов из области номера автомобиля (OCR, часть 2/3)
  3. API сервис, объединяющий работу двух моделей (часть 3/3)
  4. Пример использования всех 3 частей в телеграм-боте (в рамках хакатона)


Для теста API используйте следующие данные: john_smith nfq2hl5ty39bvcgxal

Технологии: Computer Vision, CVAT, OCR, Segmentation, CI/CD, MLOps, PyTorch, Python, OpenCV, FastAPI, Nginx, DVC, Pytest, ONNX, Docker, Dependency Injector

Ссылки
  1. API Сервис
  2. GitHub

Дополнительные участники
Ниже приведен список участников хакатона TON x ETH Belgrade (4ая часть проекта):
  1. Юновидов Д.В. - разработчик, автор и идеолог
  2. Юновидова Е.Е. - веб-разработчик, дизайнер
  3. Хасанова В.З. - project-manager
Сервис и модель многоклассовой классификации спутниковых снимков
Amazon forest 1 Amazon forest 2
Пример работы проекта для определения легальных/не легальных шахт и пример типичного тайла для нейросети

Вывод json для приведенного тайла (тип изображения и вероятности в долях единицы):
  {
    "primary": 0.9996139407157898,
    "cloudy": 0.9987779855728149,
    "partly_cloudy": 0.9978551864624023,
    "water": 0.015077352523803711,
    "agriculture": 0.014799944125115871,
    "road": 0.006275194231420755,
    "cultivation": 0.003983434289693832,
    "blow_down": 0.001087745069526136,
    "bare_ground": 0.0008568777120672166,
    "clear": 0.0004581456305459142,
    "slash_burn": 0.0004100436926819384,
    "habitation": 0.00034076423617079854,
    "selective_logging": 0.00032725848723202944,
    "blooming": 0.00027702274383045733,
    "haze": 0.00023074859927874058,
    "conventional_mine": 0.00014223616744857281,
    "artisinal_mine": 7.872955393395387e-06
  }
  

Описание

Это тренировочный проект для определения класса спутникового изображения. В результате получилось обучить модель многоклассовой классификации и создать API-сервис. Проект состоит из следующих модулей:
  1. Нейронная сеть для многоклассовой классификации (часть 1/2)
  2. API сервис, для взаимодействия с моделью (часть 2/2)

Для теста API используйте следующие данные: john_smith nfq2hl5ty39bvcgxal

Технологии: Computer Vision, Multi-label Classification, CI/CD, MLOps, PyTorch, Python, FastAPI, Nginx, DVC, Pytest, ONNX, Docker, Dependency Injector.

Ссылки
  1. API Сервис
  2. GitHub модель
  3. GitHub API Сервис
WEB система получения климатических и СО2 данных
co2 data
Карта всех использованных наземных станций по определению уровня СО2 (2007-2021 гг)

Описание

Web программа, написанная на python в jupyter notebook для получения CO2 и климатических данных по заданным координатам. Это мой тестовый проект для презентации навыком работы в геоданными и запуском макетов jupyter приложений.

Технологии: jupyter, Python, pandas, geopandas, matplotlib, numpy, ipywidgets, voila, Nginx.

Ссылки
  1. GitHub
Стартап ООО LogicYield
LY
Логотип стартапа, основан в 2022 году

Описание

В рамках работ с минеральными удобрениями и компьютерным зрением был создан стартап "Лоджик Илд", занимающийся разработкой программно-аппаратных комплексов для промышленного производства. Можем использовать их для динамического контроля гранул и встраивать свое API в любую информационную систему завода (PISystem, dataPARC, и т.д.)!

Ссылки
  1. ООО "Logic Yield"

Дополнительные участники
  1. Хасанова В.З. - генеральный директор
  2. Юновидов Д.В. - сооснователь, инженер-программист
  3. Юновидова Е.Е. - сооснователь, программист-технолог
  4. Бахвалов А.С. - инженер
  5. Юновидов В.Ю. - инженер-наладчик
  6. Ndukwe Ikechi - стажер, ML-инженер
Роботизированный программно-аппаратный комплекс анализа гранул ПАК DotPulse
DotPulse DotPulse
Роботизированная система оптического контроля гранул и пример распознавания гранул

Описание

Устройство предназначено для анализа сыпучих материалов с фракциями от 1 до 100 мм с получением оптико-электронных изображений. Анализируемые физические свойства: линейный размер гранулы, форма гранулы и цвет гранулы (детектирование не менее 90% гранул, относительная погрешность между параллельными измерениями 3.3 % для фракции 2-5 мм). Возможность работы в разных спектральных диапазонах (УФ, видимый, ИК).

