Мои проекты
Датасет для инстанс-сегментации гранул минеральных удобрений
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
- Сервис - будет доступен после опубликования научной работы
- GitHub - будет доступен после опубликования научной работы
- Юновидов Д.В. - автор и идеолог, главный разработчик и программист, разметка
- Ndukwe Ikechi - инженер данных, написание текста научной работы, разметка
- Юновидова Е.Е. - web-разработчик, публикация сервиса, разметка
Приложение, сервис и ансамбль моделей распознавания номерных знаков машин
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:
- Нейронная сеть для сегментации области номера автомобиля (часть 1/3)
- Нейронная сеть для распознавания символов из области номера автомобиля (OCR, часть 2/3)
- API сервис, объединяющий работу двух моделей (часть 3/3)
- 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
Дополнительные участники
Ниже приведен список участников хакатона TON x ETH Belgrade (4ая часть проекта):
- Юновидов Д.В. - разработчик, автор и идеолог
- Юновидова Е.Е. - веб-разработчик, дизайнер
- Хасанова В.З. - project-manager
Сервис и модель многоклассовой классификации спутниковых снимков
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:
- Нейронная сеть для многоклассовой классификации (часть 1/2)
- 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
WEB система получения климатических и СО2 данных
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
Стартап ООО LogicYield
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
Дополнительные участники
- Хасанова В.З. - генеральный директор
- Юновидов Д.В. - сооснователь, инженер-программист
- Юновидова Е.Е. - сооснователь, программист-технолог
- Бахвалов А.С. - инженер
- Юновидов В.Ю. - инженер-наладчик
- Ndukwe Ikechi - стажер, ML-инженер
Роботизированный программно-аппаратный комплекс анализа гранул ПАК 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
Анализ минеральных удобрений по технологии "отпечатка пальца" (ЭД РФА прессованных гранул)
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):
- определение производителя удобрения по РФА спектру
- определение стандартности удобрения по РФА спектру
- автоматизация анализа с использованием собственного программного обеспечения
- составлена методика работы для идентификации неизвестного удобрения
- предложено инструментальное сопровождение разработанного подхода
Технологии: PyQt5, k-means,
$\chi^2$
, openCV, matplotlib.
Ссылки
- Конференция III Всероссийская конференция по аналитической спектроскопии с международным участием
- Конференция Математическое и компьютерное моделирование в науке о материалах
Дополнительные участники
- Юновидов Д.В. - разработка идеи, написание программного обеспечения и разработка проекта
- Бахвалов А.С. - предоставление ЭД РФА спектрометров
Система видеомониторинга физических свойств гранул на базе USB микроскопа
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"
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 место в корпоративном конкурсе "Молодой руководитель" АО "Аппатит" и 3 место по всей корпорации "ФосАгро"
Дополнительные участники
- Юновидов Д.В. - проработка и реализация проекта. Ведущий сотрудник
- Целикова Е.В. - проректор по научной работе ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
- Калько О.А. - зав. каф. химических технологий ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
- Аксенчик К.В. - доцент кафедры Химических технологий ЧГУ, активная помощь в продвижении проекта со стороны ЧГУ
Модификация параметра "солевой индекс" для минеральных удобрений
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
- Программное обеспечение "Salt Index Calculator"
- Проект отраслевой методики измерений для АО "НИУИФ"
- Методическое учебное пособие кафедры Химических Технологий Череповецкого Государственного Университета
Дополнительные участники
- Юновидов Д.В. - написание программного обеспечения и разработка проекта
- Надежин М.Н. - помощь в написании программного обеспечения, проведение ряда экспериментов
- Соколов В.В. и Абрамова О.А. - помощь в реализации методики измерений
- Аксенчик К.В. - редакция текста методички, помощь в издании
ЭД РФА анализ минеральных удобрений с поправкой на оптическое детектирование частиц порошков
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
- Конференция III Всероссийская конференция по аналитической спектроскопии с международным участием
- Конференция 11th Winter Symposium on Chemometric
- Конференция INTERM 2018" conference
- Научная статья в журнале Acta Physica Polonica A
- Моя диссертация на соискание степени кандидата технических наук
- Патент на полезную модель
Методики физико-химического контроля
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
- Юновидов Д.В. - разработка концепции методики, набор экспериментальных данных, расчет статистик
- Крылова Е.В. - написание текста методик, расчет статистик
- Абрамова О.А. - финальная проверка текста методик, помощь в расчете статистик и в идеологии набора данных