На большинстве производств сегодня вопрос уже звучит не «нужен ли нам ИИ для контроля качества», а «какую задачу дефектоскопии мы закрываем первой».

Причина простая: чем сложнее продукт и короче цикл поставки, тем дороже обходится один пропущенный дефект.

Сегодня автоматизированный поиск дефектов с помощью компьютерного зрения используют заводы электроники и печатных плат, производители стекла и алюминиевых профилей, предприятия по выпуску солнечных панелей, автокомпонентов, кабеля, металлопроката, тары и упаковки, FMCG-заводы. У всех разные процессы, но болит одно и то же: человеческий контроль не успевает за линией, а ошибки обходятся в миллионах.

Почему классическая дефектоскопия перестала справляться

Ручной визуальный контроль всегда был "бутылочным горлышком". Инспектору нужно одновременно держать в голове нормы, выдерживать темп конвейера и не уставать в течение смены. В реальности люди устают через 2–3 часа, внимание «проваливается», сложные микродефекты начинают проскакивать.

При этом сама нагрузка на контроль выросла:

• линии ускорились,
• размеры партии стали меньше,
• клиенты требуют полной трассируемости дефектов и причин брака.

Добавьте сюда юридические риски: отзыв партии стекла, брак в элементах солнечных батарей, дефект в автокомпоненте — всё это не только списания, но и репутация, и возможные штрафы.

На этом фоне системы компьютерного зрения в дефектоскопии перестали быть «пилотами ради инноваций». Это рабочий инструмент, который закрывает конкретные KPI: уменьшить количество рекламаций, снизить долю брака, убрать ручной контроль с самых тяжёлых операций

Где ИИ-дефектоскопия уже стала нормой

За последние пару лет качественный скачок произошёл сразу в нескольких отраслях.

Электроника и печатные платы

На этих линиях камера и ИИ проверяют посадку компонентов, качество пайки, наличие микротрещин, сколы маски, подгар дорожек. Времени на решение — доли секунды, поэтому вся обработка идёт на edge-сервере прямо в цехе. Любая ошибка быстро превращается в серию рекламаций с дорогим RMA, поэтому предприятия максимально автоматизируют такой контроль.

Стекло, алюминиевые профили, металлопрокат

Здесь важна непрерывность: лист или профиль проходят мимо камеры один раз, второй попытки не будет. Модели компьютерного зрения ищут риски, включения, царапины, непрокат, искривление геометрии, откладывание окалины. За счёт ИИ удаётся обнаруживать дефекты ещё до резки и упаковки, когда их устранение стоит дешевле.

Солнечная энергетика и высокотехнологичные материалы

При производстве элементов солнечных панелей или кремниевых пластин важна работа с микродефектами: микротрещины, инородные включения, сеточные артефакты. Человеческий глаз такую мелочь стабильно не держит, а ИИ обучают на сотнях тысяч примеров, в том числе синтетических. В результате предприятие не только отбраковывает явный брак, но и выделяет «серую зону» продукции, качество которой нестабильно.

FMCG и упаковка

Здесь дефектоскопия ориентирована на скорость и разнообразие SKU. Камеры и ИИ-модели проверяют целостность упаковки, герметичность, правильность этикетки, дату производства и срок годности, соответствие дизайна. Ошибка в дате или штрихкоде легко превращается в отзыв партии из сети — поэтому производители завязывают контроль этикетки и маркировки на компьютерное зрение.

Можно продолжать: кабельные заводы, производство шин, композитов, труб, керамики. Общий вывод: если продукт движется по линии и его можно увидеть камерой, почти всегда есть смысл рассматривать автоматическую дефектоскопию.

Как устроена система дефектоскопии на базе компьютерного зрения

Снаружи всё выглядит просто: камера, свет, коробка с ИИ. На практике за этим стоит довольно сложная инженерная система.

Точка съёмки

Нужно правильно выбрать участок, где деталь стабильно ориентирована и доступна обзору. Иногда для этого приходится перестраивать транспортер или добавлять механизм позиционирования.

Оптика и освещение

Камера без света ничего не стоит. Для разных задач применяют линейные и площадные камеры, телецентрическую оптику, подсветку под разными углами и в разных диапазонах — от видимого до ближнего ИК. От качества света напрямую зависит то, сколько типов дефектов получится обнаруживать.

