Формализация требований к качеству
Работу над данным ИИ-проектом начали с формализации критериев брака. Для промышленного контроля недостаточно обучить модель находить визуальные отклонения: система должна понимать, в каких случаях обнаруженный дефект действительно нарушает требования производства.
Вместе с заказчиком была сформирована классификация дефектов и правила их оценки для разных категорий поверхности. Учитывались тип отклонения, его размер, количество и расположение. В отдельную группу вошли дефекты обработки кромки: выступ над плоскостью, выступ на торцах, следы клея, сколы, царапины, подрез ламината и кромки, зазор, ребристость, частичное скругление, отсутствие корректной обкатки, точки, пятна и разнотон.
Такая подготовка позволила построить систему компьютерного зрения вокруг реальных требований ОТК и конкретного предприятия.
Учет категорий поверхности и допустимых отклонений
Для поверхностей категорий A, B и C действуют разные требования к качеству. Поэтому обнаружение дефекта само по себе не всегда означает автоматическую браковку детали.
Например, для сколов учитываются глубина, длина и количество повреждений. В одних случаях небольшое отклонение находится в пределах допуска, в других аналогичный дефект является недопустимым.
Поверх модели распознавания была реализована прикладная логика, которая сопоставляет результат машинного зрения с производственными нормативами.
В результате система анализирует не только наличие дефекта, но и его соответствие заданным критериям качества.
Организация точки машинного зрения на производстве
Для стабильной работы системы была организована отдельная точка визуального контроля непосредственно на производственной линии. Промышленные камеры фиксируют кромку проходящей заготовки с необходимой детализацией. Захват изображения синхронизирован с движением детали через контрольную область.
При проектировании учитывались положение заготовки, скорость производственной линии, геометрия контролируемой зоны и требования к обнаружению небольших дефектов. Такой подход позволяет использовать компьютерное зрение на производстве в непрерывном технологическом процессе без дополнительной ручной операции.
Подготовка датасета и обучение модели
Для работы решения сформирован специализированный датасет с примерами корректной обработки и различных видов брака. Изображения отражают реальные условия предприятия: материалы, цвета, фактуры деталей, особенности оборудования и внешний вид дефектов после кромления.
Данные были размечены по согласованной классификации и использованы для обучения моделей семейства RT-DETR. При оценке моделей учитывались Recall, mAP и F1-score. Для системы контроля качества особенно важно одновременно минимизировать пропуски реального брака и ограничивать количество ложных срабатываний.
После первичного обучения модель проверялась на новых данных с производственной линии, а сложные случаи включались в дальнейший цикл дообучения.
Анализ деталей в реальном времени
После прохождения детали через контрольную точку система автоматически получает изображение и выполняет нейросетевой анализ. Технологии компьютерного зрения определяют наличие визуального отклонения и его тип. Далее результат передается в бизнес-логику, где сопоставляется с категорией поверхности и правилами допустимости.
При обнаружении нарушения система формирует событие, сохраняет соответствующее изображение и отображает результат оператору.
Так искусственный интеллект на производстве позволяет выполнять контроль непосредственно внутри технологического процесса и выявлять отклонения до перехода детали на следующие этапы изготовления.
Автоматизированное рабочее место оператора
Для производственной линии разработано автоматизированное рабочее место, объединяющее камеры, локальный вычислительный модуль и интерфейс оператора. На экране отображается текущий статус проверки. При выявлении дефекта сотрудник видит тип отклонения и соответствующий участок детали.
Локальный программно-аппаратный комплекс выполняет первичную обработку данных непосредственно рядом со станком и передает результаты в централизованную систему.
Такое построение позволяет встроить систему машинного зрения в существующий производственный процесс без существенного изменения работы оператора.
Регистрация и история дефектов
Для службы ОТК и руководителей разработан централизованный веб-интерфейс. Каждое обнаруженное отклонение регистрируется в базе данных.
В системе сохраняются время события, результат проверки, тип дефекта и изображение контролируемого участка. Накопленные данные формируют цифровую историю качества производства.
Сотрудники ОТК могут анализировать не только отдельные дефектные детали, но и повторяемость различных типов брака, изменение их количества и распределение во времени.
Архитектура предусматривает возможность подключения нескольких автоматизированных рабочих мест к единому вычислительному и программному контуру.
При масштабировании системы компьютерного зрения новые производственные точки можно подключать к общей инфраструктуре, сохраняя единый интерфейс мониторинга.
Для эксплуатации решения реализованы инструменты логирования и удаленной диагностики. Система отслеживает состояние камер, вычислительного оборудования и программных компонентов. Это помогает быстрее определить причину сбоя и отделить техническую неисправность от ошибки распознавания.
Тестирование и внедрение ИИ на производстве
Перед запуском система прошла стендовое тестирование, после чего оборудование было установлено на производственной линии.
На объекте выполнены настройка камер, конфигурирование ПО, проверка интерфейсов и тестирование компьютерного зрения на реальном потоке деталей. Полученные данные использовались для корректировки моделей и алгоритмов обработки.
Такой поэтапный подход к внедрению ИИ на производстве позволил адаптировать решение к фактическим условиям работы оборудования и требованиям контроля качества заказчика.
