За наждачкой, к ИИ: как технологии решают проблемы заводского брака в 40%

Контроль соединительных швов шлифленты до сих пор зависит от глаз оператора. По данным презентации «Солид», до 40% дефектов на производстве связаны с человеческим фактором, а доля брака может достигать от 5 до 10%, а в отдельных случаях и 40 до 50%. Стартап прошёл акселератор «Хоумнет» по федеральному проекту «Технологии» и уже тестирует рабочий прототип на реальной производственной линии. Ниже разбираем, как устроена система и что из этого опыта пригодится тем, кто думает о внедрении ИИ на своём производстве или хочет разобраться, зачем нейросети нужны за пределами чат-ботов.

Что понадобится

• Камера на производственной линии, которая снимает поверхность ленты в момент её движения по конвейеру.
• Три модели компьютерного зрения: YOLO (находит нужный объект на изображении), ResNet (превращает картинку в набор признаков для анализа) и PatchCore (сравнивает участок поверхности с эталоном и находит отклонения). Все три работают вместе, а не по отдельности.
• Программная оболочка, которая связывает результаты анализа с интерфейсом оператора, настройками чувствительности и отчётностью.
• Размеченные данные: фотографии швов в трёх состояниях, о которых ниже, с пометками, какое состояние на каждом кадре.
• Доступ к производственной линии для калибровки. Команда «Солид» специально ездила на завод, потому что техническое задание не передаёт реальных условий цеха: скорость ленты, освещение, вибрации.

Как работает система шаг за шагом?

1. Камера снимает участок ленты с обработанным соединительным швом прямо на конвейере.
2. Модель YOLO (алгоритм, который за один проход определяет, где на изображении находится нужный объект) выделяет область шва на кадре.
3. ResNet (нейросеть для распознавания образов) преобразует выделенный участок в цифровое описание, набор признаков, по которым можно судить о состоянии поверхности.
4. PatchCore (алгоритм поиска аномалий) сравнивает полученное описание с эталоном нормальной поверхности и определяет, есть ли отклонение.
5. Система относит участок к одному из трёх классов:
6. Недозачистка: шов обработан недостаточно, остались следы, которые могут оставить царапины на готовом изделии.
7. Норма: поверхность соответствует требованиям.
8. Перезачистка: обработка вышла за допустимые пределы, материал снят больше, чем нужно.
9. Результат отображается в интерфейсе оператора, дефект регистрируется в отчёте. Помимо классификации система выделяет аномальные области на изображении.

Весь цикл, от снимка до вердикта, происходит в реальном времени, пока лента движется по конвейеру.

Зачем команда поехала на завод, а не работала по документам?

Промышленный ИИ (искусственный интеллект, применяемый на производстве для автоматизации контроля, диагностики или управления) плохо создаётся по техническому заданию из офиса. Команда «Солид» работала на заводе под руководством преподавателя кафедры программного обеспечения БГТУ и руководителя проектного офиса предприятия.

На месте они увидели, как проходит зачистка швов в течение рабочей смены, разобрались в ограничениях оборудования и определили точку на линии, где нужно ставить камеру. Без этого визита модель могла бы обучиться на «лабораторных» данных и провалиться на реальном конвейере с его скоростью, вибрацией и освещением.

Кому и зачем это нужно в цифрах?

По данным исследования Sostav.ru, рынок абразивов в России составляет около 1,5 млрд рублей. На бумажные абразивы на ленте или в пачках приходится до 25% этого рынка.

Для завода-изготовителя брак, это прямые потери и удар по репутации: клиент, получивший ленту с плохим швом, уходит к конкуренту. Автоматический контроль снимает зависимость от усталости и внимания оператора в конце смены.

Что делать с этим прямо сейчас?

Если вы автор на Дзене и пишете о технологиях или строительстве. Тема «за наждачкой к ИИ: как технологии решают проблемы» показывает, что нейросети применяются не только в чат-ботах и генерации картинок. Производственный ИИ на российском заводе, это конкретный кейс для статьи, который ваша аудитория может «пощупать» без абстракций.

Если вы маркетолог промышленного предприятия. Пилот «Солид» показывает модель входа: студенческая команда, акселератор, MVP на реальном конвейере. Это не многомиллионный проект с интегратором, а компактное решение с тремя моделями компьютерного зрения. Стоит изучить, подходит ли такая связка для вашего контроля качества.

Если вы предприниматель в РФ. Решение полностью отечественное, от университета до завода. Модели YOLO, ResNet и PatchCore основаны на открытых архитектурах, зависимости от зарубежных облаков нет. Если ваше производство связано с визуальным контролем (текстиль, упаковка, пищевая промышленность), принцип тот же: камера, модели, интерфейс оператора.

Этот белгородский пилот, пожалуй, лучшая иллюстрация принципа «за наждачкой к ИИ: как технологии решают проблемы» не в абстрактном будущем, а на конкретном конвейере, где лента движется прямо сейчас.