Обработка на стороне ИИ

Кадр попадает на промышленный сервер или встраиваемый модуль. Там работают несколько моделей: одна выделяет область интереса, другая классифицирует тип дефекта, третья оценивает его размер и критичность. Время на весь цикл — миллисекунды, иначе система не успеет за линией.

Интеграция с оборудованием

Результат внедрения ИИ — не «красивый дашборд», а конкретное действие: остановка линии, выброс детали, отметка в базе качества, сигнал оператору. Поэтому система подключается к ПЛК, MES, иногда к ERP и системе прослеживаемости.

Обратная связь и дообучение

Любая линия живёт: меняется сырьё, оснастка, режимы. Чтобы модель не деградировала, нужно собирать обратную связь: какие детали система отбраковала, с чем не согласился инженер, какие новые типы дефектов появились. На основе этого формируется новый датасет и запускается дообучение.

В итоге ИИ-дефектоскопия превращается в часть производственной инфраструктуры, а не в эксперимент «в отдельном ноутбуке».

Чем ИИ отличается от классических систем контроля

На многих заводах уже есть камеры и «правила в скриптах». Почему этого недостаточно?

Классические системы работают по жёстким порогам: яркость пикселя, размер пятна, отклонение контура. Как только условия съёмки немного уходят от эталона, система либо начинает сыпать ложными срабатываниями, либо пропускает дефекты.

Модели искусственного интеллекта работают иначе:

• учатся на реальных изображениях с линии,
• обобщают вариации освещения, материала, допусков,
• обнаруживают не только известные, но и новые, ранее не описанные дефекты (анализ аномалий).

Например, модель, обученная на сотнях вариантов царапин на стекле, будет уверенно отличать технологические риски от допустимых следов обработки. А при появлении нового типа повреждений инженеры отмечают несколько примеров, и система подстраивается под них в следующей итерации обучения.

За счёт этого ИИ-дефектоскопия даёт сочетание: высокая чувствительность, управляемый уровень ложных тревог и устойчивость к изменениям процесса.

Российский контекст 2024–2025 годов

У отечественных производств есть свои ограничения, о которых открыто говорят практически на каждом проекте:

1. санкции и импортозамещение по камерам и ПО;
2. обязательные требования по локализации данных;
3. переход на Astra Linux и российские серверные решения;
4. ограниченный штат специалистов по машинному зрению на стороне завода.

Поэтому проект по внедрению ИИ-дефектоскопии — это не только про модель, но и про инженерную обвязку.

Решение должно:

• работать на доступных промышленных камерах и оптике, локальном "железе" под отечественной ОС,
• иметь понятный сценарий сопровождения и дообучения силами производственной ИТ-службы.

Отдельный вопрос — данные

Нередко у завода есть архив фотографий брака, но нет системной разметки и ясных критериев «годно/негодно». В таких случаях часть проекта уходит на формализацию экспертизы: описать виды дефектов, их критичность, границы допусков. Без этого любую модель легко перегрузить противоречивыми данными.

Экономика: что в итоге получает производство

В цифрах эффекты зависят от отрасли и исходной зрелости контроля. Но несколько закономерностей повторяются почти везде:

• уменьшается доля вылетевшего брака, который добрался до клиента;
• снижаются затраты на ручной контроль — либо за счёт сокращения числа инспекторов, либо за счёт их перераспределения на сложные операции;
• появляются прозрачные метрики качества по каждой линии и смене;
• становится возможным быстро запускать новые продукты: под них переобучают модель, а не набирают новую команду контролёров.

Немаловажно и то, что ИИ-система не конфликтует с людьми. Она берёт на себя рутинный поток, а инструментальная и финальная оценка на сложных случаях остаётся за инженером по качеству.

Как мы в NeuroCore подходим к задачам дефектоскопии

Мы не поставляем «готовый волшебный модуль», который работает одинаково на стекле, шоколадных батончиках и печатных платах. В реальной жизни так не бывает.
Проект обычно проходит несколько этапов.

Аудит линии и постановка задачи

Разбираем технологию, точки возможного брака, ограничения по времени и интеграции. Отдельно фиксируем, какие дефекты действительно критичны для бизнеса и должны быть обнаружены в первую очередь.