Технологии: Computer Vision, Instance Segmentation, CI/CD, MLOps, PyTorch, Python, OpenCV, FastAPI, Nginx, DVC, Pytest, ONNX, Docker, Dependency Injector

Ссылки
  1. Описание на сайте компании
Анализ минеральных удобрений по технологии "отпечатка пальца" (ЭД РФА прессованных гранул)
analysis and identification of the fertilizer manufacturer
Анализ и идентификация производителя минеральных удобрений по "отпечаткам пальцев": a) внешний вид ПО с кластерами производителей и брендов минеральных удобрений; b) готовый к идентификации объект (прессованные гранулы на подложки из борной кислоты).

Описание

Обеспечение экспресс-идентификации минеральных удобрений по производителю и "стандартности" с использованием рентгенофлуоресцентного анализа (РФА):
  1. определение производителя удобрения по РФА спектру
  2. определение стандартности удобрения по РФА спектру
  3. автоматизация анализа с использованием собственного программного обеспечения
  4. составлена методика работы для идентификации неизвестного удобрения
  5. предложено инструментальное сопровождение разработанного подхода

Технологии: PyQt5, k-means, $\chi^2$, openCV, matplotlib.

Ссылки
  1. Конференция III Всероссийская конференция по аналитической спектроскопии с международным участием
  2. Конференция Математическое и компьютерное моделирование в науке о материалах

Дополнительные участники
  1. Юновидов Д.В. - разработка идеи, написание программного обеспечения и разработка проекта
  2. Бахвалов А.С. - предоставление ЭД РФА спектрометров
Система видеомониторинга физических свойств гранул на базе USB микроскопа
image from optical USB microscope Пример исследования слеживаемости касающихся гранул

Описание

Разработан программно-аппаратный комплекс, который позволяет наблюдать, записывать и анализировать микроскопические объекты во времени (цвет, поверхность касания, отражения и т.д.). Исследования проводились с гранулами минеральных удобрений при нормальных условиях и в климатической камере.

С использованием данного ПАК удалось наглядно запечатлеть действие "кольцевой поры" (накопление влаги в месте контакта двух гранул с формой, близкой к сферической).

Технологии: PyQt5, OpenCV

Научно-испытательный центр "Технология контроля"
RTC before RTC after
Лаборатория в Череповецком Государственном Университете для работы с ESG и искусственным интеллектом в экологии и химической технологии (до и после)

Описание

Разработан и реализован проект научно-испытательного центра на базе кафедры химических технологий Череповецкого Государственного Университета (ЧГУ) для обеспечения независимого контроля качества промышленно производимой продукции с акцентом на международные методики и рекомендации. Тематика работ: ESG, искусственный интеллект, физико-химические методы контроля.

Проект был разработан и реализован лично мной с нуля и прошел утверждение на научно-техническом и ученом совете ЧГУ.

Ссылки
  1. 1 место в корпоративном конкурсе "Молодой руководитель" АО "Аппатит" и 3 место по всей корпорации "ФосАгро"

Дополнительные участники
  1. Юновидов Д.В. - проработка и реализация проекта. Ведущий сотрудник
  2. Целикова Е.В. - проректор по научной работе ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
  3. Калько О.А. - зав. каф. химических технологий ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
  4. Аксенчик К.В. - доцент кафедры Химических технологий ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
Модификация параметра "солевой индекс" для минеральных удобрений
SI soft SI corr
Пример программы для расчета солевого индекса удобрений по табличным данным и корреляции СИ в зависимости от содержания химического элемента.

Описание

Проведена модификация существующего параметра для оценки солевого эффекта удобрений (насколько сильно они поглощают влагу из почвы и посевов).

В производственной и научной литературе для оценки солевого эффекта минеральных удобрений существует параметр "солевой индекс" (СИ). Однако данный критерий, предложенный Д. Мортведом в 1943 году, уже устарел и не является информативным. С годами возникла сильная путаница при определении СИ (осмотическое давление почвенных растворов, проводимость почвенных растворов, проводимость растворов на воде и т.д.).

Было принято решение модифицировать данный параметр с учетом современных требований и сделать его расчет более точным и представительным. Дополнительной задачей являлось обеспечение возможности экспериментального расчета солевого индекса (для более представительного расчета и возможности аттестации методики измерений).

Параметр отражает проводимость почвенных растворов удобрений и согласно литературным данным является аддитивной величиной. Он может быть рассчитан по табличным данным для основных компонентов удобрений (в общем случае их содержание превышает 10 мас. %). Мы поставили под сомнение такую трактовку СИ и доказали, что даже небольшие примесные соединения в минеральных удобрениях могут оказывать значимое влияние на осмотическое давление в растворе (от 1 мас. %).

