Статьи
ИИ выходит в поле
Как компьютерное зрение меняет промышленный контроль в России
Изображение сгенерировано ИИ/«Эксперт»
Компьютерное зрение перестает быть экспериментальной технологией и становится новым стандартом промышленного контроля. Российские предприятия всё чаще используют ИИ не для автоматизации отдельных операций, а для управления производственными процессами в режиме реального времени.
Объем рынка видеонаблюдения и видеоаналитики в России с 2021-го по 2025-й увеличился более чем в 2 раза — до 67,6 млрд руб., а к 2030-му дойдет до отметки в 135 млрд руб. Эта цифра описывает рынок целиком, вместе с камерами, хранением и инфраструктурой. Интеллектуальный слой, рынок компьютерного зрения, заметно меньше: по оценке VisionLabs, в 2025 г. — это 25,76 млрд руб. с прогнозом до 49,61 млрд к 2030-му. Именно рынок компьютерного зрения является тем сегментом, в котором развиваются решения для промышленного контроля и АПК.
Strategy Partners и группа «Цифра» подсчитали, что число российских компаний, внедряющих Big Data, IIoT, ИИ и компьютерное зрение, только за прошлый год выросло на 40%. При этом многие компании не используют и половины накопленных данных для оптимизации процессов. Это означает упущенную выгоду: сбор данных с камер и датчиков уже оплачен, но без анализа они не превращаются в снижение брака, простоев и потерь. Именно этот разрыв закрывают ИИ-диагностика и аналитика, которые постепенно становятся отраслевым стандартом в российской промышленности, в том числе в АПК.

Как это устроено

ИИ-диагностика и ИИ-аналитика в промышленности и АПК строятся вокруг постоянного сбора и анализа данных — с техники, оборудования, людей и процессов. Их получают при помощи камер, сенсоров, телеметрии, GPS, IoT-устройств.
Чтобы качественно обрабатывать такой объем информации, используют технологию компьютерного зрения. Камеры и CV-модели (computer vision) позволяют распознавать дефекты продукции, нарушения технологии, повреждения грузов, состояние растений или техники. Ключевая ценность здесь в масштабе: модель удерживает контроль одновременно на десятках точек и фиксирует отклонения, которые оператор при ручном наблюдении пропускает.

От локальных пилотов — к комплексному контролю в АПК и на производстве

Главный тренд последних лет — переход от отдельных пилотных решений к комплексным системам мониторинга и аналитики на базе ИИ и CV. Особенно заметно это в агропроме, логистике и промышленной эксплуатации техники, где цена ошибки напрямую влияет на производительность и издержки.
Разница между набором пилотов и комплексной системой проходит по двум линиям. Технологически отдельный пилот — это конкретная модель под одну задачу, данные которой никуда дальше не идут. Комплексная система сводит потоки с разных камер и датчиков в общий слой, где события соотносятся между собой, а размеченные данные переиспользуются. Так образуются цифровые двойники процессов. Экономически каждый пилот требует собственной интеграции и поддержки, поэтому эффект остается локальным и плохо масштабируется. Платформа дороже на старте, но предельная стоимость подключения каждой следующей камеры или участка падает, а отдача накапливается, поскольку данные с одной зоны улучшают модели для остальных. Поэтому участники рынка всё чаще описывают компьютерное зрение как базовый слой инфраструктуры предприятия.
Одним из крупнейших российских игроков в этой области стала Cognitive Pilot — совместное предприятие «Сбера» и Cognitive Technologies. Компания начинала с систем автономного управления сельхозтехникой, но постепенно выстроила целую экосистему ИИ-решений для агропромышленного комплекса — от картирования почвы и анализа урожайности до контроля качества механизированных операций.
«Сегодня одним из ключевых запросов от фермеров является получение точных данных о состоянии процессов и работ в реальном времени», — отмечает заместитель генерального директора по продуктам Cognitive Pilot Александр Юдаков. По его словам, ИИ-системы позволяют анализировать физико-химический состав почвы, качество обработки полей, параметры урожая и автоматически интегрировать эти данные в систему управления хозяйством.
Фокус компании — именно на визуальном анализе. Например, технология Cognitive Border Recognition распознает границы обработанных и необработанных участков поля с сантиметровой точностью даже при нестабильном GPS-сигнале.
Другой проект — Cognitive Crop Control — анализирует зерновую массу непосредственно во время уборки. Система оценивает влажность, размеры, массу и уровень засоренности зерна, а затем формирует карту урожайности поля. По данным компании, подобные решения способны повышать эффективность процессов на 25−30%.
Чтобы оценить, оправданы ли такие вложения, важнее смотреть на долю системы в стоимости техники, чем на абсолютную цену комплекта. Cognitive Agro Pilot за последние годы дорожал с примерно 800 тыс. до 1,25 млн руб. для комбайна и трактора с установкой. По оценке компании, это составляет менее 5% от стоимости самой техники.
Окупаемость зависит от площади. Экономия набегает на топливе, сокращении перекрытий и лишних проходов, снижении потерь урожая и меньшей зависимости от человека. По оценке ассоциации «ИнтерАгроТех» за 2023 г., для одного трактора это давало в среднем около 2,6 млн руб. в год при поле 1000 га и ширине орудия 5 м.
Для небольшого хозяйства экономия кратно меньше при той же цене комплекта, поэтому срок окупаемости растягивается до одного-двух сезонов. При сегодняшних ставках кредит на такую систему оправдан для среднего и крупного хозяйства и остается спорным для мелкого. Поэтому для них компания предлагает бюджетную версию автопилота за 650 тыс. руб., в которой навигация осуществляется на основе GPS-сигнала. В дальнейшем можно нарастить функционал до полной версии, оснащенной системой навигации с помощью компьютерного зрения, которая способна работать в зонах, где нет спутникового сигнала.
Аналогичные решения развивают и другие российские разработчики промышленной видеоаналитики, однако специализация компаний различается в зависимости от отрасли.

