Объединенная двигателестроительная корпорация Ростеха выступила партнером четвертого авиахакатона, организованного Московским авиационным институтом. В IT-соревнованиях в онлайн-формате приняли участие свыше 700 представителей более чем 50 университетов, школ, лицеев и колледжей. В финал вышли 52 команды — более 200 человек из 23 городов и 4 стран.
Для участников было подготовлено 10 кейсов от партнёров авиахакатона, в том числе от ПАО «ОДК-Сатурн» (входит в Объединенную двигателестроительную корпорацию Ростеха). Специалисты предприятия поставили перед участниками конкурса задачу по теме «Дефектоскопия на основе компьютерного зрения».
«Предложенная задача предполагает разработку продукта, который повышает скорость операций за счет контроля средствами машинного зрения заготовок лопаток турбин, — сообщил начальник управления «Цифровая трансформация» службы информационных технологий ПАО «ОДК-Сатурн» Александр Сорокин. — Команды продемонстрировали высокий уровень готовности решать сложную технологическую задачу. Победителями стали представители МАИ — команда с оригинальным названием «Кабанчики», которая продемонстрировала рабочий прототип для основы решения визуального контроля на базе машинного зрения. Целостность решения позволила команде занять 3 место в суперфинале хакатона».
Внедрение технологий Industry 4.0 в соответствии со стратегией цифрового развития Объединенной двигателестроительной корпорации является важным аспектом развития ПАО «ОДК-Сатурн». Машинное зрение рассматривается как элемент, который должен быть встроен в технологическую цепочку изготовления продукции для повышения эффективности. По данному направлению предприятие ведет активную работ и реализует два проекта. По одному из них, совместно с опорным вузом — РГАТУ им. П. А. Соловьева, идет разработка опытного стенда на базе машинного зрения по ЛЮМ-контролю и визуальному контролю лопаток турбин. По второму, в рамках Лаборатории цифровых технологий, стартовало тестирование отечественной платформы для разработки конечно ориентированных программных комплексов автоматического распознавания объектов на основе нейросетевых подходов.
Источник