Выберите тему — соберём контекст
Ставим компьютерное зрение на участки, где контроль держится на внимании оператора: поверхность, геометрия, сборка, маркировка. Считаем не абстрактную точность, а долю пропущенного брака и количество ложных остановок, потому что у каждой ошибки своя цена.
Или сразу: +7 (962) 368-39-51 Telegram
Ограничения человеческого глаза и типовые провалы первых проектов машинного зрения.
Внимание при монотонном просмотре падает через два-три часа. Дефект размером в доли миллиметра, который утром был бы замечен, к вечерней смене проходит дальше. Это не вопрос квалификации, а физиология, и именно поэтому доля пропуска растёт с темпом линии.
«Царапина», «вмятина», «непрокрас» — формулировки в регламенте понятны человеку, но не модели. Для обучения нужна разметка тысяч изображений, а на старте проекта её нет: приходится начинать с фотоархива, который никто не собирал системно.
Модель, обученная при одном освещении, ломается при замене ламп или смене смены. Блик на металле, вибрация конвейера, загрязнение объектива — всё это сдвигает распределение картинки, и точность падает без единого изменения в самом продукте.
Модель с высокой чувствительностью находит дефекты там, где их нет, и каждая ложная тревога — это остановка, разбор и потеря темпа. Поэтому «максимальная точность» не является целью: важно выбрать рабочий порог, исходя из стоимости пропуска и стоимости ложной остановки.
Контроль фиксирует факт брака, но не отвечает на вопрос «почему». Если дефектность выросла после смены партии сырья или переналадки пресса, эту связь нужно увидеть в данных, иначе борьба с браком превращается в перебор гипотез.
Оценить систему контроля можно только по обратной связи: сколько дефектов обнаружено позже, на следующих переделах или у заказчика. Без учёта рекламаций и возвратов невозможно понять, действительно ли автоматизация улучшила ситуацию.
От постановки съёмочного места до статистического анализа причин отклонений.
Начинаем не с модели, а с картинки: какое разрешение нужно, чтобы дефект был различим, как поставить свет, чтобы блик не маскировал царапину.
Собираем датасет из реальных изображений, включая редкие классы дефектов, и обучаем модель с оценкой по каждому классу отдельно.
Модель должна успевать в такт конвейера и работать в цеху, где нет стабильного интернета и есть ограничения по оборудованию.
Связываем результаты контроля с параметрами процесса, чтобы находить причины, а не только фиксировать следствия.
Сначала доказываем, что дефект вообще различим на снимке, и только потом строим систему.
Смотрим процесс, темп линии, виды дефектов и текущие потери. Фиксируем стоимость пропуска и стоимость ложной остановки — это определяет целевые метрики.
Собираем несколько тысяч реальных изображений на участке, включая редкие дефекты, и проверяем различимость. На этом шаге часто выясняется, что нужна другая подсветка.
Обучаем модель, подбираем рабочий порог по цене ошибок и проверяем на отложенной выборке, собранной в другие смены.
Ставим систему на линию в режиме подсказки оператору, сверяем решения, устраняем слабые места и только затем включаем автоматическую отбраковку.
Проект машинного зрения начинается не с выбора нейросети, а с ответа на вопрос: различим ли дефект на изображении в принципе. Если минимальный дефект — царапина шириной 0,05 мм, а камера даёт 20 пикселей на миллиметр, дефект займёт один пиксель и будет неотличим от шума матрицы. Поэтому первым делом считают требуемое пространственное разрешение, подбирают объектив и только потом думают об архитектуре модели.
Второй по важности фактор — освещение. Большинство провалившихся проектов провалились не из-за модели, а из-за картинки: блик на глянце маскирует вмятину, а рассеянный свет не даёт контраста для трещины. Направленный свет под углом выявляет рельеф, диффузный — цветовые отклонения, теневой метод — геометрию. Часто для одного участка нужны две съёмочные позиции с разными схемами.
И третье — синхронизация с производством. Съёмка должна происходить в момент, когда объект находится в нужной позиции, а результат — успевать до отбраковщика. Это инженерная задача: датчик позиции, энкодер конвейера, стабильный триггер. Без неё даже идеальная модель будет получать смазанные кадры.
