Визуальный контроль с ИИ и машинное зрение для контроля качества

Современные few-shot модели часто начинают работу с нескольких сотен изображений; система продолжает обучаться уже в процессе эксплуатации.

Промышленные камеры и освещение подбираются под конкретную задачу: мы поставляем полностью спроектированный пост контроля.

Новые варианты продукции быстро обучаются на основе существующих моделей, что идеально подходит для производства с широкой номенклатурой.

На правильно подобранном сервере инференс занимает миллисекунды и редко оказывается узким местом, но задержку надо считать по каждому посту отдельно, если несколько камер висят на одном GPU. Решает всё остальное в цикле: деталь должна быть неподвижна и одинаково освещена в момент срабатывания триггера, а решение об отбраковке должно прийти раньше, чем деталь дойдёт до отсекателя. Если такт не оставляет на это времени, лечится это механикой. Более быстрая модель тут не поможет.

Да, ретрофит является обычной практикой, но работы там больше механической и электрической, чем программной. Нужен триггерный сигнал от ПЛК или датчика, исполнительный механизм, способный снять брак с линии, и кабельная трасса до сервера инференса. Обучение модели обычно самая короткая часть проекта; сроки определяет то, как заставить деталь каждый цикл вставать перед камерой одинаково.

Всё, чего не видит камера. Внутренние трещины, поры под поверхностью, глубину проплавления сварного шва, момент затяжки и свойства материала ловят другим методом контроля. Более удачная модель здесь ничего не изменит. Зрение плохо работает и там, где у дефекта нет устойчивого визуального признака, где граница между «годен» и «не годен» зависит от вкуса контролёра и не описывается порогом, и где деталь приходит под непредсказуемым углом. Определите, какие именно виды дефектов вы ловите, прежде чем проектировать пост контроля.

После запуска кто-то должен подтверждать или исправлять классификации, в которых система не уверена. Именно эта обратная связь поддерживает модели в актуальном состоянии, и это регулярная нагрузка, для которой отдельная штатная единица не нужна. Основное усилие приходится раньше, на первые недели: сбор представительных изображений годных деталей и каждого класса дефекта, который вам важен. Вешать это на человека поверх полной смены, не выделив ему времени, не стоит.

Ошибается она в две стороны, и одно меняется на другое порогом принятия решения. Если затянуть порог, годные детали уйдут в брак или на повторный контроль; если ослабить, дефекты уйдут к заказчику. Видеть нужно и то и другое, поэтому каждое решение сохраняется вместе с изображением, а отбраковку следует с заданной периодичностью сверять с оценкой контролёра. Пост, ложные срабатывания которого никто не разбирает, операторы рано или поздно научатся обходить.

Инференс идёт на локальном GPU-сервере машинного зрения, поэтому контур принятия решения в реальном времени не выходит за пределы завода. За счёт этого задержка и остаётся достаточно низкой для отбраковки на линии. Сохранённые изображения и правки операторов, по которым идёт дообучение, требуют отдельного решения: если модели донастраивает MSF на ваших данных, зафиксируйте в договоре, остаются ли эти изображения на площадке. Остальная часть платформы разворачивается как SaaS, в приватном облаке или on-premise.

Её снимают с линии, а дальше решение принимает тот, кто за него отвечает: списание в брак, доработка или допуск по отклонению. Сам результат уходит в модуль MSF Quality, попадает на карты SPC и может автоматически сформировать отчёт о несоответствии. Автоматически не происходит эскалация, когда какой-то класс дефектов начинает расти, поэтому порядок разбраковки и эскалации нужно согласовать до того, как камера встанет на линию.