Пилот и проверка гипотез

Собираем изображения с реального оборудования, проводим разметку, обучаем тестовые модели. На этом этапе становится понятно, какие виды дефектов система «видит» уверенно, а где потребуется доработка оптики, света или процесса.

Проектирование системы

Определяем состав оборудования: камеры, объективы, подсветка, вычислительный блок, сетевое окружение. Прорабатываем схему интеграции с ПЛК, MES, системой учёта качества. Под это готовим техническое задание, понятное и заказчику, и службе эксплуатации.

Внедрение и сопровождение

Разворачиваем ПО, обучаем модели на данных заказчика, настраиваем интерфейсы для цеха и службы качества. После выхода в промышленные тесты собираем статистику и корректируем пороги. Дальше система живёт как часть производственной инфраструктуры, а мы помогаем с дообучением и новыми сценариями.

Такой подход позволяет не просто «повесить камеру», а получить предсказуемый результат: конкретное снижение брака и рост прозрачности качества.

Реальный кейс: как ИИ-наблюдение заменило ручной контроль качества на производственной линии

Одна из производственных компаний обратилась к нам с задачей, которая знакома практически каждому предприятию с конвейерной упаковкой: операторы не успевают отследить все дефекты на движущейся линии, и периодически брак уходит покупателю.

В данном случае речь шла о бутылочной линии: этикетки могли переклеиваться, съезжать, дублироваться, рваться или полностью отсутствовать. Ручной контроль не выдерживал темпа конвейера, а из-за человеческого фактора предприятие регулярно сталкивалось с рекламациями.

Какой подход был применён

На основе технического обследования линии и анализа дефектов мы разработали ИИ-модуль компьютерного зрения, способный обнаруживать широкий спектр нарушений:

• перекос или переворот этикетки,
• сдвоенные или неполные этикетки,
• надрывы без видимого расслоения,
• несоответствие типа продукта (алко/безалкогольный),
• отсутствие этикетки вообще.

Эта информация подтверждается техническим описанием в проекте: перечень дефектов и их характер приведён в исходном документе КП .

Чтобы система стабильно работала прямо на производстве, пришлось решить сразу несколько задач:

1. Собрать датасет реальных бутылок в рабочем контуре. В проекте была проведена полноценная подготовка данных: фото, видео с линии, аннотации всех типов дефектов, разбиение датасета на выборки для обучения и валидации — эти этапы подробно описаны в разделе подготовки данных проекта .
2. Обучить модель под все типы дефектов и десятки форматов бутылок.
   Итоговый продукт включал дообучение модели под ~200 вариантов этикеток — масштабная задача, характерная для FMCG-производств с широкой SKU-матрицей.
3. Разработать рабочий сервис, который работает в реальном времени.
   Это включало:
   – подключение камеры 120 FPS,
   – формирование кадров из видеопотока,
   – детекцию дефектов с задержкой менее 100 мс,
   – сохранение кадров с браком,
   – отправку сигнализации оператору.
   В КП этот функционал отражён как ключевой набор требований к MVP и итоговому продукту .
4. Развернуть систему на локальном сервере завода.
   Производственная среда не допускает облачных решений, поэтому была спроектирована и поставлена локальная конфигурация (сервер + видеокарта + сигнальная колонна + ИБП), указанная в разделе оборудования проекта .

Что в итоге получил заказчик

После внедрения система позволила:

• снизить количество пропущенного брака;
• полностью убрать ручные "точечные" проверки;
• стандартизировать контроль качества — каждое выявленное нарушение фиксируется с временем, фото и типом дефекта;
• повысить прозрачность аналитики по сменам, линиям и типам продукции;
• легко адаптировать решение под новые SKU за счёт дообучения модели.

Фактически предприятие перешло от выборочного контроля к непрерывному компьютерному наблюдению, где каждый продукт становится событием в цифровом следе.

Мы в NeuroCore работаем с промышленными производствами, умеем строить ИИ-системы под реальные конвейеры и интегрировать их в существующую инфраструктуру. 

На старте можем провести пилот на ограниченном участке линии, чтобы в цифрах показать, как изменятся показатели брака и нагрузки на персонал.

Дальше всё решает практика: если пилот окупает себя по цифрам, масштабируем решение на весь цех или завод.

Читать про услугу разработки машинного зрения  | Посмотреть кейсы  | Обсудить задачу в Telegram  | Запросить коммерческое предложение