Lahendus tuvastab ja klassifitseerib kaubarongi vagunid ja neil oleva identifitseerimissildi ning seejärel eraldab teksti, et vagun edaspidiselt kategoriseerida ja andmed töötluseks edasi saata. Aitab vähendada manuaalkontrolli samme.
Algselt on kogutud andmeteks vagunite pildid ja neil märgistatud teksti piirkond ning nende sildistatud andmetega treenitud videomudel. Treenitud videomudel jookseb kas pilves või API taga ja sinna tuleb kaamerast video voogedastus, mille põhjal teostatakse reaalajaline klassifitseerimine.
Videomudelina on kasutatud võimekat ja uusimat YOLOV12 mudelit ja teksti eraldamiseks keerukalt taustalt Google OCR lahendust.
Terminalitraktorid on kategoriseeritud kahte kategooriasse: laadimist ootav staatus (märgitud kollase kastiga) ja konteiner laetud staatus (märgitud punase kastiga) vastavalt kas konteiner on sõidukile peale laetud või mitte. Ära on märgitud kollase kastiga laadimisala, milles mõõdetakse traktori kohta laadimisaega. Antud süsteemiga saab optimeerida ja mõõta konteinerite laadimisaega. Nii saab suunata ümber sõidukeid juba eelnevalt teise laadimisalasse, kui antud alas toimub hetkel laadimine ning jälgida automaatselt, mis aegadel teatud sõidukitele kaup laeti.
Mudel on treenitud jälgima kahte erinevat objekti nagu esiplaanil olevad konteinerid ja terminalitraktorid.
Objektituvastus teostatud YOLOV12 mudeliga ning edasine sõidukite staatuse määramine ja laadimisaegade jälgimise loogika implementeeritud skriptidega meie serverisse.
Mudel tuvastab tootmisliinilt treenitud tooted ja seejärel rakendab teise mudeli toote pinna või kuju analüüsimiseks defektide tuvastamiseks. Valideeritud mudel saavutab kõrge täpsuse 97.5% ja sobib seega hästi tootmisliinil protsesside optimeerimiseks.
Algne mudel on treenitud määrama kindlaid toote positsioone kaamerapildilt ja teine mitmekihiline mudel on treenitud eraldama detaile objekti välimusest, mis kategoriseerivad toote kas defektseks või standarditele vastavaks.
Objektituvastuseks on taas kasutatud mitmekülgset YOLOV12 mudelit ja defektsuse määramiseks 18-kihilist ResNet konvolotsioonimudelit, mis on ennast hästi tõestanud mudel piltidelt tunnuste eraldamiseks.
