Нейросети в системах контроля качества

Контролёр Иван стоит у конвейера. Восемь часов. Каждый день. Смотрит на детали. Одна за одной. Сотни в час. К четырём часам дня уже устал. К пяти — вообще не видит. В шесть почти спит на ногах. Ровно в семь проходит мимо последняя деталь — и Иван не замечает трещину. Маленькую, но заметную. Эта деталь попадёт к заказчику. Заказчик обнаружит дефект. Жалоба придёт на предприятие. Репутация поцарапана. Штраф выписан.

Это история, которая повторяется каждый день на тысячах производств. Человеческий глаз — это не машина. Он устаёт. Отвлекается. Пропускает важное.

Нейросети решают эту проблему радикально. Они не устают. Не отвлекаются. Видят то, что видеть не может ни один человек. И работают в 10 раз быстрее.

Представьте конвейер. На нём движется продукция. Детали, упаковка, металлопрокат — зависит от производства. Над конвейером висит камера. Обычная, но промышленная. Она видит каждое изделие. 60, 80, 120 кадров в секунду — всё зависит от скорости конвейера.

Видео идёт на компьютер. Обычно это простой системный блок, но с хорошей видеокартой. На этом компьютере работает нейросетевая модель. Она обучена на тысячах примеров — как выглядит брак, как выглядит норма.

Модель смотрит на каждый кадр. Анализирует. Ищет дефекты. Всё это занимает миллисекунды. Если модель видит дефект — она отправляет сигнал. Сигнал идёт в контроллер. Контроллер управляет пневмопушкой или роботом. Бракованное изделие — раз! — и уже лежит в отдельном бункере. Следующее уже движется по конвейеру.

Скорость процесса? На конвейере движется до 50 метров в секунду. Точность? До 98%. Размер дефекта? Нейросеть видит трещины от 0,1 миллиметра. Человеческий глаз видит только то, что больше 0,5 миллиметра.

Первое, что видит нейросеть — трещины. Маленькие. Волосяные. В металле, в пластике, в керамике. Когда трещина ещё не видна невооружённому глазу, нейросеть уже знает про неё.

Второе — посторонние включения. Металлическая стружка в продукции. Кусок пластика в коробке. Волос на деталь прилип. Грязь. Пыль. Всё видно.

Третье — неправильная форма. Деталь должна быть круглая, а она немного овальная. На мехобработке произошёл сбой. Чертёж говорит, что диаметр должен быть 25 миллиметров, а тут 25,3. Нейросеть это видит. Человек — нет.

Четвёртое — царапины, вмятины, коррозия. Всё, что портит внешний вид и может привести к проблемам при эксплуатации.

Пятое — дефекты упаковки. Замятая коробка. Отсутствует этикетка. Штрихкод криво напечатан. QR-код нечитаемый.

Шестое — ошибки при сборке. Забыли вкрутить болт. Деталь стоит вверх ногами. Провод не в том месте.

Во всех этих случаях нейросеть работает быстрее, точнее и надёжнее человека.

В 2024 году в Томском государственном университете столкнулись с интересной проблемой. Они производят радиоэлектронное оборудование. Критичное оборудование. То, которое используется на спутниках.

Проблема была в том, что внутренние дефекты радиокомпонентов выявлялись только после долгой работы аппарата. Иногда — уже на орбите. Это стоило дорого. Очень дорого.

Решение пришло неожиданно. Они взяли рентгеновский микротомограф — машину, которая делает 3D снимки деталей. И применили к этим снимкам нейросеть. Собрали базу из 1500 эталонных изображений и 10 000 дефектных. Обучили модель.

Результат? Система стала точнее, чем аналоги из США, Китая и Тайваня. Теперь её внедряют в компанию «Информационные спутниковые системы». На конвейере стоит автоматическая диагностика. Брак выявляется на этапе производства, а не на орбите.

Другая история. Другой конвейер. Металлургический завод. На нём движется конвейерная лента. Километровая лента. Каждый день она работает. И каждый день на ней может появиться повреждение. Порез. Прокол. Боковой срез. Ржавчина.

Раньше эти повреждения выявлялись постфактум — когда лента уже сломалась. Завод остановился. Потери в миллионы. Лента лежит в хранилище месяц. Пока её чинят.

Компания Softline внедрила систему видеомониторинга. Камеры смотрят на ленту. Нейросеть анализирует. Как только видит дефект — срабатывает алерт. Техники видят это в системе. Планируют ремонт на выходной. Лента чинится. Завод не останавливается.

Завод ООО «ТехноСтиль» выпускает сэндвич-панели и рулонную сталь. Раньше на этом заводе было узкое место: после выпуска стали нужно было отследить дефекты. Прорывы, непроцинковку, царапины, вмятины. Выявлялись эти дефекты во время окраски. А это означало остановку конвейера. Простои. Потери.

Кроме того, процесс был ручной. Оператор отдела технического контроля смотрел на полотно металла. Искал дефекты. Составлял отчёт. Всё это занимало два рабочих дня.

Завод внедрил систему ML Sense. Машинное зрение на основе нейросетей. Теперь дефекты обнаруживаются в реальном времени прямо на конвейере. До того, как металл дойдёт до окраски.

Что изменилось? Время на составление отчёта сократилось с двух дней до 20 минут. Вместо того чтобы стоять и смотреть на металл, оператор смотрит на экран. На экране появляется отчёт с типом дефекта, его размером, точным местоположением на листе. Система работает с точностью до 0,1 миллиметра. 97% точность распознавания.

