Машинное зрение для контроля качества на производстве
Разрабатываем систему машинного зрения под конкретное изделие и конкретный дефект: подбираем камеру и схему освещения, размечаем данные с вашей линии, обучаем модель и интегрируем её с ПЛК, MES или системой отбраковки. Точность проверяем на кадрах вашего производства, а не на демонстрационном ролике поставщика оборудования.
Какие задачи контроля качества решает машинное зрение?
Машинное зрение берёт на себя контроль качества везде, где дефект в принципе виден на изображении: сварной шов, окрашенная поверхность, паяное соединение, уровень розлива, сортность пиломатериала, печать на упаковке. Мы разрабатываем систему машинного зрения под конкретное изделие и конкретный тип брака, а не подключаем универсальный алгоритм — иначе точность на реальной линии окажется заметно ниже ожидаемой.
Дефекты сварных швов и проката
Непровар, прожог и поры шва в металлургии и машиностроении; трещина, плена и окалина на поверхности листового проката.
Окраска и геометрия деталей
Подтёки и непрокрас на кузовных деталях, микросколы на лопатках турбин, отклонение размеров детали от CAD-модели.
Пайка и печатные платы
Оптическая инспекция паяных соединений SMT, дефекты топологии платы, рентген-контроль скрытых BGA-соединений в электронике.
Контроль пищевой продукции
Поиск посторонних предметов по рентгену, контроль уровня розлива и герметичности укупорки, сортировка плодов по спелости.
Сортировка сырья и пиломатериала
Пиломатериал по сучкам, синеве и гнили, дефекты фанеры и шпона; гранулометрия руды и отделение породы на конвейере.
Упаковка, печать и материалы
Непропечатка, разнотон и несовмещение на упаковке, читаемость кода «Честный знак», дефекты стекла, кирпича, ткани и кожи.
Как проходит разработка системы машинного зрения?
Начинаем с вашей линии: смотрим, где встанет камера, как меняется освещение в течение смены и какие дефекты нужно ловить. Дальше размечаем кадры, обучаем модель и замеряем точность на отложенной выборке, которая не участвовала в обучении. Пилот запускаем на одном участке линии, а полное внедрение — после подтверждённой точности.
Какие камеры машинного зрения и форматы данных мы используем?
Работаем с промышленными камерами машинного зрения по GigE и USB3, а также с обычными IP-камерами, если требования к скорости и разрешению ниже. Принимаем архив снимков или подключаемся к потоку напрямую. Результат отдаём как сигнал в вашу систему: команда на отбраковку, событие в MES или запись в отчёте контролёра.
Какая точность контроля достижима на линии?
Точность зависит от освещения, скорости линии и контраста дефекта с фоном — на бликующей поверхности модель ошибается чаще, чем в лаборатории поставщика камеры. Поэтому мы не называем процент заранее, а замеряем его на кадрах именно вашей линии и фиксируем результат до старта промышленной эксплуатации, отдельно считая пропуски и ложные срабатывания.
Замер на ваших кадрах
Точность считается на отложенной выборке с вашей линии, а не на демонстрационном ролике.
Две метрики ошибок
Отдельно считаем пропуски брака и ложные срабатывания: цена этих ошибок для производства разная.
Трудные случаи отдельно
Блики, вибрация, запылённый объектив и редкий дефект набираются в обучение целенаправленно.
Порог уверенности
Спорный кадр не бракуется молча, а уходит контролёру на подтверждение.
SLA по точности
Целевой показатель фиксируется в договоре и проверяется на приёмке перед внедрением.
Данные в РФ
Снимки линии обрабатываются и хранятся на инфраструктуре в России, по 152-ФЗ.
Сколько стоит система машинного зрения для контроля качества?
Цена машинного зрения зависит от числа точек съёмки и того, есть ли уже размеченные кадры. Пилот на одной камере показывает реальную точность на ваших условиях освещения и ракурсах, внедрение на участке добавляет камеры и оповещения. Три типовых объёма со сроками — в таблице ниже.
| Объём работ | Стоимость | Срок | Что входит |
|---|---|---|---|
| Пилот на одной камере | от 500 000 ₽ | 5–7 недель | Одна точка съёмки, разметка выборки, замер точности на ваших кадрах |
| Внедрение на участке | от 1 200 000 ₽ | 10–14 недель | Несколько камер, интеграция с рабочим местом оператора, оповещения |
| Система на предприятие | от 3 500 000 ₽ | от 5 месяцев | Цех или несколько площадок, свой сервер, дообучение на промахах |
Отдельные работы и развитие системы после сдачи — 3 000 ₽ за час инженера. Разметка обучающих данных считается отдельно и по своим правилам — от 320 ₽ за час эксперта, а на объёмных задачах — за единицу данных. Вилки — ориентир для планирования бюджета, а не публичная оферта: точную смету и срок называем после разбора задачи и фиксируем в договоре.
