Контролёр на конвейере устаёт, моргает и пропускает дефекты. Камера не устаёт. За последние два-три года свёрточные нейросети подешевели настолько, что распознавание дефектов и нарушений на производстве перешло из исследовательских лабораторий в цеха. На GPU средней мощности модель обрабатывает десятки кадров в секунду, а обучается на нескольких тысячах размеченных снимков. Для предприятия это означает простую вещь: визуальный контроль, который раньше требовал штата людей, теперь поручают софту и он работает в три смены без перерыва.

Контроль качества на линии

Самая зрелая задача – поиск дефектов на потоке. Камера снимает деталь, нейросеть сравнивает её с эталоном и помечает сколы, трещины, царапины, неправильную геометрию, недолив, пропущенные элементы сборки. Раньше для этого писали жёсткие правила под каждый тип брака, и любое изменение продукта ломало логику. Сегодня модель учится на примерах: показываете ей «годен» и «брак», она выводит границу сама.

Цифры с реальных внедрений говорят за себя. Точность распознавания типовых дефектов металлопроката, печатных плат, упаковки уверенно превышает 95% – выше, чем у человека на восьмом часу смены. Система не просто отбраковывает изделие, а пишет в базу, где и какой дефект нашла. Дальше эти данные сводят с производственными параметрами и находят корень проблемы: партия сырья, износ оснастки, сбой настройки станка.

Тонкое место – данные. Брак по определению редок, и собрать сбалансированную обучающую выборку трудно. Помогают аугментация, генерация синтетических дефектов и дообучение по мере накопления реальных случаев. Чтобы модель приносила пользу, её результаты должны попадать в единую систему учёта без ручного переноса – здесь критична чистота справочников и единый источник данных о продукции, иначе предсказания не с чем сопоставить.

Безопасность и охрана труда

Второе направление – контроль производственной среды. Те же камеры и модели следят за людьми и зонами, а не за деталями. Система видит, надел ли рабочий каску и защитные очки, не зашёл ли человек в опасную зону у пресса, не оставлен ли проезд загромождённым, нет ли возгорания или задымления на ранней стадии.

Это снимает нагрузку с инспекторов по охране труда и даёт объективную фиксацию нарушений вместо спорных протоколов. Для госсектора и предприятий с жёстким режимом такой контроль особенно ценен: каждое срабатывание привязано к кадру, времени и участку. Важно сразу заложить работу с персональными данными по 152-ФЗ – обезличивание, ограничение доступа к видеоархиву, хранение только релевантных событий.

Что нужно для внедрения

Компьютерное зрение – не коробочный продукт. Освещение, ракурс камеры, скорость конвейера, интеграция с ПЛК и MES определяют результат сильнее, чем выбор архитектуры сети. Проект начинается с пилота на одной линии: размечаем данные, обучаем модель, проверяем метрики на реальном потоке, считаем экономику отбраковки. Только потом тиражируем.

Жизнеспособная система зрения строится под конкретный производственный процесс: от сбора и разметки данных до интеграции с цеховым ПО и дообучения в эксплуатации. Зрение хорошо ложится в общий контур автоматизации рядом с другими ИИ-сервисами: чат-ботами в поддержке и языковыми моделями для работы с документами.

Вывод

Компьютерное зрение даёт два измеримых эффекта: меньше брака доходит до клиента и меньше нарушений техники безопасности остаётся незамеченными. Технология созрела, оборудование подешевело, а основная работа лежит не в нейросетях, а в данных и интеграции. Начинайте с одного узкого участка, где брак или риск стоят дорого, и масштабируйте от доказанной экономики.