До 99% точности на отдельных классах дефектов: AI-контроль состояния автомобилей для таксопарка

Ручной осмотр автомобиля перед выходом на линию или после возврата занимает в среднем 5-10 минут. Инспектору необходимо осмотреть кузов, оптику, стекла, колеса и днище, зафиксировать дефекты на фото и сопоставить их с предыдущим состоянием машины.

В такой схеме возникают риски:

— Проверка зависит от внимательности сотрудника, освещения и загруженности площадки

— Мелкие повреждения могут остаться незамеченными

— Фото могут быть сделаны с разных ракурсов и не позволять корректно сравнить осмотры

— В споре сложно доказать, в какой момент возник дефект

— При росте парка растет нагрузка на сотрудников, отвечающих за приемку

Нужно было создать решение, которое стандартизирует процесс осмотра, фиксирует состояние автомобиля без субъективной оценки и формирует прозрачную историю изменений.

Мы создали Autoscan - комплекс автоматического контроля состояния автомобилей на основе камер, направленного освещения, edge-вычислений и моделей компьютерного зрения.

Автомобиль проезжает через зону контроля. Система распознает госномер, получает изображения кузова с нескольких ракурсов, анализирует их с помощью AI-моделей и сравнивает с данными предыдущего осмотра.

Если обнаружено новое повреждение, система создает инцидент. В нем сохраняются:

• Фотографии автомобиля и зоны дефекта

• Дата и время фиксации

• Госномер и идентификатор автомобиля

• Тип обнаруженного изменения

• Расположение дефекта на кузове

• Связь с предыдущими осмотрами

Вместо разрозненного фотоархива сотрудники получают цифровую историю состояния каждого автомобиля.

Особенность решения

Задача не сводилась к распознаванию дефекта на отдельной фотографии. Для таксопарка критична повторяемость результата: автомобиль должен сниматься в одинаковых условиях, а текущие изображения должны корректно сопоставляться с предыдущими.

Поэтому мы объединили несколько компонентов в единый сценарий:

1. Стандартизированная зона осмотра. Камеры и освещение формируют предсказуемые условия съемки, чтобы уменьшить влияние теней, бликов и различий между ракурсами

2. Идентификация автомобиля. Модуль ALPR распознает госномер и связывает текущий осмотр с карточкой автомобиля

3. Фотофиксация на 360 градусов. Комплекс камер собирает изображения кузова со всех ключевых сторон.

4. AI-анализ. Модели компьютерного зрения определяют повреждения, элементы кузова и зоны, требующие внимания

5. Сравнение осмотров. Механизм change detection сопоставляет текущую съемку с предыдущими данными и помогает отличать новые дефекты от уже зафиксированных

6. Работа на площадке. Обработка выполняется на edge-оборудовании. Это снижает задержки и позволяет не останавливать осмотр при нестабильном внешнем интернет-соединении
   

   Как работает Autoscan

   1. Автомобиль въезжает в зону контроля

   2. Камеры выполняют съемку кузова с разных ракурсов

   3. Система распознает госномер и находит карточку автомобиля

   4. AI-модели анализируют изображения, определяют дефекты и визуальные изменения

   5. Новый осмотр сравнивается с предыдущим

   6. При выявлении изменений создается карточка инцидента

   7. Сотрудник проверяет результат в веб-интерфейсе и при необходимости передает данные в CRM, ERP, сервисную или страховую систему через API
      
      

      

Точность распознавания

Результаты зависят от типа повреждения, его размера, контраста, чистоты кузова, освещения и ракурса. Поэтому точность оценивали отдельно для каждого класса дефектов

Технологии

Компьютерное зрение: Python, PyTorch, OpenCV

Детекция и сегментация: YOLO-seg, Mask R-CNN

Распознавание номеров: ALPR, OCR

Оптимизация инференса: TensorRT, ONNX Runtime

Локальная обработка: NVIDIA Jetson, GPU

Backend и интеграции: Python, FastAPI, API

Хранение данных: PostgreSQL, S3-совместимое хранилище

Инфраструктура: Docker, Kubernetes

Интерфейс оператора: React

Autoscan превращает приемку автомобиля из ручного визуального контроля в цифровой бизнес-процесс с доказательной базой. Система не заменяет ответственного сотрудника, но снимает с него рутинную задачу постоянного поиска и фиксации типовых повреждений.

Для бизнеса это дает следующие эффекты:

• Ускорение первичного визуального контроля автомобиля

• Снижение влияния человеческого фактора на приемке и выпуске транспорта

• 99% точности распознавания государственных номеров

• До 98-99% точности для отсутствующих деталей, разбитых фар и стекол

• До 97-99% точности для крупных деформаций кузова

• Единая цифровая история состояния автомобиля

• Фотофиксация, привязанная к конкретному автомобилю и моменту осмотра

• Более быстрое рассмотрение спорных ситуаций с водителями, сервисами и страховыми компаниями

• Возможность интеграции результатов осмотра в существующий ИТ-контур заказчика

Что можно развивать дальше

На базе Autoscan можно выстроить сквозной процесс работы с повреждением: автоматически направлять инцидент в CRM или ERP, создавать заявку на ремонт, формировать претензию, передавать данные страховой компании и строить аналитику по повреждаемости автомобилей.

Ключевой вывод проекта: для автоматизации контроля автопарка важна не только точность модели. Реальную бизнес-ценность дает связка из стандартизированной съемки, идентификации автомобиля, сравнения состояний, понятного интерфейса и интеграции в процессы таксопарка.