В задачах контроля качества нельзя говорить «точность 98%» — это бессмысленная цифра без разделения метрик. Recall показывает, какую долю реальных дефектов мы нашли. Precision — какую долю наших тревог составили настоящие дефекты. Эти метрики конфликтуют: lowering порог увеличивает recall и снижает precision.
Выбор порога — экономическое решение. Считаем стоимость пропущенного дефекта: если он уходит к заказчику, это рекламация, возврат, логистика, а иногда штраф по контракту. И стоимость ложной тревоги: остановка линии, время оператора на перепроверку, снижение темпа. Если пропуск стоит в пятьдесят раз дороже ложной остановки, разумно сместить порог в сторону чувствительности и смириться с ростом числа перепроверок.
На практике мы предлагаем трёхуровневую схему: уверенный дефект — автоматическая отбраковка, спорный случай — сигнал оператору для решения, уверенно годная деталь — проходит без вмешательства. Такая схема позволяет запустить систему, не дожидаясь идеального качества модели, и уточнять пороги по мере накопления статистики.
Найти брак — половина задачи. Вторая половина — понять, почему он появился, и не допустить повторения. Здесь работает классический статистический контроль процесса: контрольные карты показывают, что процесс вышел из стабильного состояния, индексы воспроизводимости — укладывается ли он в допуск. Модель машинного зрения добавляет к этому то, чего раньше не было: полную и объективную картину по каждой детали вместо выборочного контроля.
Имея такую картину, можно сопоставлять дефектность с факторами процесса: партией сырья, сменой, конкретным станком, временем после наладки, температурой в цехе. Обычно связь обнаруживается быстро и оказывается неожиданной — например, рост числа мелких вмятин коррелирует не с оборудованием, а с заменой поставщика упаковки. Такие выводы окупают проект быстрее, чем сама автоматизация контроля.
Отдельный результат — данные для развития. Каждое отклонение фиксируется с изображением и контекстом, поэтому разбор проблемы через месяц не сводится к воспоминаниям оператора: есть снимки, параметры и статистика. Это меняет культуру работы с качеством, потому что спор превращается в анализ данных.
Минимальный комплект — промышленная камера с подходящим разрешением, объектив, осветитель, вычислительный модуль рядом с линией и датчик синхронизации. Часто можно использовать существующие камеры, если их разрешение достаточно для минимального размера дефекта. Мы подбираем комплект под задачу и бюджет, а не наоборот, и на этапе обследования проверяем, хватает ли уже установленного оборудования.
Для устойчивого распознавания типового дефекта обычно требуется от 500 до 2000 размеченных примеров. Сложность в редких классах: если дефект встречается раз в месяц, набрать выборку быстро не получится. В таких случаях мы используем комбинацию подходов — обучение на доступных примерах, генерацию вариаций, обнаружение отклонений от нормы вместо классификации дефекта — и постепенно дообучаем модель на реальных кадрах.
Это ожидаемое поведение, если изменилось сырьё, освещение или режим оборудования. Мы предусматриваем три механизма: контроль дрейфа входных изображений, режим накопления спорных кадров для дообучения и возможность быстрой перенастройки порога без переобучения. Регулярное дообучение раз в квартал на свежих данных, включая случаи, разобранные операторами, удерживает качество на нужном уровне.
Нет. Инференс выполняется локально на промышленном компьютере, модель экспортируется в ONNX и работает автономно даже при полном отсутствии внешней сети. Внешний канал нужен только для передачи агрегированной статистики и обновления модели, причём обновление можно проводить вручную в технологическое окно. Это же решение закрывает требования по защите производственных данных.
Смежные задачи, которые обычно решаются в одном проекте с этой.
Пришлите фотографии брака и описание участка — оценим, различим ли дефект на снимке, какие метрики достижимы и что потребуется изменить на линии.
Cookie и аналитика
Мы используем необходимые cookie для работы сайта и форм. Аналитические cookie (Яндекс.Метрика, включая запись сессий) подключаем только с вашего согласия — от него можно отказаться. Подробнее: Политика использования cookie и обработка персональных данных.