ИИ для распознавания дефектов на фото берёт на себя первичный осмотр продукции: камера снимает изделие на линии, модель сравнивает снимок с образцами и помечает подозрительные экземпляры на ручную проверку контролёру. Сплошной осмотр глазами превращается в выборочный по сигналу. Под капотом это модель компьютерного зрения, обученная на ваших фото годных и бракованных изделий.
Что делает модель
ИИ распознаёт дефекты продукции на фото: камера снимает изделие, модель сравнивает снимок с образцами годных и бракованных и помечает подозрительные экземпляры контролёру на проверку. Сплошной осмотр глазами превращается в выборочный по сигналу модели. Финальное решение о браке остаётся за человеком, а модель снимает усталость и пропуски на монотонном осмотре.
В работе с производствами я постоянно вижу одну картину. Контролёр ОТК осматривает сотни одинаковых изделий за смену, глаз замыливается, к концу дня растёт доля пропущенного брака. Сплошной визуальный контроль монотонный и утомительный, а нанять второго контролёра на ту же линию дорого, и усталость глаза всё равно остаётся.
Модель компьютерного зрения забирает первичный осмотр. Камера над линией снимает каждое изделие, модель сравнивает снимок с тем, как выглядит годная продукция и типичный брак, и помечает подозрительные экземпляры. Контролёр смотрит уже сразу всё подряд, а только то, что модель сочла сомнительным. Внимание человека концентрируется там, где оно нужно, а монотонный просмотр одинаково годных изделий уходит.
Отдельная польза — стабильность. Модель сохраняет ровную внимательность к концу смены и применяет один критерий к первому изделию и к тысячному. Там, где у контролёра доля пропусков растёт под вечер, модель держит ровный уровень. При этом она работает в паре с человеком: помечает кандидатов на брак, а решение по спорным выносит контролёр. Это снимает главную боль монотонного осмотра — усталость и человеческий фактор.
- Первичный осмотр изделий на линии по фото с камеры
- Пометка подозрительных экземпляров на ручную проверку контролёру
- Сортировка дефектов по типам: скол, царапина, отклонение формы, пятно
- Сводка по браку за смену: сколько, какого типа, на каком участке
С чего начать
Старт идёт от одного изделия и одного типа дефекта, вместо контроля всей номенклатуры разом. Возьмите позицию, где брака больше всего и где дефект виден на фото, и обучите модель отличать годное от бракованного на ваших снимках. За пару недель пилота станет видно, ловит модель брак или шумит ложными срабатываниями. Такой заход дешёвый: вы проверяете гипотезу на одной линии, а сразу всем производством.
- Выберите одно изделие, где брак частый и виден на фото: например, скол на кромке детали
- Соберите набор снимков: сотни фото годных изделий и фото с типичным браком
- Поставьте камеру над линией так, чтобы дефект стабильно попадал в кадр при одном свете
- Обучите модель на ваших фото отличать годное от бракованного по этому дефекту
- Прогоните пилот: модель помечает кандидатов, контролёр проверяет и сверяет с её решением
- Сверьте долю пойманного брака и долю ложных срабатываний, настройте порог чувствительности
Возьмите один яркий дефект на одном изделии — скол, трещину или явное пятно. Такой брак хорошо виден на фото и модель учится его ловить на меньшем наборе снимков. Тонкие отклонения формы и оттенка оставьте на потом. Узкая задача даёт быстрый результат пилота и понятную картину пользы до больших трат на камеры и обучение.
Чем это работает
В основе лежит модель компьютерного зрения, обученная на ваших фото годной и бракованной продукции. Для съёмки нужна камера над линией со стабильным светом, для обучения — размеченный набор снимков, для работы — компьютер или сервер, который обрабатывает поток фото. Начинать с дорогого промышленного комплекса до проверки гипотезы — верный способ переплатить за линию, где брак ещё толком остаётся неразмеченным.
