В статье рассказываем об основных сценариях применения промышленного компьютерного зрения, этапах разработки и внедрения. Также кратко обозначим возможные трудности и варианты их решения.
Терминология и общие принципы работы
Первые алгоритмы распознавания появились еще в 1970-х, решали только простейшие задачи, не могли отличить апельсин от яблока или прочитать рукописный текст. По мере развития технологий компьютерное зрение стало важной частью четвертой промышленной революции.
Машинное, или техническое зрение, более узкий термин. Его используют, когда говорят о промышленных системах на основе CV, разработанных под конкретные задачи:
- визуальный осмотр и обнаружение дефектов;
- позиционирование и измерение деталей;
- идентификация, сортировка и отслеживание продукции.
Промышленное техническое зрение не отдельное ПО и не обученная под задачи бизнеса нейросеть. С помощью освещения, датчиков/сенсоров и оптики система захватывает изображение, модель CV производит обработку и анализ. На основе заданных критериев система принимает решение и инициирует действие (сигнал оператору, остановка линии, запись в систему, заявка на ремонт).
Сценарии применения компьютерного зрения в промышленности
По прогнозу AIANA, в 2026 году российский рынок компьютерного зрения вырастет на 29%, в основном за счет систем детекции и видеоаналитики на производстве и транспорте. Вот четыре сценария использования промышленного машинного зрения, которые чаще всего дают быстрый и измеримый эффект.
Контроль качестваДля автоматического обнаружения дефектов над конвейером устанавливаются камеры, фиксирующие изделие. Изображение поступает на промышленный компьютер или локальный сервер, где с помощью сверточной нейросети (CNN) и детекторов в реальном времени классифицируют объекты и локализуют дефекты.
Машинное зрение для выявления дефектов на производственной линии. При обнаружении брака система подает сигнал оператору или в контроллер линии.
производство
Техническое зрение для контроля подачи пакетов с химическими компонентами на участке резиносмешения без участия оператора.
Охрана труда и промышленная безопасность
Для контроля использования СИЗ, трекинга сотрудников и техники, расчета дистанции и фиксации опасных сближений используют детекторы объектов в сочетании со световой демаркацией участков. Нейросеть покадрово анализирует данные с камер, автоматически регистрирует события и отправляет оповещения ответственному лицу.
Использование световой демаркации с ИИ на производстве на 60-70% сокращает трудозатраты службы охраны труда.
Для визуального контроля узлов и предиктивного обслуживания промышленное машинное зрение работает в связке с тепловизорами, датчиками вибрации и технологиями дополненной реальности (AR). Система сопоставляет изображения и данные датчиков с критериями износа, прогнозирует остаточный ресурс и формирует заявку на обслуживание.
Высокоточная диагностика горного конвейерного оборудования для предотвращения аварийных ситуаций.
- Ускорение диагностики в 2 раза и повышение точности на 30%.
- Повышение безопасности условий труда обходчиков на 60%.
Для быстрого распознавания маркировки, ускорения идентификации и учета перемещения грузов камеры размещаются на погрузчиках, кранах-балках или стационарных порталах. Интегрированная с WMS OCR-модель распознает код владельца, серийный номер и контрольную цифру.
Сервис идентификации по фотографии грузов с утраченной маркировкой на базе технического зрения.
До 87% выше точность распознавания негабаритных грузов.
Программа для автоматического чтения маркировки на контейнерах даже в движении и с загрязнениями.
Нейросеть распознает символы на скорости до 70 км/ч
Этапы внедрения
Чтобы не тратить время и ресурсы на бесконечные проверки перед запуском, не исправлять ошибки и не искать компромиссы, важна правильная последовательность внедрения машинного зрения на производстве.
| Этап | Содержание | Результат |
|---|---|---|
| Сбор датасета и подготовка данных | Набор изображений со всеми производственными вариациями: партии сырья, освещение, положение изделия, сезонные изменения и редкий брак. | Репрезентативный датасет, снижение риска ложных срабатываний |
| Проектирование зон контроля | Подбор камер и освещения, разметка данных. Проект монтажа с учетом рабочей дистанции и вибраций, защиты объективов и подсветки, доступа для обслуживания | Техническое оснащение соответствующее задачам |
| Обучение и валидация модели | Выбор архитектуры с балансом точности и скорости на промышленном железе. Проверка на отложенной выборке и в реальных условиях линии. Настройка порогов под цену ошибки. | Модель с заданными метриками, механизм дообучения на спорных кадрах |
| Интеграция с ПЛК, SCADA, MES и ERP | Связка с ПЛК и SCADA для сигналов на отбраковку, остановку линии и блокировку оборудования. Обмен данными с MES и ERP. | Рост автоматизации, меньше брака, простоев и ручного контроля |
| FAT и SAT испытания | Проверка алгоритма, интерфейсов, рецептов, диагностики и набора образцов. Проверка скорости линии, освещения цеха, уровня вибрации и загрязнения, действий оператора и взаимодействия с оборудованием. | Отработанные тестовые сценарии и алгоритм действий при сбоях |
| Промышленная эксплуатация | Вывод в эксплуатацию, интерфейс подтверждения срабатываний, дообучение модели, корректировка регламентов линии. | Готовность к тиражированию через перенос обучения |
Ошибки внедрения технического зрения
Некачественная проработка датасета. Для обучения модели важно собрать максимально репрезентативную базу с пограничными дефектами, загрязнениями, редкими видами брака, сложными кадрами. А также регулярно дообучать систему на новых партиях и спорных случаях.
Отсутствие единых стандартов оценки. На этапе обучения важно утвердить эталонные образцы, сохранять дефектные кадры, указывать код причины и измерения, чтобы сигнал OK/NOK срабатывал корректно, и система не выдавала ложноположительных и ложноотрицательных результатов.
Низкое качество освещения. Блики на металле, тени от конвейера, смена света из окон или перегоревшая лампа приводят к ошибкам. Чтобы не усложнять алгоритм системы, нужны управляемая подсветка под задачу, защитный кожух для оптики, направляющие, регулярная проверка качества изображения с калибровкой систем.
Неправильно подобранное оборудование. Сначала определяют задачи и ограничения системы, технические требования (производительность, интерфейсы, разрешение, поле зрения и др.). Если закупить свет, оптику и датчики заранее, есть риск, что придется проектировать систему с учетом дополнительных ограничений.
Отсутствие обслуживания системы. Даже если система смонтирована правильно и для техники предусмотрены защитные кожухи, необходимо продумать регламенты для очистки, калибровки, контроля состояния. Для кибербезопасности нужно выделить систему в отдельный защищенный контур, вести журнал изменений и сохранять резервные копии.
Заключение
Данные опубликованных кейсов показывают, что использование на производстве технологии компьютерного зрения в сочетании с нейросетью:
- на 3–8 п. п. увеличивает общую эффективность оборудования;
- на 30–50% снижает количество брака на производстве;
- на 95–99,7% повышает точность обнаружения дефектов;
- на 40–60% сокращает трудозатраты операторов и специалистов охраны труда.
Что касается окупаемости, в исследовании Cognex указывают, что реалистичный срок составляет 12–24 месяца в зависимости от сценариев, отрасли и качества данных. Лучше начинать с пилота на одном участке, планировать проект с запасом по срокам на обучение модели и донастройку технического зрения под особенности производства.