Евгений Данилов, начальник производства, говорит: «Система избавляет наших сотрудников от рутинного труда. Теперь они работают быстрее и с большей пользой для компании».

Плюс — интеграция с 1С. Отчёт по дефектам формируется автоматически и попадает прямо в информационную систему завода. Никаких ручных вводов.

YOLO — это аббревиатура от «You Only Look Once». Буквально — смотри один раз. Это архитектура, которая выявляет объекты на изображении очень быстро. На GPU обрабатывает 200 кадров в секунду. Это стандарт для конвейерных систем. YOLOv8, YOLOv10 — актуальные версии. Почти все системы контроля качества используют именно эту архитектуру.

ResNet — это сеть для классификации. Если YOLO говорит «вот здесь дефект», то ResNet говорит «это трещина» или «это царапина» или «это посторонний объект». Точность до 99 процентов. На CPU работает медленнее, но точнее.

CNN — базовая свёрточная сеть. Если YOLO и ResNet — это специалисты, то CNN — это универсальный рабочий. Работает везде. На любых изображениях.

U-Net — это сеть для сегментации. Она не просто говорит, что там дефект. Она показывает, где именно дефект на изображении. До миллиметра. Это нужно, когда нужно понять, насколько большая трещина.

Сначала нужно понять, что вы хотите. Какие дефекты выявлять? Трещины? Дефекты упаковки? Геометрические отклонения? Это определяет выбор архитектуры.

Потом нужны данные. Фотографии или видео. Эталонных — тех, что без дефектов. И дефектных — тех, что с браком. Нужно минимум 500–1000 примеров. Для сложных задач — до 10 000. Да, это много. Да, это долго. Но это обязательно.

Затем разметка. Человек садится, смотрит на каждое изображение и отмечает дефекты. Рисует коробочку вокруг трещины. Пишет, что это трещина. Это самый нудный этап. Занимает 60–80% всего времени на внедрение. Но это основа. Если разметить плохо, модель будет плохая.

После этого — обучение. Алгоритм смотрит на все эти размеченные изображения и учится распознавать дефекты. Модель выучивает паттерны. Что такое трещина? Как она выглядит? Из каких пикселей состоит?

Потом идёт тестирование. Модель смотрит на изображения, которых она раньше не видела. Говорит — вот здесь дефект, вот здесь нет. Мы сравниваем с правильным ответом. Получается точность. Обычно стараются достичь 95–98 процентов.

После этого уже интеграция с производством. Камеры на конвейер. Компьютер с моделью. Связь с контроллером. Всё должно работать синхронно. Когда модель видит дефект — ровно в этот момент должна сработать отбраковка.

И последний этап — просто работа. Система едит. Каждый день. Каждую смену. И мониторит качество.

Когда система внедрена, на производстве происходят перемены.

Во-первых, брак снижается. Раньше было 5% брака. Когда внедрили систему — стало 1–2%. Просто потому, что дефекты выявляются вовремя.

Во-вторых, ускоряется всё. Проверка идёт в 5–10 раз быстрее, чем вручную. Конвейер может ехать быстрее. Выпуск растёт.

В-третьих, люди. Контролёров нужно меньше. Или их перемещают на другую работу. Система работает 24/7. Не нужны смены, не нужны выходные.

Финансово? Окупаемость обычно за 6–18 месяцев. Зависит от объёмов. На крупном производстве окупается быстрее.

Цена. Камеры, компьютер, разработка модели — это от 1 до 5 миллионов рублей. Много денег. Для малого производства — вообще недоступно. Для крупного — инвестиция, но понятная.

Данные. Нужны примеры дефектов. А дефекты редкие. Если брак 1%, то нужно посмотреть 1000 изделий, чтобы собрать 10 дефектных. Это долго.

Изменчивость. Освещение в цехе меняется. Детали разные. Камера может смещаться. Модель нужно обучать на всех этих вариантах. На заводе ТехноСтиля для этого провели серию съёмок, имитирующих реальные условия. Экспериментировали с углами обзора и освещённостью. Это помогло достичь требуемой точности без изменения условий на производстве.

Интеграция. Система должна разговаривать с ПЛК. С MES. С ERP. С облаком. Это сложная работа. Нужны люди, которые понимают и ИИ, и промышленность.

К 2030 году 85% производств с конвейерами будут использовать системы компьютерного зрения. Это не предсказание. Это сценарий развития, к которому все идут.

Камеры будут дешевле. Алгоритмы — быстрее. Специалистов — больше. А главное — окупаемость инвестиций будет 2–3 месяца вместо 6–18 месяцев.

Начните с малого. Выберите самый критичный участок конвейера. Один тип дефекта. Соберите данные. Обучите модель за два месяца. Запустите в тестовом режиме. Посмотрите результаты.

Если результат хороший — масштабируйте на другие участки. Если результат плохой — дообучите модель. Никто не рождается с готовой системой.

И главное — не бойтесь. ИИ — это не магия. Это алгоритм. Он выучивается на данных. Если данные хорошие, результат будет хороший.

Человек устаёт. Допускает ошибки. Это нормально. Машина не устаёт. Не ошибается. Это не замена человека. Это помощник. Контролёр больше не стоит у конвейера 8 часов. Он смотрит на экран. Видит, что система работает. Если возникает проблема — реагирует.

Брак выявляется быстрее. Качество растёт. Прибыль растёт. Это не будущее. Это настоящее. Компании, которые начнут внедрять нейросети в контроль качества сейчас, через год будут впереди конкурентов. Те, кто ждёт, будут догонять.