Машиностроение, Промышленность

Интеллектуальный контроль качества окраски кузовов автомобилей

Система контролирует выполнение операций на участке окраски, выявляет дефекты ЛКП и формирует цифровую историю качества каждого кузова с привязкой к VIN

ai-paint-quality-control-automotive-2.png
ai-paint-quality-control-automotive-1.png
ai-paint-quality-control-automotive-2.png
NDA
ЗаказчикКрупный российский автопроизводитель с конвейерным производством и многоэтапным процессом окраски кузовов.
ЗадачаСнизить количество дефектов окраски, которые переходят на следующие этапы производства и в готовый автомобиль, за счёт автоматического контроля обработки кузова и качества ЛКП

О проекте

На автомобильном производстве окраска кузова проходит в несколько этапов: грунт, последующие слои покрытия, краска и лак.  Для бизнеса проблема в том, что ошибка на одном из ранних этапов уходит дальше по линии. Непротёртая зона, загрязнённая салфетка или недостаточная шлифовка могут привести к дефекту уже на следующем слое, где его исправление становится сложнее и дороже. Система машинного зрения переводит эти операции в измеримые события. Она отслеживает траекторию протирки, показывает необработанные зоны, фиксирует смену салфетки и измеряет время работы шлифовальной машинки. Если регламент нарушен, событие фиксируется до перехода кузова на следующий этап.

 

Архитектура решения: камеры на постах контроля → локальный сервер предприятия → ML-модули детекции, сегментации и трекинга → база событий и кадров → единый портал качества → интеграция с MES. Обработка видеоданных выполняется внутри инфраструктуры предприятия.

NDA
ЗаказчикКрупный российский автопроизводитель с конвейерным производством и многоэтапным процессом окраски кузовов.
ЗадачаСнизить количество дефектов окраски, которые переходят на следующие этапы производства и в готовый автомобиль, за счёт автоматического контроля обработки кузова и качества ЛКП

≥90%

целевая точность распознавания салфетки и шлифмашинки
1
Аудит участка контроля качества окраски
Аудит участка контроля качества окраски
2
Сбор и разметка данных
Записываем видео с участка окраски и размечаем кузов, салфетки, шлифмашинку и зоны обработки
3
Обучение модели
Настраиваем детекцию и трекинг объектов, траекторию протирки и положение шлифмашинки
4
Логика контроля операций
Реализуем карту обработки кузова, контроль смены салфетки и времени шлифовки
5
Интерфейс и интеграция с MES
Собираем карточку автомобиля, журнал событий и обмен данными с заводской системой
6
Пилот с последующим масштабированием
Разворачиваем систему локально, калибруем камеры и проверяем целевые метрики

Зачем заказчику система ИИ

В цехе окраски порядка 9 км конвейерной линии: ручной контроль операций неизбежно становится неравномерным и непредсказуемым.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Перекрытия кузова во время окраски

Во время протирки и шлифовки человек частично закрывает рабочую зону и инструмент
РЕШЕНИЕ

Несколько камер с перекрывающимися ракурсами

Настраиваем позиции камер так, чтобы ключевые зоны и инструмент оставались видимыми в процессе обработки

Блики на окрашенной поверхности

Специальное освещение участка создаёт отражения, которые могут выглядеть как дефекты
РЕШЕНИЕ

Калибровка под свет и серия кадров

Модель обучается на реальных условиях поста, а дефект фиксируется только как устойчивое отклонение на нескольких изображениях

Непрерывное движение кузова по линии

Автомобиль проходит через несколько камер, поэтому события нельзя потерять при смене ракурса
РЕШЕНИЕ

Межкамерный трекинг и синхронизация

Связываем наблюдения с разных камер в единую последовательность и привязываем события контроля к конкретному автомобилю через MES

≤3

секунд - задержка оповещения о нарушении

99%

доступность системы в рабочее время

≥12

месяцев хранятся данные по каждому автомобилю

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Разработка крупной системы
ИИ-контроль операций ко-пакинга
ai-copacking-automation.jpg
Разработка крупной системы
Автоматический подсчет рыбы в сложной производственной среде
fish-sorting-counting-ai.png
Разработка крупной системы
ИИ-контроль качества печатных плат
pcb-quality-control-ai.jpg
Разработка крупной системы
AI-выявление запрещенного контента и символики
prohibited-content-symbol-detection.jpg
Генеративный ИИ
Автоматизации рутинных процессов в рекламном агентстве
advertising-agency-automation-ai.jpg