Как компьютерное зрение повышает эффективность в промышленности

Технологии компьютерного зрения давно и активно используются промышленностью для широкого круга задач: от контроля ношения средств индивидуальной защиты до управления сложными производственными процессами. В некоторых задачах ИИ оказывается в десятки раз эффективнее человека, при этом приборы, использующие “умные” алгоритмы не устают и могут работать в опасных для человека условиях производства.

На производстве компьютерное зрение может играть значимую роль на всех этапах продуктовой цепочки: от анализа качества сырья до контроля режима производства, организации логистики, контроля соответствия стандартам качества конечной продукции, обнаружения возможных неисправностей оборудования и аварийных ситуаций. Отдельный блок задач — обеспечение соблюдения техники безопасности, в том числе ношения средств индивидуальной защиты.

Компьютерное зрение становится незаменимым помощником для человека. К примеру, в металлургии рабочий процесс часто связан с плохой видимостью и экстремальными температурами, человеческий глаз в таких условиях не сравнится с компьютерными технологиями. При этом опасности ошибки со стороны цифрового ассистента нет: конечное решение об изменении режима производства или наличии брака в любом случае принимает человек. Также одним из преимуществ использования технологий компьютерного зрения является сокращение числа задач для сотрудников. Это особенно важно в условиях дефицита кадров, с которым постоянно сталкивается промышленность в большинстве стран.

К примеру, завод Siemens Electronics в немецком Эрлангене выпускает преобразователи частоты. Для их производства требуются печатные платы с множеством различных компонентов. Для повышения качества и производительности на предприятии были разработаны модели машинного обучения. Они позволяют находить неправильно собранные компоненты и при этом выдавать меньше ложных сигналов тревоги, что сокращает ручной труд. Поскольку обучение таких моделей довольно трудоемкое, завод использовал уже готовое облачное решение Amazon Web Services.

В итоге благодаря использованию компьютерного зрения для предотвращения ошибок при сборке завод сократил время на переобучение моделей на 80%, а затраты снизились на 60%. С помощью линейки промышленного искусственного интеллекта Siemens Electronics теперь обеспечивает 90-процентный выход готовой продукции.

BMW на своих производствах применяет видеоаналитику для широкого круга задач. Например, система компьютерного зрения контролирует, правильно ли установлены те или иные детали. Также компания использует ИИ для планирования ремонтов, организации международной логистики деталей и даже дизайна элементов будущих моделей.

«Северсталь», один из крупнейших в мире производителей стали, внедрила компьютерное зрение для контроля производственного процесса. Система представляет собой нейронную сеть, которая помогает находить четыре типа дефектов проката для повышения эффективности проверки продукции. Она позволяет исключить человека из рутинных операций, самостоятельно инспектируя цифровые снимки поверхности металла. Компьютер находит в 13 раз меньше ложных дефектов, чем стандартная система проверки прокатной полосы. Благодаря этому операторы в течение своей смены получают возможность внимательно осмотреть все потенциальные дефекты. Если говорить о реальных дефектах, то их система находит в три раза больше, существенно снижая количество отгружаемой бракованной продукции. Экономический эффект налицо — порядка 83,5 млн руб. в год.

Производитель нефтехимии УРАЛХИМ в одном из своих филиалов внедрил коллаборационное решение на базе компьютерного зрения в барабанах-грануляторах-сушилках. Система анализирует используемые компоненты и выдает советы по установке наиболее эффективного режима выпуска. В результате производственный процесс становится более стабильным, минимизируется человеческий фактор и растет объем сходящей с конвейера продукции — от 2 до 6%.

Несмотря на стремительное распространение технологий, на многих предприятиях возможности компьютерного зрения либо вообще не используются, либо применяются ограниченно. Между тем потенциал для роста в этой сфере огромный: в ближайшие годы рынок таких технологий может вырасти в десятки раз.

Внедрение лучше начинать с одного пилотного участка или с одного процесса, чтобы без особых рисков протестировать работу системы и получить контрольный результат. Важно, чтобы этот участок был достаточно показательным и имел четкие метрики: например, снижение процента брака или числа нарушений техники безопасности.

Первая практическая задача — сбор и разметка данных. Это один из самых трудоемких, но критически важных этапов при внедрении компьютерного зрения. Без качественно размеченного датасета модель машинного обучения не сможет отличать норму от отклонения и будет давать либо слишком много ложных тревог, либо пропускать реальные проблемы. Это критически важно для промышленных задач, где любая ошибка может означать простой оборудования или отгрузку бракованной продукции.

Минимальный объем данных зависит от сложности задачи и разнообразия условий съемки. Например, для базовой системы контроля наличия средств индивидуальной защиты может хватить нескольких тысяч изображений. А вот для автоматической классификации дефектов проката требуется уже не менее 20–30 тысяч снимков, из которых значительная доля должна содержать реальные примеры дефектов всех типов. Кроме того, важна сбалансированность: если 95% выборки — «нормальные» изображения, модель может просто «учиться» игнорировать редкие аномалии.

Разметку данных должны проводить опытные специалисты, которые детально знают всю производственную цепочку. Чаще всего применяется разметка по классам (тип дефекта) и локализация (область на изображении, где он находится). Для этого используются как внутренние команды, так и аутсорсинг, включая платформы с краудсорсингом. Важный момент — единообразие разметки и валидация (повторной проверки) части размеченных данных.

После сбора данные делятся на три части:

Как основу для широко распространенных и известных производственных процессов можно рассмотреть уже существующие данные. Для металлургической отрасли есть примеры открытых и частично доступных датасетов. Один из наиболее популярных — NEU Surface Defect Database, который содержит изображения дефектов на прокате (трещины, вмятины, проколы и др.).

Также используется Severstal Steel Defect Detection Dataset, который публиковался на платформе Kaggle. Он включает в себя более миллиона размеченных изображений полосового металла с различными видами дефектов. Эти датасеты полезны как для первоначального прототипирования, так и для сравнительного анализа.

На практике даже при наличии открытых данных предприятиям все равно приходится собирать собственные выборки — именно под свои условия съемки, освещение, оборудование и типы продукции. Открытые датасеты могут быть хорошим стартом, но реальную эффективность даст только обучение модели на «персональных» изображениях.

Наконец, ключевой фактор успеха — выбор надежного технологического партнера. Он должен понимать специфику отрасли и иметь готовые решения или опыт построения систем с нуля. Такой подход позволит не только сократить риски, но и быстрее масштабировать проект после успешного пилотного запуска.