Компьютерное зрение в ОТК: как руководителю производства снизить брак и сократить расходы

Контроль качества остаётся узким местом многих производств. Человеческий глаз устаёт, концентрация падает после нескольких часов смены, а пропуск дефекта на финальном этапе обходится дороже, чем на входном. Системы компьютерного зрения (machine vision) решают эту задачу системно: они работают без перерывов, не теряют точность к концу смены и фиксируют каждое отклонение. В этой статье разберём, как такие системы устроены, какие задачи они закрывают, как считать окупаемость и где скрыты подводные камни.

Почему ручной ОТК достиг предела

Точность визуального контроля человеком при монотонных операциях оценивается в диапазоне 80–90%. Это подтверждается и отраслевыми исследованиями, и практикой: при 100%-ном ручном контроле часть дефектов всё равно уходит к клиенту. Причины известны — утомляемость, субъективность оценки, разная квалификация контролёров между сменами, эффект привыкания к повторяющемуся изображению.

При этом стоимость пропущенного дефекта растёт по мере продвижения изделия по цепочке. Действует так называемое «правило десятикратного роста»: дефект, найденный на входном контроле, условно стоит 1 рубль, на сборке — 10 рублей, у потребителя (рекламация, отзыв партии, репутационные потери) — 100 рублей и выше. Поэтому даже небольшое улучшение детекции на ранних этапах даёт непропорционально большой экономический эффект. На практике это означает, что система, внедрённая на входном контроле компонентов, может окупиться в несколько раз быстрее, чем аналогичная система на финальной упаковке, даже если цена оборудования одинакова.

Ручной контроль также плохо масштабируется. При росте скорости конвейера или объёмов выпуска приходится либо нанимать больше контролёров, либо переходить на выборочный контроль, что увеличивает риск пропуска бракованных партий. При этом есть порог, за которым увеличение числа контролёров перестаёт давать эффект: на высокоскоростных линиях человек просто физически не успевает фиксировать объекты в потоке, и добавление второго оператора на ту же позицию не решает проблему — они мешают друг другу и создают коллизии в рабочем пространстве.

Как устроена система технического зрения

Базовая архитектура состоит из четырёх компонентов, и понимание каждого помогает грамотно ставить задачу интегратору.

Освещение. Это критически важный, но часто недооценённый элемент. До 70% успеха проекта определяется правильно подобранным освещением. Используются разные схемы: направленный свет для контроля геометрии, рассеянный (диффузный) для матовых поверхностей, коаксиальный для бликующих металлических деталей, подсветка на просвет для контроля контуров. Неправильное освещение делает дефект невидимым даже для самой дорогой камеры. Ошибка, которую часто допускают на этапе ТЗ: пытаются использовать существующее цеховое освещение вместо проектирования специализированной подсветки. Светодиодные панели на потолке цеха дают цветовую температуру, которая меняется в течение дня, создают тени от движущихся элементов и не обеспечивают необходимого контраста для слабых дефектов.

Камеры и оптика. Здесь работают категориями задач. Для размерного контроля применяют монохромные промышленные камеры высокого разрешения и телецентрическую оптику, исключающую перспективные искажения. Для сортировки по цвету — цветные сенсоры. Для скоростных линий — камеры с глобальным затвором, исключающим смазывание движущегося объекта. Линейные (line-scan) камеры используются для непрерывных материалов — рулонного металла, плёнки, ткани. При выборе камеры часто переоценивают разрешение и недооценивают скорость: на практике пропуск кадров на линии в 5 м/с может превратить систему с гигапиксельным разрешением в систему, которая видит только размытые полосы.

Edge AI и вычисления. Раньше алгоритмы машинного зрения были детерминированными: инженер вручную задавал пороги, эталонные контуры и допуски. Сегодня для сложных дефектов используется глубокое обучение — свёрточные нейросети, обученные на размеченных изображениях. Ключевой тренд — обработка на edge-устройствах: промышленных компьютерах или специализированных ускорителях прямо у линии. Это даёт отклик в единицы–десятки миллисекунд, не зависит от качества связи и не нагружает сеть передачей видеопотока в облако. Облако при этом используется для накопления статистики, дообучения моделей и аналитики. Важный нюанс: модели, обученные на облачных мощностях с высоким разрешением, могут не поместиться по памяти в edge-устройство. Сжатие модели (pruning, квантование) часто снижает точность, и этот момент надо проверять на реальном железе до финального выбора ускорителя.

