AI-инспекция дефектов

Что это и зачем

AI-инспекция дефектов встраивается непосредственно в технологический поток, работая с той же скоростью, что и основное оборудование. Модели обрабатывают кадры в реальном времени, выделяя области с признаками царапин, сколов, заусенцев, несоответствия геометрии, цветовых отклонений или пропусков материала. Зачем это нужно — чтобы выявлять брак не на финальном контроле, когда переделка уже невозможна или экономически нецелесообразна, а максимально рано — на промежуточных этапах, где возможно оперативное вмешательство в процесс. Это сокращает количество переделок, уменьшает объём отходов и даёт обратную связь технологам о состоянии оснастки и режимов обработки. Кроме того, система накапливает статистику по каждому типу дефектов, позволяя ранжировать причины брака по частоте и тяжести, что служит основой для корректирующих мероприятий.

Как это работает или считается

Процесс включает несколько этапов. Сначала выполняется захват изображения с согласованной подсветкой и фиксированного расстояния для минимизации внешних помех. Затем кадр подаётся на вход нейронной сети свёрточного типа, обученной на репрезентативном наборе изображений с размеченными дефектами. Сеть формирует карту активаций, на которой локально выделяются зоны, отклоняющиеся от эталонной модели поверхности. На основе порога уверенности эти зоны классифицируются по типу и тяжести. Итоговая оценка для каждого изделия принимается по правилу: если площадь или количество обнаруженных аномалий превышает заданный допуск, объект маркируется как брак. Дополнительно система может рассчитывать координаты дефекта для последующей маркировки или позиционирования при сортировке. Обучение и переобучение модели проводятся на накопленных данных при помощи инструментов активного обучения, когда оператор подтверждает или уточняет решения алгоритма.

Где применяется на производстве

На линиях литья и штамповки — для выявления поверхностных и внутренних трещин, раковин и пор. На участках сварки — для контроля непрерывности шва, обнаружения подрезов и прожогов. В обработке резанием — для детекции сколов и прижогов на кромках, а также контроля чистоты поверхности. На сборочных операциях — для проверки наличия и правильной ориентации деталей, контроля маркировки. В химической промышленности и металлургии инспекция дефектов применяется для контроля покрытий и оксидных плёнок. Системы одинаково эффективны для деталей простой геометрии и для изделий со сложной фактурой — при условии корректно настроенной оптической системы.

Частые ошибки

Первая ошибка — попытка обучить модель на синтетических данных без учёта реальной вариативности фона, освещения и позиционирования, что приводит к ложным срабатываниям и пропуску дефектов на производстве. Вторая — пренебрежение этапом калибровки камер и источников света, в результате чего модель реагирует на изменения освещённости как на аномалии. Третья — фиксация порогов классификации без анализа распределения уверенности модели, что снижает баланс между полнотой и точностью. Четвёртая — отсутствие процедуры периодического валидации модели на новых данных, из-за чего система постепенно теряет эффективность при дрейфе параметров процесса. Пятая — игнорирование работы с ложными положительными срабатываниями как источника информации для дообучения, а не только как помехи.

Частые вопросы

Можно ли использовать одну модель для разных типов изделий?

Технически возможно, но требует расширения обучающей выборки всеми вариантами, что растёт экспоненциально. На практике для каждого семейства изделий с сопоставимой геометрией и типом контроля целесообразно применять отдельную модель или дообучать базовую на небольшом наборе специфических примеров.

Как система различает технологический след и реальный дефект?

Различие определяется на этапе обучения — в разметке указываются все допустимые особенности как норма. Дополнительно вносятся правила по допустимым размерам, глубине и расположению, и модель обучается отделять критичные отклонения от допустимых технологических вариаций.

Как часто нужно переобучать модель AI-инспекции?

Периодичность определяется стабильностью процесса: если статистика дефектов и условия съёмки не меняются — достаточно раз в квартал. При частых переналадках, смене материала или поставщика переобучение проводят по накоплении новых размеченных примеров, когда модель начинает демонстрировать рост ошибок на валидационной выборке.