Ссылки
  1. Программное обеспечение "Salt Index Calculator"
  2. Проект отраслевой методики измерений для АО "НИУИФ"
  3. Методическое учебное пособие кафедры Химических Технологий Череповецкого Государственного Университета

Дополнительные участники
  1. Юновидов Д.В. - написание программного обеспечения и разработка проекта
  2. Надежин М.Н. - помощь в написании программного обеспечения, проведение ряда экспериментов
  3. Соколов В.В. и Абрамова О.А. - помощь в реализации методики измерений
  4. Аксенчик К.В. - редакция текста методички, помощь в издании
ЭД РФА анализ минеральных удобрений с поправкой на оптическое детектирование частиц порошков
combined optical and ED XRF analysis Принцип комбинированного оптического и рентгенофлуоресцентного анализа минеральных удобрений.

Описание

Проведение комплексного экспресс-анализ минеральных удобрений на физические и химические свойства (явные и неявные, такие как содержание азота, фракционный состав и проведение предварительной сушки).

Работа легла в основу диссертационной монографии. Были предложены статистические способы обработки большого массива физико-химических данных (порядка 500 объектов и 30 свойств) для расчета качества промышленно производимых минеральных удобрений. Данные свойства могут изменяться в широких диапазонах и измеряются в неявном виде с помощью комбинированного ЭД РФА и оптического метода анализа (компьютерное распознавание изображения крупности порошков и поверхности прессованных проб). Исследовано качество и параметры работы алгоритмов многомерной регрессии и классификации с минимальной "ручной" подготовкой данных.

Результаты предсказания физических и химических свойств минеральных удобрений:

N P K S Фракция Сушка
Диапазон значений [0; 16] мас. % [15; 52] мас. % [0; 20] мас. % [0; 20] мас. %
гранулы насыпью,
Прессованные: гранулы,
порошок < 500 мкм,
порошок < 100 мкм
[0, 1]
Классификация, F-мера (%)
Лин-ая 99.31 99.78 99.59 99.56 92.40 72.94
Лин-ая с L1
99.65 99.78 99.57 98.87 92.51 73.08
Лин-ая с L2 99.65 99.78 100.0 98.99 91.33 68.46
Случ. лес 100.0 100.0 100.0 98.99
98.40 73.37
Маск. знач-ий
параметр
Cl (15.56)
Ca (17.04) Cl (14.31) Ca (20.47) площадь контура (25.70)
P (11.49)
Регрессия, среднее абсолютное отклонение (мас. %)
Лин-ая 0.39 1.12 0.29 0.70 - -
Лин-ая с L1 0.60 1.32
0.42 1.04 - -
Лин-ая с L2 0.36
1.11
0.29 0.70 - -
Маск. знач-ий
параметр
K (20.19) Sr (20.17) площадь фоновой
линии (25.44
K (17.46) - -


Ссылки
  1. Конференция III Всероссийская конференция по аналитической спектроскопии с международным участием
  2. Конференция 11th Winter Symposium on Chemometric
  3. Конференция INTERM 2018" conference
  4. Научная статья в журнале Acta Physica Polonica A
  5. Моя диссертация на соискание степени кандидата технических наук
  6. Патент на полезную модель
Методики физико-химического контроля
techniques
Пример использования скорректированного аналитического сигнала после многомерной регрессии для определения фтора в AlF3 (ED XRF)

Описание

Были разработаны и аттестованы на отраслевом и государственном уровне 7 методик для анализа промышленных объектов согласно РМГ 61-2010.

Разработанные методики:
Название методики Основной метод Диапазон измерений,
мас. %
Показатель относительной
точности ±δ, %
Анализ фтора в пересчете на AlF3 во
фтористом алюминии техническом
ЭД РФА 93.0 – 98.0 1.1
Анализ примесей Si в AlF3 техническом ЭД РФА 0.08-0.40 24
Анализ P2O5 в кристаллическом МАФ ЭД РФА 48.0 – 62.0 1.0
Анализ P, S, K в PKS удобрениях Волновой РФА P2O5 12.5 – 25.0
K2O 13.5 – 33.0
S 4.0 – 12.0
1.5
3.0
3.6
Анализ P2O5 в апатитовом концентрате ЭД РФА 37.0 – 40.0 1.2
Анализ Al2O3 в нефелиновом и
сиенитовом концентратах
ЭД РФА 26.0 – 30.0 1.0
Анализ солевого индекса в удобрениях Потенциометрия - -


Дополнительные участники
  1. Юновидов Д.В. - разработка концепции методики, набор экспериментальных данных, расчет статистик
  2. Крылова Е.В. - написание текста методик, расчет статистик
  3. Абрамова О.А. - финальная проверка текста методик, помощь в расчете статистик и в идеологии набора данных