Исполнительные механизмы. Результат инспекции передаётся в систему отбраковки: пневмотолкатель, дефлектор, остановка линии или просто сигнал оператору и запись в базу данных. Время реакции системы должно быть синхронизировано с временем срабатывания механики: если алгоритм выдаёт сигнал через 50 мс, а пневмоцилиндр срабатывает через 100 мс, при скорости конвейера 2 м/с деталь уедет на 300 мм от позиции, где был зафиксирован дефект, и толкатель ударит мимо цели или собьёт соседнее изделие.

Какие задачи закрывает компьютерное зрение

На практике большинство проектов сводится к трём группам задач.

Контроль дефектов поверхности. Сюда относятся царапины, сколы, вмятины, раковины литья, непрокрас, включения, неоднородность текстуры. Это наиболее сложный класс задач, потому что дефекты вариативны и плохо описываются жёсткими правилами. Именно здесь нейросетевые подходы дают наибольший выигрыш по сравнению с классическими алгоритмами. Современные системы детектируют дефекты размером от десятков микрон в зависимости от оптики и поля зрения. Однако степень вариативности часто недооценивается: один и тот же тип дефекта может выглядеть по-разному в зависимости от угла освещения, а алгоритм, обученный на образцах с одной партии, может не срабатывать на образцах из другой из-за изменения текстуры материала у нового поставщика.

Размерный контроль. Измерение линейных размеров, диаметров, зазоров, углов, проверка на соответствие чертежу. Бесконтактное измерение с субпиксельной обработкой достигает повторяемости в единицы микрон при правильной оптике и освещении. Преимущество перед ручными измерительными инструментами — скорость (100% контроль вместо выборки) и отсутствие износа инструмента и оператора как источника погрешности. Здесь критична калибровка: если деталь вибрирует на конвейере или изменяется расстояние до камеры из-за теплового расширения оборудования, систематическая ошибка измерения может превысить допустимый допуск. Поэтому перед размерным контролем обязательно проверяют механическую стабильность позиционирования детали.

Сортировка и идентификация. Распознавание типа изделия, ориентации, наличия/отсутствия компонента (например, контроль комплектности сборки), чтение маркировки, DataMatrix-кодов, OCR серийных номеров. Часто это интегрируется с системами прослеживаемости (traceability) для последующего анализа. Здесь подводным камнем становится качество самой маркировки: если код нанесён неконтрастно или с дефектом, система может не прочитать его даже при идеальной оптике, и это не будет ошибкой распознавания, а станет сигналом о проблеме на предыдущем этапе. Это не плохо само по себе, но требует отдельного внимания при настройке порогов — чтоб система не смешивала дефект маркировки и сбой камеры.

Отдельно стоит упомянуть проверку наличия и корректности — самый быстроокупаемый сценарий. Контроль того, что в упаковке есть инструкция, что этикетка приклеена ровно, что присутствуют все болты в сборке. Такие задачи внедряются быстро и почти всегда дают немедленный эффект. Они также наименее чувствительны к вариативности: алгоритм ищет наличие объекта в заданной области, а не интерпретирует сложную текстуру, поэтому классических алгоритмов на основе корреляции или подсчёта контраста здесь часто достаточно, и нейросети не требуются.

Расчёт ROI на конкретном примере

Окупаемость — главный вопрос для руководителя. Покажу методику на реалистичном примере. Цифры в нём — иллюстративные, но логика расчёта применима к любому производству.

Исходные данные. Линия выпускает 50 000 изделий в месяц. Себестоимость одного изделия — 400 рублей. Текущий уровень дефектности, доходящей до отбраковки и рекламаций, — 3%. Это 1500 дефектных изделий в месяц. С учётом стоимости рекламаций, повторного производства и логистики средняя цена одного дефекта — 600 рублей.