| Задача | Чем закрыть | Когда усложнять |
|---|---|---|
| Снять изделие стабильно | Одна камера с фиксированным светом над линией | Когда нужен контроль с нескольких ракурсов |
| Отличить годное от брака | Модель зрения на вашем наборе фото | Когда дефектов много типов — расширяют разметку |
| Решение по спорным | Контролёр проверяет помеченные моделью кадры | Когда поток большой — настраивают приоритет проверки |
| Учёт брака | Модель сводит дефекты за смену в отчёт | Когда нужна аналитика по участкам и причинам |
Российское производство упирается в вопрос, где обучать и где держать модель — особенно когда фото продукции составляют коммерческую тайну. Здесь часто выбирают локальное решение на вашем сервере, чтобы снимки изделий покидали периметр предприятия. Конкретный выбор зависит от объёма потока и чувствительности данных. Это тема, которую мы разбираем на разборе процессов под конкретную линию.
Точную стоимость считают под ваш случай: цена зависит от числа камер, объёма разметки и того, локальный сервер или облако. Пилот на одном изделии и одном дефекте обходится заметно дешевле полного комплекса на всю номенклатуру, и именно с пилота стоит начинать. Полный контроль на нескольких линиях окупается позже, когда вы на цифрах увидели, что модель ловит брак и снижает долю пропусков контролёра.
Границы инструмента
Модель ошибается уверенно. Она способна принять блик от света за царапину или пропустить дефект, отсутствовавший в обучающем наборе. Сильная сторона моделей зрения — стабильность на знакомых дефектах, слабая — реакция на новое. Поэтому модель работает как фильтр первого уровня: помечает кандидатов на брак, а финальное решение выносит контролёр. Чем чище и полнее набор фото для обучения, тем меньше ложных срабатываний.
Финальное решение о браке, оценка новых нетипичных дефектов и настройка критериев качества — это зона контролёра и технолога. Модель забирает монотонный первичный осмотр и держит ровный уровень внимания, а ответственность за выпуск продукции остаётся на команде. Модель помечает подозрительное, человек решает.
Новые дефекты требуют отдельного внимания. Когда на линии появляется брак нового вида, отсутствовавший в обучающем наборе, модель его пропустит — она знает только то, что видела. Поэтому контролёр продолжает выборочно смотреть и годные по мнению модели изделия, а новые типы дефектов добавляют в обучающий набор и дообучают модель. Этот цикл стоит заложить заранее, чтобы модель росла вместе с производством.
- Финальное решение о браке: модель помечает, контролёр подтверждает
- Новые виды дефектов: модель пропускает незнакомое, нужен выборочный контроль человеком
- Качество съёмки: нестабильный свет и ракурс ломают распознавание, камеру фиксируют
- Фото продукции как коммерческая тайна: рассматривают локальное решение на вашем сервере
Главная защита от ошибок — узкая задача на старте и проверка результата на пилоте. Когда на реальном потоке модель ловит выбранный дефект и держит низкую долю ложных срабатываний, доверие растёт само. Расширяйте охват постепенно: добавляйте типы дефектов и изделия по одному, дообучая модель на новых фото. Полезно держать технолога, который раз в смену сверяет спорные кадры и пополняет обучающий набор. Так модель становится точнее с каждой неделей работы.
Куда двигаться
Когда модель ловит один дефект на одном изделии и снижает долю пропусков, производство расширяет охват: добавляет типы дефектов, потом другие изделия, потом соседние линии. Так за несколько недель сплошной утомительный осмотр уходит на модель, а контролёр концентрируется на спорных случаях и новых дефектах вместо монотонного просмотра одинаково годных деталей. Это нормальный путь — по одному дефекту, с проверкой отдачи.
Заодно появляется аналитика по браку. Модель сводит дефекты за смену в отчёт: сколько брака, какого типа, на каком участке и в какое время он растёт. Технолог видит, что сколы лезут после смены инструмента, а пятна — на конкретной партии сырья. Это уже основание искать причину брака вместо разрозненных наблюдений контролёров. Контроль качества превращается из ловли брака в управление его причинами.
Сложность здесь в выборе правильного первого дефекта и в сборе чистого набора фото для обучения. Самый частый провал — производство пытается научить модель сразу всем дефектам на плохих снимках с разным светом, получает шум из ложных срабатываний и решает, что инструмент бесполезен. На разборе процессов мы вместе смотрим на вашу линию и выбираем дефект, который окупится быстрее всего.