Контроль качества на производстве: как машинное зрение находит брак
· Эксперты MLT
Почему выборочный контроль перестаёт работать
На большинстве производств ОТК проверяет выборку. Логика понятная: сплошной визуальный контроль требует людей, которых нет, и внимания, которое у человека к концу смены заканчивается.
Проблема выборки в том, что она ловит систематический брак и почти не ловит редкий. А именно редкий дефект, ушедший к клиенту, стоит дороже всего: возврат партии, разбирательство с сетью, репутация.
Машинное зрение снимает этот компромисс. Камера проверяет 100% изделий с одинаковым вниманием на первом и на восьмом часу смены.
Какие дефекты находит система
Практически всё, что видно глазом на статичном кадре, и часть того, что глазом не видно:
- Геометрия. Деформация, отклонение размеров, перекос, неполная сборка.
- Поверхность. Царапины, сколы, вмятины, загрязнения, посторонние включения.
- Комплектность. Отсутствие детали, крышки, вкладыша, этикетки.
- Маркировка. Нечитаемый или неверный код, смещённая этикетка, неверная дата.
Последний пункт для пищевого производства критичен: маркировка связана с прослеживаемостью и системой «Честный ЗНАК», а нечитаемый Data Matrix — это уже не вопрос эстетики, а несоответствие требованиям. Правила формирования самих кодов задаёт спецификация GS1 DataMatrix. Как это выглядит на реальной линии, показано в кейсе «Йуми».
Сколько нужно данных
Самый частый вопрос — и самый недооценённый этап. Ориентиры из наших проектов:
- Годные изделия: несколько тысяч кадров, снятых на той самой линии, при том самом освещении.
- Каждый тип дефекта: от нескольких сотен примеров. Редкие дефекты добираются в течение первых недель эксплуатации.
- Разметка: размеченные примеры того, где именно дефект. Разметку мы помогаем организовать — существуют зрелые инструменты вроде Roboflow, но чаще размечает тот, кто знает продукт, то есть ваш технолог.
Отдельная стратегия нужна для производств, где брак редкий и примеров почти нет: там модель учат на «нормальном» и ловят отклонения от него. Такой подход к обнаружению аномалий описан в документации scikit-learn и хорошо работает, когда собрать сотни примеров каждого дефекта физически невозможно.
Как система встраивается в линию
Правильная система не заканчивается на экране оператора:
- Камера и подсветка. Стабильный кадр — половина точности. Подсветка подбирается под тип дефекта: боковая выявляет рельеф, рассеянная — цвет и загрязнение.
- Инференс. Модель работает на промышленном компьютере рядом с линией: задержка меньше 50 мс, интернет не требуется.
- Сигнал в АСУ ТП. Изделие отбраковывается автоматически, до того как уйдёт дальше по конвейеру.
- Отчёт. Каждое срабатывание — с кадром, временем, типом дефекта и уверенностью модели. Выгрузка в Excel или в ERP.
Последний пункт часто оказывается самым ценным: накопленная статистика показывает, на какой линии и в какую смену брак растёт, — и это уже вход в автоматизацию процессов, а не просто контроль.
Как считать окупаемость
Считайте не «стоимость системы», а разницу двух чисел: стоимость брака, дошедшего до клиента, до внедрения и после. В нашем кейсе на производственной линии доля брака упала с 4,1% до 0,4% за пять недель, а контролёры ОТК перешли на задачи, где нужен человек.
Вторая часть эффекта — предсказуемость. Когда каждое изделие проверено и зафиксировано, разговор с заказчиком о качестве перестаёт быть спором и становится выгрузкой из отчёта.
Что дальше
- Как та же технология работает вне конвейера — «Видеоаналитика в охране труда».
- База по технологии — «Компьютерное зрение для бизнеса».
- Услуга — «Машинное зрение».
