Привет, Хабр! Беспилотные летательные аппараты (БПЛА) часто используются в горнодобывающей промышленности для ускорения и обеспечения безопасности карьерных работ. На НЛМК, в частности, мы используем дроны для анализа состояния дорог на Стойленском ГОКе, ведь хорошая дорога позволяет транспорту потреблять меньше топлива и дольше сохранять шины.
Группа НЛМК производит больше всего стали в России.
Сырьем его обеспечивает Стойленский горно-обогатительный комбинат (СГОК).
Он расположен в Старом Осколе и относится к так называемому Курская магнитная аномалия .
С высоты птичьего полета карьер СГОКа выглядит так: 
Карьер – живой организм; его работу обеспечивают различные специалисты: геологи, маркшейдеры, производственники и логисты.
Геологи управляют качественными параметрами руды, маркшейдеры занимаются замерами – в каком объеме, когда и где именно мы будем взрывать породу, производственники непосредственно обеспечивают добычу, а логисты перевозят руду в необходимом объеме на огромных самосвалах по всему региону.
Часы.
В среднем каждый самосвал перевозит около 10 000 тонн в сутки.
В результате специалисты различных служб обеспечивают добычу и доставку на производство лучшей руды, чтобы завод мог выпускать железорудный концентрат высочайшего качества.
Как я уже говорил, карьер – это живой организм, а дороги – его кровеносная система, от работы которой зависит объем транспортируемой руды.
Многое зависит от того, как организован процесс перевозки самосвалами.
Во-первых, безопасность наших сотрудников.
Например, если дорога имеет слишком большой уклон, существует риск того, что самосвал рухнет. Во-вторых, карьерные дороги имеют ограниченную пропускную способность, которую необходимо использовать максимально эффективно.
Простой пример: из-за узкого участка образуется пробка, соответственно, сырье «опаздывает» в производство, могут возникнуть простои и так далее.
В-третьих, можно говорить о более тонких эффектах – своевременно отремонтированные ямы могут помочь снизить расход топлива самосвалов на миллионы рублей в год. Важным фактором является изменчивость дорог от взрыва к взрыву каждые 3 недели, примерно 20% маршрутов закрываются и открываются новые.
Строительство новых дорог и обслуживание существующих также входит в обязанности логистов.
Каждая дорога должна отвечать требованиям безопасности и иметь пропускную способность для перевозки необходимого объема.
За соблюдением норм следит инженер-дорожник, который ежедневно проводит визуальный осмотр дорог и разрабатывает план благоустройства и ремонта.
Общая протяженность дорог внутри карьера составляет более 25 км.
Очевидно, что один человек потратит много времени на обход и регулярную проверку всего этого.
Поэтому нам пришла в голову идея ускорить этот процесс с помощью фотограмметрии, то есть получения общей карты карьера с определенной периодичностью для оценки состояния дорог с помощью дронов.
Для этого мы используем БПЛА (беспилотный летательный аппарат) авиационного типа.
SenseFly eBee X , 
Мы получаем опрос, загружаем его в аналитическую платформу Skyeer, которая рассчитывает параметры дорог по всему карьеру (например, определяет ширину, уклон и т.д.) и предоставляет набор отчетов с приоритезацией критических отклонений по безопасности и эффективность.
Вот так выглядит интерфейс управления полетом.
Управление осуществляется с ноутбука – вводится полетное задание (координаты, высота, зона покрытия), запускается вручную, а затем полет происходит полностью на автопилоте.
Траектория полета показана светло-зеленым цветом.
Чтобы сохранить точность изображения, программа сама рассчитывает заданную высоту до объекта съемки.
На первом этапе полученные данные загружались на платформу, где дорожный инженер вручную измерял параметры дороги.
Уже на старте стало ясно, что качество оценки дорог улучшилось по сравнению с физическим осмотром, однако ручные измерения по-прежнему требуют много времени.
А потом мы подумали, а что, если автоматизировать и измерения? Мы проанализировали рынок программного обеспечения для фотограмметрии и выяснили, что готового ПО для данной задачи не существует. Есть проблема, есть потенциал, почему бы не разработать его самим? Одной из главных задач было понять, как научить систему отличать дорогу от других объектов в карьере.
Может быть, с помощью алгоритмов компьютерного зрения? Но для обучения системы потребуется собрать базу данных из тысяч фотографий.
Это было бы слишком долго, и от этой идеи пришлось отказаться.
Решение не заставило себя долго ждать, потому что, в хорошем смысле, дорога — это место, где может проехать самосвал.
Мы протестировали алгоритм; По этому критерию система могла автоматически определять дорогу с точностью 95-98%.
Дальше дело техники: задаем критерии расчета, определяем шаг измерения и настраиваем визуализацию.
В результате менее чем за 6 месяцев был разработан продукт, позволяющий автоматически обрабатывать кадры с дронов и выделять критические места.
Когда все параметры дороги рассчитаны, программа «тонирует» их в зависимости от состояния по трем группам отклонений (критическое, удовлетворительное, нормальное состояние).
Выглядит это так: Напоминает Яндекс.
Трафик.
Снимок текущего состояния карьера Процесс оценки состояния ускорился более чем в 5 раз, это позволило «лечить» дороги, где наибольшее воздействие на основные контрольные точки? транспорт В результате применения инструмента к 2021 году удалось добиться эффекта снижения расхода топлива в среднем на 6%; Эффект увеличения пробега шин требует более длительного периода наблюдения.
Теги: #Программное обеспечение #дроны #Визуализация данных #дроны #Промышленное программирование #Обработка изображений #промышленность #визуализация
-
Управление Usb-Накопителем Windows Xp
19 Oct, 24 -
Март — Месяц Ошибок Php.
19 Oct, 24
