Компьютерное зрение для контроля качества на производстве

В большинстве компаний контроль качества остаётся выборочным: контролёр видит часть партии, часть смены, часть объектов. Компьютерное зрение позволяет перейти к сплошной проверке, но камера сама по себе брак не снижает. Управленческий вопрос другой: на каком участке пропущенный дефект стоит дороже всего и готов ли процесс реагировать на сигнал системы. Ниже – выводы из подборки российских проектов: открытая база кейсов ИИ на platforms.su содержит более 1300 кейсов внедрения.

Контроль сборки, монтажа и покрытий

Задача: ошибки монтажа, дефекты сварных швов и покрытий находят поздно – на испытаниях готового изделия или у заказчика. Что делает ИИ: сверяет изображение узла с эталоном прямо на рабочем месте, подсвечивает расхождение и не даёт передать узел на следующую операцию. Результат: меньше переделок и гарантийных расходов. В кейсах с роботизированной сваркой и линиями окраски брак снижался в разы, производительность участка вырастала примерно на треть.

Маркировка и упаковка

Задача: обеспечить проверку каждой единицы продукции, а не выборки, особенно там, где ошибка маркировки ведёт к штрафам и изъятию товара. Что делает ИИ: считывает коды и проверяет комплектность упаковки до и после операции. Результат: сплошной контроль в круглосуточном режиме, рост производительности участка, высвобождение персонала.

Входной контроль сырья

Задача: оценка качества сырья (например, металлолома) субъективна, проверяются отдельные слои, контролёр работает в опасной зоне. Что делает ИИ: классифицирует сырьё по каждому слою, находит посторонние и опасные предметы, останавливает разгрузку при нарушении, формирует фотоотчёт по каждой поставке. Результат: полный охват поставок, объективная база для претензий к поставщикам, человек выведен из зоны риска.

Агропромышленность и скоропортящаяся продукция

Задача: ручной обход теплиц, полей и ферм не успевает за масштабом, болезни и отклонения замечают поздно. Что делает ИИ: анализирует съёмку стационарных камер и беспилотников, распознаёт десятки болезней и вредителей, оценивает партии овощей и фруктов по фотографии за секунды. Результат: сбор данных в несколько раз быстрее ручного обхода, точечная обработка вместо сплошной, единообразные решения об уценке и списании.

Стройка и инфраструктура

Задача: частые детальные проверки невозможны без роста штата, скрытые дефекты пропускаются. Что делает ИИ: сравнивает съёмку объекта с проектной моделью, обрабатывает аэросъёмку протяжённых объектов. Результат: проверки проводятся в несколько раз чаще тем же составом, обработка данных сокращается с суток до минут или часов.

• Задача привязана к цене дефекта. Удачные проекты начинаются с расчёта: сколько стоит пропущенный дефект на этом участке (переделка, рекламация, штраф, списание) и какая его доля сейчас уходит дальше по цепочке.
• Система встроена в процесс. Сильные кейсы не ограничиваются отчётом: система блокирует приёмку некорректного узла, останавливает разгрузку, передаёт сигнал мастеру. Если на сигнал никто не обязан реагировать, эффекта нет.
• Старт в режиме «второго мнения». На первом этапе решение принимает человек, система подсказывает. Это даёт данные для дообучения и доверие персонала.
• Условия съёмки – часть проекта. Свет, ракурс, скорость линии, пыль и вибрация влияют на точность сильнее, чем выбор модели. Камеры, освещение и крепления закладывают в бюджет сразу.
• Есть эталоны и архив дефектов. Дефекты редки, их нужно собирать заранее. Видеоархив работы системы позволяет проверять её решения и дообучать модель.
• Владелец – производство, а не ИТ. Начальник ОТК или участка отвечает за классы дефектов, регламент реакции и итоговый эффект.
• Тиражирование после одной линии. Типичный путь в кейсах подборки – одна линия или участок, затем распространение на остальные. От договора до промышленной эксплуатации на первой линии обычно проходит от полугода до девяти месяцев.

Как считать эффект

Базовая формула проста: снижение доли пропущенных дефектов, умноженное на их стоимость, плюс высвобожденное время контролёров, минус стоимость владения системой. Важно зафиксировать исходные значения до пилота: сколько дефектов уходит дальше по цепочке, сколько стоит рекламация, сколько часов тратится на ручной контроль. В открытых кейсах финансовый эффект часто не раскрывается, поэтому опираться на чужие цифры при защите бюджета нельзя – только на собственный замер.

1. Покупка «умных камер» без задачи. Оборудование ставят на все линии, а затем ищут, что с ним делать. Начинать нужно с участка, где дефект дорогой и его можно увидеть.
2. Оценка по точности модели, а не по экономике. Цифра «98% точности» ничего не говорит о том, сколько дефектов пропускается и сколько ложных тревог получает смена.
3. Недооценка ложных срабатываний. Если оператор получает десятки ложных сигналов за смену, систему отключат или начнут игнорировать. Допустимый уровень ложных тревог нужно согласовать до пилота.
4. Нет регламента реакции. Кто останавливает линию, кто разбирает спорный случай, как фиксируется решение – без ответов система становится видеоархивом.
5. Нет плана сопровождения. Смена номенклатуры, упаковки или освещения снижает точность. Если дообучение не заложено в договор и бюджет, через полгода система деградирует.

1. Недели 1–2. Выбрать два-три участка-кандидата. По каждому посчитать стоимость пропущенного дефекта, текущий охват контроля и объём брака за год.
2. Недели 2–3. Вместе с ОТК описать классы дефектов и эталоны, собрать имеющиеся фото и видео, проверить условия съёмки на месте.
3. Неделя 4. Зафиксировать метрики пилота: доля пропущенных дефектов, число ложных срабатываний за смену, время реакции, влияние на производительность участка.
4. Недели 4–7. Пилот на одной линии в режиме подсказки параллельно с ручным контролем. Спорные случаи разбирать еженедельно.
5. Неделя 8. Решение о промышленной эксплуатации на основе расчёта эффекта. Подготовить регламент реакции, план интеграции с учётными системами и план тиражирования.

• Сколько примеров каждого дефекта нужно от нас и кто их размечает?
• Какую долю пропусков и ложных срабатываний система показывает на наших условиях съёмки и как мы это проверим?
• Что произойдёт при смене продукции или упаковки, кто и за какой срок дообучит модель?
• Где обрабатывается видео – на линии, на сервере предприятия или в облаке, и как это согласуется с требованиями безопасности?
• Как система встраивается в процесс: блокирует операцию, передаёт сигнал в производственную систему или только формирует отчёт?
• Кому принадлежат размеченные данные и обученная модель после окончания договора?
• Из чего складывается стоимость владения на три года: камеры, освещение, вычислительные мощности, поддержка, дообучение?

Компьютерное зрение окупается там, где пропущенный дефект дорог, а процесс готов остановиться по сигналу системы. Начинать стоит с одного участка, понятной цены дефекта и согласованного уровня ложных тревог. Центр компетенций ИИ проводит экспресс-диагностику таких задач и независимую оценку пилотов.