Нейросеть для контроля качества продукции машиностроительного завода

Заказчик решил заменить текущую технологию, где проверку качества и соответствия изделия технической документации осуществлял человек (контролер), и подобрал для этого оптимальную модель — 3D-сканер с лазерным трекером. Данная технология измерения позволяет получить цифровой 3D-двойник готового изделия, контролировать его геометрические параметры, наличие приварных элементов и правильность их размещения.Проектной команде Globus IT предстояло:

• осуществить автоматизацию процессов контроля качества, исключить человеческий фактор и обеспечить надежность и точность контроля;
• разработать ПО, которое сможет определять наличие дефектов сварного шва и их координаты, а также формировать электронные паспорта изделий с информацией о геометрических параметрах и дефектах сварных соединений;
• сделать реверс-инженеринг (так как манипулятор поставлялся уже с встроенным ПО) и разработать систему автоматического формирования отчетности по выявленным нарушениям качества изделия с привязкой к конкретному чертежу;
• интегрировать созданные веб-решения в информационную систему управления компании.
  
  

В рамках проекта была создана специализированная программа для разметки данных с использованием C# .Net и интерфейсом WinForms с подробной инструкцией по разметке данных. В качестве основы использовались около 12 000 фотографий, предоставленных РИЯ.

В процессе команда столкнулась с отсутствием достаточного количество данных, в связи с чем приходилось специально браковать изделия в рамках рабочего процесса и фиксировать случаи брака, накапливая необходимый «опыт».

Программа для обучения нейронных сетей создавалась на языке программирования Python 3.6 с использованием библиотек и инструментов TensorFlow 2, OpenCV и tensorboard. Нейронные сети разрабатывались вручную и предназначались для определения дефектов сварных соединений. 

Одной из сложностей, с которой столкнулась команда на данном этапе, стала необходимость создания сбалансированных и непересекающихся наборов данных (mini-batch).

Программа анализа данных на РИЯ была построена на языке программирования C# .Net с использованием TensorFlow .Net. А для обмена данными использовался протокол OPC через OPC UA SDK.


Подводя итоги, мы можем уверенно сказать, что автоматизация процесса обнаружения и фиксации дефектов сварных соединений дала устойчивый положительный результат:

• количество брака на производстве снизилось на 10%;
• проект полностью окупил себя, а экономический эффект от внедрения РИЯ превышает 16 млн рублей/год; 
• улучшено качество и надежность выпускаемых изделий за счет 100% исключения человеческого фактора;
• оптимизированы производственные процессы по подготовке технической отчетности — вся информация об изделиях и случаях брака передается в режиме реального времени, формируя единую базу данных.

Проект демонстрирует успешное внедрение искусственного интеллекта в производственный процесс крупного промышленного предприятия, что дает возможность масштабировать данную практику, экспериментировать с построением различных моделей на основе нейронных сетей и реализовывать их в других компаниях.