Как автоматизировать контроль качества на производстве

Информация о заказчике: 

Компания ZETTECH — один из российских производителей средств гигиены и косметики с 30-летним опытом работы. Основной производственный комплекс расположен в городском округе Чехов Московской области и включает современный завод с 17 производственными линиями, запущенными с 2006 года. Продукция выпускается под частными торговыми марками для крупных российских и международных ритейлеров.

Почему заказчик выбрал нас:

Заказчику была нужна команда, которая решит задачу «под ключ»: быстро и не прерывая производственного процесса. Ключевыми требованиями были:

• Высокая скорость работы (время от распознавания дефекта до исполнения команды актуатором— не более 90 мс);
• Точность распознавания дефектов из предоставленного заказчиком списка не ниже 98%;
• Отказоустойчивость и масштабируемость решения.

Основные сложности:

Ключевым вызовом стала необходимость выявления большого количества типов дефектов продуктов при одновременной высокой вариативности их дизайна. Частая смена дизайна не позволяла использовать привычный подход сравнения с эталонным изображением, поскольку при таком методе точность модели распознавания резко снижалась после введения нового дизайна. Это требовало постоянных и ресурсоемких дополнительных обучений модели, что делало стандартные видеоаналитические решения неэффективными и неприемлемыми для задачи.

Для преодоления этой проблемы мы разработали собственную модель распознавания, основанную на принципах геометрического анализа. В ее основу легли методы детекции наложенных объектов, оценка смещения центров, а также соотношений сторон и углов между элементами. Такой подход позволил добиться требуемого уровня точности без необходимости дополнительных итераций обучения даже при поступлении на конвейер нового продукта с измененным дизайном.

Обучение модели осуществлялось нашими специалистами с использованием выделенного GPU-сервера, что обеспечивало высокую производительность и скорость обработки данных. Для подготовки модели был сформирован объемный датасет из более чем 30 000 видеокадров (фреймов), не включая расширенные аугментированные данные, обеспечивающий устойчивость алгоритма к вариациям дизайна продукта.

Проведя глубокий анализ стандартов качества заказчика, мы приняли решение исключить из области автоматического контроля редкие и сложные дефекты, выявление которых потребовало бы установки дополнительного оборудования и значительного увеличения вычислительных ресурсов для обработки видеопотока. Такой шаг позволил оптимизировать бюджет проекта и ускорить срок его окупаемости.

Фокусируясь на наиболее часто встречающихся дефектах, мы структурировали их по классам и организовали системный сбор и разметку данных для дата-сайенс команды, что обеспечило качественную подготовку обучающей выборки и максимальную эффективность модели при внедрении.

Реализация:

Проект длился 9 месяцев и включал несколько ключевых фаз:

Проверка гипотезы: протестировали, смогут ли CV-модели, обученные на датасете заказчика стабильно определять дефекты.

Подбор оборудования: выбрали актуатор, серверные мощности, подходящие по скорости и точности отбраковки.

Пилот: внедрили систему на одной производственной линии, провели тестирование и убедились в эффективности, сдали систему в эксплуатацию.

Масштабирование — развернули систему на всем участке.

Что было внедрено:

Компьютерное зрение — сверхточная модель компьютерного зрения для распознавания дефектов.

UI — интерфейс для отображения управления и дашборд для отображения статистики.

Актуатор — устройство физического удаления бракованной продукции.

Серверная часть — быстрая обработка видеопотока в реальном времени.

Все эти компоненты интегрированы в единую систему, где каждый элемент работает слаженно и точно.

Цифры и факты:

• 8 камер
• 8 актуаторов
• 1 сервер
• 800 метров кабеля
• 6 специалистов
• Использованы решения Cognac, Hikrobot (с возможностью замены в рамках импортозамещения)