Контролёр на конвейере устаёт, отвлекается и пропускает дефекты – особенно при высокой скорости линии и мелких отклонениях. Камера с обученной моделью не устаёт. За последние два года свёрточные сети (CNN) дошли до уровня, когда промышленное применение перестало быть экспериментом: точность распознавания дефектов на типовых задачах превышает человеческую, а стоимость GPU и камер машинного зрения упала достаточно, чтобы проект окупался за год-полтора. Разберём, где это работает и что нужно для внедрения на российском производстве.

Контроль качества на линии

Базовый сценарий – визуальная инспекция продукции в потоке. Камера снимает каждое изделие, модель классифицирует его как годное или бракованное, а при дефекте – указывает тип и координаты. На сварных швах, печатных платах, литье, упаковке и маркировке это даёт сплошной контроль вместо выборочного.

Технически задача делится на три класса: классификация (есть дефект или нет), детекция (где именно) и сегментация (точная граница дефекта). Для большинства производств достаточно первых двух. Сложность не в самой модели – готовые архитектуры вроде ResNet или SSD доступны, – а в данных. Нужен размеченный датасет дефектов, а редкие виды брака приходится собирать месяцами или генерировать аугментацией. Мы закладываем этот этап в проект отдельно и честно: без репрезентативной выборки модель будет уверенно ошибаться.

Второй нюанс – освещение и фиксация камеры. Девяносто процентов проблем точности на реальной линии решаются не нейросетью, а стабильным светом и правильным ракурсом. Это инженерная работа на площадке, а не в коде.

Промышленная безопасность и контроль территории

Второй крупный блок – безопасность. Компьютерное зрение фиксирует отсутствие каски или спецодежды, заход человека в опасную зону работы пресса или крана, открытое пламя и дым на ранней стадии, скопление людей. Для госсектора и крупных предприятий это закрывает требования охраны труда и снижает риск аварий, а не только штрафов.

Здесь критична скорость реакции: распознать нарушение нужно за доли секунды, чтобы система успела подать сигнал или остановить оборудование. Поэтому инференс выносят на edge – промышленные компьютеры рядом с камерами, без зависимости от канала в дата-центр. Модель оптимизируют под конкретное железо, иначе кадры будут обрабатываться с задержкой.

Как встроить в существующее производство

Самостоятельная «коробка» с зрением бесполезна – система ценна интеграцией. Сигнал о браке должен останавливать линию через АСУ ТП, событие безопасности – попадать в журнал и систему оповещения, а статистика дефектов – уходить в электронный документооборот и отчётность, чтобы инженеры видели тренды, а не отдельные срабатывания.

Модели меняются: появляются новые виды брака, переобучается классификатор, обновляется прошивка камер. Без зрелого процесса доставки это превращается в ручной хаос на десятках узлов. Мы выстраиваем конвейер CI/CD для версий модели и контейнеризируем компоненты, чтобы обновление каталось на edge-устройства предсказуемо и откатывалось при сбое.

Если на площадке уже работают старые SCADA и учётные системы, их не нужно переписывать – компьютерное зрение подключается сбоку через адаптеры, как мы делаем при переносе унаследованных систем в контейнеры.

Вывод

Компьютерное зрение в промышленности – уже не пилот, а рабочий инструмент контроля качества и безопасности. Успех проекта определяют три вещи: репрезентативные данные о дефектах, инженерная подготовка площадки и интеграция с АСУ ТП и учётом. Под конкретное производство мы проектируем такие системы целиком – от обучения модели на ваших дефектах до разработки ИИ-приложения с edge-развёртыванием рядом с камерами.