Потери на браке: 1500 × 600 = 900 000 рублей в месяц.

После внедрения. Система технического зрения снижает уровень уходящего брака до 0,6% — это реалистичный, не маркетинговый показатель для зрелого внедрения. Брак: 300 изделий в месяц.

Потери на браке: 300 × 600 = 180 000 рублей в месяц.

Экономия: 900 000 − 180 000 = 720 000 рублей в месяц.

К этому добавляется высвобождение или перераспределение контролёров. Если на участке работали 2 контролёра в 2 смены (4 человека) с фондом оплаты труда около 80 000 рублей в месяц на человека с отчислениями, это ещё до 320 000 рублей. Часть людей обычно не увольняют, а переводят на разбор сложных случаев и обслуживание системы, поэтому в расчёт окупаемости разумно закладывать высвобождение части ФОТ — допустим, 160 000 рублей.

Суммарный эффект: около 880 000 рублей в месяц.

Инвестиции. Одна инспекционная станция среднего уровня сложности — камеры, освещение, edge-контроллер, механика отбраковки, ПО, интеграция и пусконаладка — обходится ориентировочно в 1,5–4 млн рублей в зависимости от количества точек контроля и сложности дефектов. Возьмём 3 млн рублей.

Срок окупаемости: 3 000 000 / 880 000 ≈ 3,4 месяца.

Даже если консервативно убрать экономию на ФОТ и учитывать только сокращение брака (720 000 руб/мес), окупаемость составит около 4,2 месяца. Для большинства серийных производств реалистичный диапазон окупаемости — от 6 до 18 месяцев, и наш пример попадает в его оптимистичную часть за счёт высокого объёма и дорогого дефекта.

Важно: чем выше объём выпуска и стоимость дефекта, тем быстрее окупаемость. На мелкосерийном производстве с дешёвыми изделиями экономический эффект может не оправдать вложений — это нужно честно посчитать до старта. Отдельный случай — производство с очень низким текущим уровнем брака, например, крайне редкими дефектами, где система может улавливать дефекты, которых почти нет, и окупаемость за счёт сокращения брака будет неприемлемо долгой. Тогда выгода смещается в другие зоны: исключение человеческого фактора в документации, подтверждение качества для заказчика, снижение риска отзыва партии.

Сроки внедрения: чего реально ожидать

Типичный проект проходит несколько этапов, и понимание сроков помогает планировать.

Обследование и сбор образцов (2–4 недели). Интегратор изучает линию, собирает образцы годных и дефектных изделий. Критично собрать достаточно примеров реальных дефектов — для нейросетевых задач желательно от сотен до тысяч изображений каждого типа дефекта. На практике сбор дефектов часто затягивается: если брак встречается раз в 1000 изделий, для набора 100 примеров конкретного дефекта нужно пропустить 100 000 единиц продукции, что при производительности 1000 штук в день составляет 100 рабочих дней. Используют методы синтеза дефектов на годных образцах, но такие искусственные данные не всегда заменяют реальные.

Пилот и подбор оборудования (3–6 недель). Тестируются схемы освещения, камеры, обучаются и проверяются модели. На этом этапе становится ясно, достижима ли требуемая точность в принципе. Важно, чтобы на пилоге использовалась реальная линия или её точная копия — в лабораторных условиях на столе система может работать идеально, а на вибрирующем конвейере с перепадами освещения её точность упасть заметно.

Разработка, интеграция, монтаж (4–10 недель). Изготовление защитных корпусов, монтаж на линию, интеграция с АСУ ТП, MES, системой отбраковки. Самый частый сдвиг здесь — механическая часть: изготовление кронштейнов, защитных кожухов, системы синхронизации с конвейером занимает больше времени, чем программирование.

Пусконаладка и обучение персонала (2–4 недели). Калибровка под реальные условия цеха, настройка порогов чувствительности, обучение операторов. На этом этапе обычно идёт итерационная подстройка: система выдаёт ложные срабатывания или пропуски, которые не были заметны на пилоте, и требуется 2–3 цикла донастройки, каждый по несколько дней.