Как видеоаналитика применяется в логистике

Компьютерное зрение активно внедряется и в логистике. Например, системы видеоаналитики для складов и производственных площадок от «Биатех» используются для контроля инцидентов — автоматической фиксации падений и повреждений грузов, нарушений регламентов и техники безопасности. А также для анализа перемещения паллет, контроля упорядоченности при погрузке и оптимизации внутренних процессов.
Вот как это работает: ИИ анализирует видеопоток и фиксирует инциденты, система сохраняет фото- и видеофрагменты и отправляет их оператору видеонаблюдения для верификации — всё это занимает не более 10 секунд.
«Оперативное извещение предотвращает происшествия, позволяя сотрудникам склада реагировать и вносить коррективы в моменте. Так исключается расфокус при монотонном просмотре трансляций с множества камер и эффективность видеонаблюдения повышается на 300%», — утверждает директор по продуктовому развитию ИТ-компании «Биатех» Олег Неборский.
Еще одно важное направление — цифровые двойники, то есть моделирование и оптимизация в виртуальной среде любых объектов и процессов. В основе инструмента — математические алгоритмы. Имитация сценариев и проверка гипотез в безрисковой среде прогнозирует развитие ситуации, выявляет узкие места и позволяет найти оптимальные решения.
Использование цифровых двойников помогает ускорить складские операции на 35%, снизить операционные затраты на 15%, сократить пробеги техники на 20% и увеличить пропускную способность складов на 25%.

Почему рынок растет именно сейчас

Рост интереса к промышленному ИИ связан сразу с несколькими факторами. Во-первых, предприятия накопили большие массивы данных, которые уже невозможно эффективно анализировать вручную.
«Заказчиков всё меньше интересует просто автоматизация движения техники — они хотят видеть всю картину происходящего в хозяйстве в режиме реального времени», — соглашается Александр Юдаков.
Во-вторых, усиливается дефицит кадров и растет стоимость ошибок на производстве. В-третьих, современные нейросетевые модели стали значительно доступнее и точнее, чем несколько лет назад.
«Компьютерное зрение постепенно становится не отдельным продуктом, а базовым слоем цифровой инфраструктуры предприятия», — отмечает Олег Неборский. По его словам, компании всё чаще воспринимают видеоаналитику как способ получения объективных данных о работе процессов для их максимально эффективной перестройки.

Что сдерживает и где ожидать прорывов

Несмотря на рост рынка, массовому внедрению ИИ в промышленности по-прежнему мешают несколько факторов. Один из главных — нехватка качественных данных для развития моделей. Сырых записей с камер и датчиков действительно много, но для обучения нужны размеченные данные, где каждый инцидент вручную описан и классифицирован, и именно их не хватает.
«Основная сложность — не сама нейросеть, а подготовка корректных данных и сценариев для обучения моделей», — подчеркивает Олег Неборский. По его словам, для промышленных задач часто требуется обучение на тысячах реальных инцидентов и производственных ситуаций. Точнее всего с этим могли бы справиться сами предприятия, но у них часто не хватает ресурсов. Передавать разметку на аутсорс не всегда возможно — например, из-за чувствительных данных.
Инфраструктурные ограничения тоже влияют: нестабильная связь в регионах, сложность интеграции с устаревшими промышленными системами и дефицит специалистов по обработке данных и машинному обучению.
В агропроме дополнительным фактором являются условия эксплуатации техники. «Поле — одна из самых сложных сред для компьютерного зрения: пыль, осадки, вибрации, меняющееся освещение», — отмечает Александр Юдаков.
В ближайшие годы рынок, вероятно, продолжит смещаться от отдельных пилотных проектов к полноценным ИИ-платформам для контроля и диагностики. Меняется сама роль компьютерного зрения: из инструмента автоматизации отдельных операций оно превращается в инфраструктуру управления предприятием. Поэтому сегодня развитие отрасли связано с внедрением комплексных платформ, объединяющих данные в единую систему принятия решений. Именно в тех отраслях, где цена ошибки высока, а процессы непрерывны, можно ожидать наиболее заметных технологических и экономических прорывов.
Текст: Ася Зуйкова
ИИ
16:21