Кому нужны технологии машинного зрения на производстве?
Дефект, который видно на изображении, встречается в самых разных отраслях: в металлургии, машиностроении, электронике, пищевой промышленности, деревообработке, упаковке и полиграфии, производстве стройматериалов, горнодобыче и лёгкой промышленности. Мы разрабатываем систему машинного зрения под конкретное изделие в каждой из них — универсального решения для всех отраслей сразу не существует.
Пример проекта
Контроль сварного шва на линии металлоконструкций
Собрали и разметили выборку кадров сварного шва с камеры поста контроля — непровар, прожог, поры, — обучили модель и подключили сигнал брака к системе отбраковки на линии. На отложенной выборке с объекта доля верно классифицированных швов составила 96,8%, спорные случаи уходили контролёру. Показатели — типовой сценарий проекта такого класса, не кейс конкретного клиента.
Ключевые факты
Частые вопросы о разработке машинного зрения
Чем разработка отличается от покупки готовой системы машинного зрения?
Готовая коробочная система машинного зрения обучена на усреднённом наборе дефектов и хорошо работает в условиях, близких к демонстрационным. Если у вас нестандартное изделие, специфичный брак или сложное освещение цеха, точность на них проседает. Мы разрабатываем систему под ваше изделие и ваши камеры, поэтому она читает именно те дефекты, которые встречаются у вас, а не абстрактный пример из рекламного ролика.
Сколько кадров брака нужно для обучения модели?
Для оценки достижимой точности на пилоте хватает нескольких десятков кадров каждого типа дефекта. Для рабочей модели обычно нужны сотни примеров на класс, причём важнее не общее количество, а разнообразие: разное освещение, разные партии материала, разные степени выраженности дефекта. Редкий, но дорогой брак чаще всего приходится собирать целенаправленно, а не ждать, пока он появится на линии сам.
Что будет, если камера не уверена в дефекте?
Кадр с низкой уверенностью не бракуется автоматически и не пропускается молча — он уходит в очередь на подтверждение контролёру. Это принципиальный момент: тихая ошибка, когда система пропустила реальный брак или забраковала годное изделие, обходится дороже, чем несколько секунд ручной проверки спорного кадра оператором на линии.
Можно ли внедрить систему без выхода в облако?
Да. Если снимки линии нельзя выпускать за периметр предприятия, система разворачивается на локальном сервере внутри контура — обработка кадров и хранение данных идут на вашей инфраструктуре, без передачи во внешние облачные сервисы. Плата за это — расходы на сервер для инференса и обновление модели силами вашей ИТ-службы или по отдельному сервисному договору с нами.
Как система интегрируется с нашей линией и MES?
Через сигнал на исполнительный механизм отбраковки, событие в MES или запись в вашей учётной системе — конкретный протокол выбираем под то, как устроена автоматизация на вашем производстве: OPC UA, Modbus, HTTP-интеграция или прямой релейный сигнал на отсекатель. Решение можно тестировать на одном участке линии, не трогая остальной технологический процесс.
Что происходит с ошибками после запуска в эксплуатацию?
Они собираются и возвращаются в обучение. Первые недели работы на реальной линии дают самый ценный материал — конкретные случаи, где система пропустила брак или ложно забраковала годное изделие. Эти кадры размечаются отдельно и добавляются в выборку для дообучения: именно так модель обычно выходит на рабочую точность, а не сразу после первого запуска.
Пришлите фото или видео брака
Дайте несколько десятков кадров с линии и опишите, какой дефект нужно ловить — скажем, что реалистично по точности, и вернёмся со схемой пилота в течение 1 рабочего дня.
Не любите формы — напишите на info@datamarkup.ru
Смотрите также
Разработка ИИ-решений
Все направления: агенты, боты, распознавание, машинное зрение
Системы распознавания
Лица, номера и объекты на видеопотоке
Разметка изображений для ML
Bounding box, сегментация и разметка дефектов на фото
Промышленность: контроль качества
Отраслевой разбор задач визуального контроля и дефектоскопии