В сумме типичный проект занимает от 3 до 6 месяцев. Простые задачи (контроль наличия, чтение кодов) — ближе к нижней границе, сложная дефектоскопия поверхности — к верхней. Закладывать сроки «за месяц» нереалистично для всего, кроме типовых готовых решений.

Подводные камни, о которых не говорят на презентациях

Опыт показывает, что провалы проектов почти всегда связаны не с алгоритмами, а с организацией и физикой процесса.

Недооценка освещения и механики. Это причина большинства неудач. Если деталь по-разному ложится перед камерой, вибрирует или бликует, никакая нейросеть не спасёт. Стабильная фиксация и повторяемое освещение — фундамент. Конкретный пример: попытка использовать одну камеру для контроля деталей разных цветов без перестройки освещения приводит к тому, что на тёмных деталях алгоритм не видит тёмные дефекты, а на светлых — алгоритм ослеплён отражённым светом.

Нехватка данных по дефектам. Редкие дефекты встречаются раз в тысячи изделий, и собрать их для обучения сложно. Применяют аугментацию данных и обучение на «годных» с выявлением аномалий, но требовать детекции дефекта, который никто никогда не видел, нельзя. На практике для редких дефектов используют гибридный подход: система выделяет аномалии на фоне эталона, а классификацию типов дефектов делают на более частых, хорошо представительных типах.

Баланс ложных срабатываний. Слишком чувствительная система будет браковать годное (false positive), снижая выход годной продукции и доверие операторов. Слишком мягкая — пропускать брак (false negative). Настройка этого баланса требует времени и понимания, что для производства дороже. Часто разумно настраивать систему на минимум пропусков с последующей ручной перепроверкой отбракованного. При этом операторы быстро привыкают игнорировать ложные срабатывания, если их много, и начинают пропускать реальный брак — это психологический эффект, который разрушает систему быстрее, чем технический сбой.

Изменение продукта и процесса. Новый поставщик материала, смена партии, переналадка — всё это меняет картинку. Система требует сопровождения: дообучения моделей, перекалибровки. Это не «поставил и забыл», а постоянный процесс. Закладывайте в бюджет сопровождение. Типичный сценарий: через полгода после внедрения приходит новый материал с другой фактурой, система начинает выдавать существенную долю ложных срабатываний, а внутреннего эксперта по машинному зрению на предприятии нет — и проект замораживается.

Сопротивление персонала. Контролёры могут воспринимать систему как угрозу. Эффективнее позиционировать её как инструмент, снимающий рутинную монотонную нагрузку и позволяющий сосредоточиться на сложных случаях, которые система не может решить однозначно. Лучшая практика: не показывать операторам «красный/зелёный» вердикт, а показывать изображение дефекта с пометкой, чтобы человек мог подтвердить или отклонить решение — это поддерживает навыки и не создаёт ощущения, что «робот умнее».

Чек-лист для руководителя: как не ошибиться при выборе поставщика

Прежде чем подписывать договор на проект, проверьте, что интегратор может ответить на эти вопросы. Ответ «мы разберёмся в процессе» — повод насторожиться.

Итог

Системы компьютерного зрения в ОТК — это не магия, а инженерная дисциплина. Они работают, когда правильно посчитана экономика, выбрано освещение, собраны данные по дефектам, проработана механика и организовано сопровождение. Ошибка в любом из этих звеньев превращает дорогостоящий проект в бесполезный стенд, который через полгода перестают включать. Но при системном подходе окупаемость в 6–18 месяцев — это норма для серийного производства. Начинать стоит с простых задач — контроль наличия или чтение кодов — чтобы получить быстрый результат, обучить команду и заработать доверие, а затем переходить к сложной дефектоскопии поверхности на основе нейросетей.

Промышленные камеры, контроллеры и оптические системы для технического зрения — в каталоге Zavod.dev. Фильтры по разрешению, интерфейсу и типу сенсора помогут подобрать комплект под ваш дефект, а инженеры проконсультируют по схемам освещения и совместимости.

Источники

• EMVA — GenICam, стандарт интерфейсов машинного зрения
• McKinsey — AI в промышленных процессах