Hoppa till huvudinnehållet
    Datorseende och drönarinspektion

    Mjukvara för drönarinspektion och datorseende

    Drönare gjorde det billigt att samla in inspektionsfilm. Att granska den blev inte billigare – en inspektör tittar fortfarande igenom timmar av video för att hitta en handfull defekter. Vi bygger pipelines för datorseende som lyfter fram kandidaterna, låter dina inspektörer fatta beslutet och kopplar varje bekräftat fynd till rätt objekt.

    Se kundcase
    Från flygning till bekräftat fynd
    1. 1
      Inläsning
      Video, stillbilder och telemetri för GPS / höjd per flygning
    2. 2
      Urval & rensning
      Bara distinkta vyer – överlapp borttaget
    3. 3
      Detektering
      Detektering och segmentering per defektklass
    4. 4
      Inspektörsgranskning
      Bekräfta, avvisa eller korrigera varje detektion
    5. 5
      Geotaggning & rapport
      Fynden på kartan, på objektet och i rapporten

    Granskarnas beslut matas tillbaka in i träningen – modellen blir bättre som en del av det vanliga inspektionsarbetet.

    Det här får du

    Inläsning av drönarvideo, högupplösta stillbilder och flygtelemetri (GPS, höjd, kurs) – i batchar per inspektion, inte per fil
    Urval av bildrutor och borttagning av nästan identiska bilder, anpassat efter flyghastighet och höjd, så att modeller och människor bara ser distinkta vyer
    Modeller för detektering och segmentering av defekter (detektorer ur YOLO-familjen, segmenteringsnätverk), tränade i PyTorch på dina bilder och exporterade till ONNX
    Arbetsflöde för märkning med aktiv inlärning – de bildrutor som lär modellen mest märks först, så att inspektörernas tid räcker längre
    Granskningsgränssnitt med människan i loopen, där inspektörerna bekräftar, avvisar eller korrigerar varje detektion innan den rapporteras
    Geotaggning av bekräftade fynd på en karta och i ditt anläggningsregister, plus rapportutkast som genereras utifrån strukturerade fynd
    Utvärderingsset där precision och recall följs upp per defektklass, som spärr för varje modellrelease
    Driftsättningsplan som täcker batchinferens på GPU:er i molnet efter varje flygning och edge-alternativ (på drönaren eller i en markstation) där resultaten behövs på plats

    När det passar

    • Du samlar redan in drönarbilder i stor volym och inspektörernas granskningstid är flaskhalsen
    • Du kan namnge de defektklasser som spelar roll (korrosion, sprickor, saknade komponenter, vegetation som växer in, hotspots) och hur var och en ser ut
    • Dina inspektörer kan avsätta några timmar i veckan till märkning och granskning de första månaderna – modellen lär sig av dem
    • Fynden behöver hamna i ett befintligt anläggningsregister, GIS eller rapporteringsflöde snarare än i en fristående dashboard

    När det inte passar

    • Du behöver en drönaroperatör – vi bygger mjukvaran; dina piloter eller din leverantör av flygtjänster flyger uppdragen enligt Part 107, EASA eller lokala regler
    • Helt automatiserad rapportering utan mänskligt godkännande är ett krav – vi designar för att en inspektör bekräftar varje rapporterad defekt
    • Bilderna finns inte än och insamlingsprotokollet (höjd, vinkel, överlapp, sensor) är inte fastställt – lös insamlingen först, annars tränas modellerna på inkonsekventa data
    • En färdig inspektionsplattform täcker redan din typ av anläggningar och defekter – licensiera den och integrera den i stället

    Process

    Vecka 1–3: discovery och datagenomgång – exempelflygningar, defekttaxonomi, granskning av insamlingsprotokollet och ett märkt utvärderingsset som tas fram tillsammans med dina inspektörer. Vecka 4–8: inläsning, urval av bildrutor, en baslinjemodell för de första en till tre defektklasserna och granskningsgränssnittet, så att inspektörerna tidigt börjar bekräfta riktiga detektioner. Vecka 9–14: omgångar av aktiv inlärning, geotaggning och integration med anläggningsregistret, rapportgenerering och batchinferens i produktion. Driftsättning på edge och fler defektklasser följer som separata faser, var och en med utvärderingssetet som spärr.

    Hela leveransprocessen

    Vanliga frågor

    Hur mycket märkt data behöver vi för att komma igång?
    Mindre än de flesta team tror, men mer än noll. För en visuellt distinkt defektklass räcker oftast några hundra välmärkta exempel för en användbar första modell; subtila eller sällsynta defekter kräver fler. Vi utgår från förtränade detektionsmodeller, märker de mest informativa bildrutorna först med aktiv inlärning och använder inspektörernas granskningsbeslut som nya etiketter – så att datasetet växer under den vanliga driften i stället för i ett separat märkningsprojekt. Datagenomgången i discoveryfasen visar hur mycket du redan har.
    Kan modellerna köras på drönaren eller på edge?
    Ofta, med vissa avvägningar. Detektering för ett litet antal defektklasser kan köras på hårdvara i Jetson-klassen på drönaren eller i en markstation, vilket är användbart när ett team behöver resultat innan det lämnar platsen. Analys i full upplösning över många klasser fungerar oftast bättre som batchinferens på GPU:er i molnet efter flygningen. Modellerna exporteras till ONNX så att samma modell kan driftsättas på båda; vi mäter träffsäkerhet och latens på din faktiska hårdvara innan vi rekommenderar det ena eller det andra.
    Hur träffsäker blir den?
    Vi anger ingen siffra innan vi har sett dina bilder. Träffsäkerheten beror på defektklass, bildupplösning, hur konsekvent insamlingen är och etiketternas kvalitet. Det vi däremot förbinder oss till är mätning: ett avskilt utvärderingsset som tas fram tillsammans med dina inspektörer, precision och recall redovisade per defektklass och konfidenströsklar som väljs tillsammans med dig – för säkerhetsrelevanta defekter tar man oftast fler falsklarm i utbyte mot färre missar. Varje rapporterat fynd bekräftas fortfarande av en inspektör.
    Vem äger de tränade modellerna och datan?
    Det gör du. Bilder, etiketter, tränade vikter, träningskod och utvärderingsset överlåts till dig enligt ett standardavtal om uppdragsarbete (work-for-hire). Vi kontrollerar också licenserna för förtränade modeller och bibliotek i förväg – vissa populära ramverk för detektering har copyleft- eller kommersiella licensvillkor som spelar roll om modellen levereras inuti din produkt.
    Hur passar det in i vårt befintliga inspektionsflöde?
    Det placeras mellan insamling och rapportering. Dina piloter flyger samma uppdrag; filmen laddas upp som i dag; inspektörerna arbetar i granskningsgränssnittet i stället för att spola igenom video; bekräftade fynd skickas till ditt anläggningsregister, GIS eller underhållssystem via dess API eller en export som ditt team redan använder. Vi kartlägger det nuvarande flödet i discoveryfasen och ändrar så lite av det som möjligt.
    Utvecklare på TekPiq i ett arkitekturmöte vid whiteboarden, där en av dem skissar på datamodellen
    Arkitektursession på vårt kontor – kunduppgifter på tavlan är suddade.

    Vem som bygger det

    Vårt eget team, som arbetar från vårt kontor i East Sarajevo, Bosnien och Hercegovina. Ingenjörerna på ditt behovssamtal är samma personer som bygger det.

    Möt teamet

    Datorseende och drönarinspektion – ska vi prata?

    Ett 30 minuters behovssamtal. Förutsättningslöst och utan säljtryck.