Проект направлен на разработку программного модуля автоматической классификации дефектов изображения видеокамер. В системах видеонаблюдения, безопасности и «Умного города» до 10-15% камер работают со скрытыми дефектами: размытие (дефокус, загрязнение объектива), зашумление (плохое освещение или дефект матрицы), засветка/затемнение, битые пиксели, артефакты сжатия, залипание кадра. Эти дефекты приводят к тому, что критически важные события (ДТП, инциденты, нарушения) не фиксируются или не распознаются автоматикой.

В рамках проекта команда из трёх участников выполняет полный цикл разработки ML-решения:

• формирование и разметку датасета (реальные дефекты + синтез);
• разработку и обучение нейросетевой модели классификации (CNN);
• валидацию модели на реальных видеопотоках;
• оптимизацию модели для работы на периферийных устройствах (ITX, ARM);
• интеграцию тестового модуля в систему мониторинга.

Результат: SDK/плагин для систем видеонаблюдения, автоматически выявляющий тип и степень дефекта камеры без эталонного изображения, снижающий затраты на ручную проверку тысяч каналов и повышающий надёжность видеофиксации.

В проекте задействованы три участника. Сырат Тамерлан выступает в роли Team Lead и ML-инженера: он отвечает за выбор архитектуры нейросети, обучение модели, оптимизацию (квантизацию и pruning) под целевые платформы ITX, а также анализ метрик. Долгов Михаил — CV-инженер и дата-сайентист: он занимается сбором и синтезом датасета дефектов, разметкой данных, аугментацией и валидацией модели на реальных видеопотоках. Гришан Аня — backend-разработчик и DevOps: она разрабатывает SDK/API для интеграции, создаёт пайплайн тестирования, развёртывает демо-стенд на ITX и готовит документацию с презентационными материалами.

На страницу проекта