Как мы разработали свой сканер кодов с ИИ для проверки продукции РЕХАУ

Предыстория

Компания РЕХАУ производит системы отопления и водоснабжения, около 30% этой продукции на рынке — подделка. Контрафакт приводит к тяжелым последствиям в виде финансового ущерба и вреда здоровью. Поэтому для распознавания оригинальной продукции мы разработали Систему Качества РЕХАУ (СКР) и стали маркировать каждое изделие уникальными QR- или штрихкодом.

В 2024 году мы выпустили приложение «РЕХАУ.Про Качество». Чтобы приложение исправно сканировало коды, нам понадобилась своя нейросеть. Для изогнутых и сильно бликующих полимерных труб и фитингов из металлов, которые бывают гладкими, шероховатыми, с выпирающими частями, нужен особый сканер. Далее расскажем, как мы создали решение, отвечающее нашим потребностям.

Как решили перейти на свою нейросеть

В течение года после запуска приложения мы использовали в сканере стороннее ПО, но долгосрочная работа с этим решением нам не подходила:

У нас не было контроля над инструментом. В любой момент мы могли остаться без лицензии, а значит, потерять доступ к ключевой функции приложения. Мы бы понесли серьезные репутационные и финансовые издержки, а месяцы разработки СКР и сама система оказались бы напрасными.

Готовая нейросеть стоила дорого. Лицензия привязана к количеству сканирований, которое постоянно растет. Мы поняли, что разумнее вложиться в собственную разработку.

С какими трудностями столкнулись при разработке собственной нейросети

От разработки до запуска своей нейросети прошел год. За это время мы столкнулись с рядом сложностей:

• Трудности в обучении нейросети. Иностранное ПО — это продукт, который развивался на протяжении нескольких лет и обучился на тысячах реальных изображений пользователей. У нас же был год, чтобы провести аналитику, отработать гипотезы, разработать основную концепцию и обучить модель на ограниченной выборке.
• Проблемы из-за размера кодов. Некоторые фитинги маленькие, поэтому возможный размер QR-кода ограничен. Мы компенсировали этот фактор высокой контрастностью — параметры установили серией экспериментов на лазерном оборудовании.
• Особенности рельефа. Полимерные трубы блестят, фитинги из латуни, бронзы, нержавеющей стали по-разному отражают свет и бликуют. 

Как за год разработали нейросеть с нуля

Ранее мы не реализовывали проекты с использованием нейронных сетей. К июню 2024 года вместе с командой разработки проверили все технические гипотезы, но они оказались недостоверными. Мы приостановили работу и приступили к поискам экспертизы: изучили всю доступную информацию, которая помогла бы успешно сканировать изображения при сложном освещении и комплексном фоне. Решение нашли в научных публикациях международных исследователей.

К сентябрю 2024 года мы приступили к реализации стадий проекта:

1. Собрали тысячи изображений QR- и штрихкодов нашей продукции в различных условиях.
2. Обучили нейронную сеть устранению шумов с учетом специфики материалов.
3. Оптимизировали процесс передачи изображения кодов на сервер.
4. Разработали несколько автономных подходов для распознавания кодов.
5. Произвели тонкие специфические доработки для отдельных моделей смартфонов. 

К чему в итоге пришли

В январе 2025 года мы выпустили на рынок обновленное мобильное приложение с собственным сканером. У нас получилось:

• обеспечить меньше требований к смартфону — скорость работы теперь зависит не от мощности телефона, а от качества интернета;
• создать новую архитектуру — распознавание происходит на стороне сервера, а не в мобильном приложении.

Это означает, что нам не придется параллельно развивать сразу два приложения: для Android и iOS. Это снижает затраты и ускоряет внедрение новых функций.

Что дальше

Впереди нас ждут этапы обучения нейросети на основе реальных рыночных данных пользователей, сбор обратной связи и устранение выявленных недостатков. Мы также планируем подключить сканер к производственным линиям, чтобы он мог получать векторы кодов прямо с завода — так скорость сканирования возрастет.