Компьютерное зрение в ОТК: как руководителю производства снизить брак и сократить расходы

Контроль качества остаётся узким местом многих производств. Человеческий глаз устаёт, концентрация падает после нескольких часов смены, а пропуск дефекта на финальном этапе обходится дороже, чем на входном. Системы компьютерного зрения (machine vision) решают эту задачу системно: они работают без перерывов, не теряют точность к концу смены и фиксируют каждое отклонение. В этой статье разберём, как такие системы устроены, какие задачи они закрывают, как считать окупаемость и где скрыты подводные камни.

Почему ручной ОТК достиг предела

Точность визуального контроля человеком при монотонных операциях оценивается в диапазоне 80–90%. Это подтверждается и отраслевыми исследованиями, и практикой: при 100%-ном ручном контроле часть дефектов всё равно уходит к клиенту. Причины известны — утомляемость, субъективность оценки, разная квалификация контролёров между сменами, эффект привыкания к повторяющемуся изображению.

При этом стоимость пропущенного дефекта растёт по мере продвижения изделия по цепочке. Действует так называемое «правило десятикратного роста»: дефект, найденный на входном контроле, условно стоит 1 рубль, на сборке — 10 рублей, у потребителя (рекламация, отзыв партии, репутационные потери) — 100 рублей и выше. Поэтому даже небольшое улучшение детекции на ранних этапах даёт непропорционально большой экономический эффект.

Ручной контроль также плохо масштабируется. При росте скорости конвейера или объёмов выпуска приходится либо нанимать больше контролёров, либо переходить на выборочный контроль, что увеличивает риск пропуска бракованных партий.

Как устроена система технического зрения

Базовая архитектура состоит из четырёх компонентов, и понимание каждого помогает грамотно ставить задачу интегратору.

Освещение. Это критически важный, но часто недооценённый элемент. До 70% успеха проекта определяется правильно подобранным освещением. Используются разные схемы: направленный свет для контроля геометрии, рассеянный (диффузный) для матовых поверхностей, коаксиальный для бликующих металлических деталей, подсветка на просвет для контроля контуров. Неправильное освещение делает дефект невидимым даже для самой дорогой камеры.

Камеры и оптика. Здесь работают категориями задач. Для размерного контроля применяют монохромные промышленные камеры высокого разрешения и телецентрическую оптику, исключающую перспективные искажения. Для сортировки по цвету — цветные сенсоры. Для скоростных линий — камеры с глобальным затвором, исключающим смазывание движущегося объекта. Линейные (line-scan) камеры используются для непрерывных материалов — рулонного металла, плёнки, ткани.

Edge AI и вычисления. Раньше алгоритмы машинного зрения были детерминированными: инженер вручную задавал пороги, эталонные контуры и допуски. Сегодня для сложных дефектов используется глубокое обучение — свёрточные нейросети, обученные на размеченных изображениях. Ключевой тренд — обработка на edge-устройствах: промышленных компьютерах или специализированных ускорителях прямо у линии. Это даёт отклик в единицы–десятки миллисекунд, не зависит от качества связи и не нагружает сеть передачей видеопотока в облако. Облако при этом используется для накопления статистики, дообучения моделей и аналитики.

Исполнительные механизмы. Результат инспекции передаётся в систему отбраковки: пневмотолкатель, дефлектор, остановка линии или просто сигнал оператору и запись в базу данных.

Какие задачи закрывает компьютерное зрение

На практике большинство проектов сводится к трём группам задач.

Контроль дефектов поверхности. Сюда относятся царапины, сколы, вмятины, раковины литья, непрокрас, включения, неоднородность текстуры. Это наиболее сложный класс задач, потому что дефекты вариативны и плохо описываются жёсткими правилами. Именно здесь нейросетевые подходы дают наибольший выигрыш по сравнению с классическими алгоритмами. Современные системы детектируют дефекты размером от десятков микрон в зависимости от оптики и поля зрения.

Размерный контроль. Измерение линейных размеров, диаметров, зазоров, углов, проверка на соответствие чертежу. Бесконтактное измерение с субпиксельной обработкой достигает повторяемости в единицы микрон при правильной оптике и освещении. Преимущество перед ручными измерительными инструментами — скорость (100% контроль вместо выборки) и отсутствие износа инструмента и оператора как источника погрешности.

Сортировка и идентификация. Распознавание типа изделия, ориентации, наличия/отсутствия компонента (например, контроль комплектности сборки), чтение маркировки, DataMatrix-кодов, OCR серийных номеров. Часто это интегрируется с системами прослеживаемости (traceability) для последующего анализа.

Отдельно стоит упомянуть проверку наличия и корректности — самый быстроокупаемый сценарий. Контроль того, что в упаковке есть инструкция, что этикетка приклеена ровно, что присутствуют все болты в сборке. Такие задачи внедряются быстро и почти всегда дают немедленный эффект.

Расчёт ROI на конкретном примере

Окупаемость — главный вопрос для руководителя. Покажу методику на реалистичном примере. Цифры в нём — иллюстративные, но логика расчёта применима к любому производству.

Исходные данные. Линия выпускает 50 000 изделий в месяц. Себестоимость одного изделия — 400 рублей. Текущий уровень дефектности, доходящей до отбраковки и рекламаций, — 3%. Это 1500 дефектных изделий в месяц. С учётом стоимости рекламаций, повторного производства и логистики средняя цена одного дефекта — 600 рублей.

Потери на браке: 1500 × 600 = 900 000 рублей в месяц.

После внедрения. Система технического зрения снижает уровень уходящего брака до 0,6% — это реалистичный, не маркетинговый показатель для зрелого внедрения. Брак: 300 изделий в месяц.

Потери на браке: 300 × 600 = 180 000 рублей в месяц.

Экономия: 900 000 − 180 000 = 720 000 рублей в месяц.

К этому добавляется высвобождение или перераспределение контролёров. Если на участке работали 2 контролёра в 2 смены (4 человека) с фондом оплаты труда около 80 000 рублей в месяц на человека с отчислениями, это ещё до 320 000 рублей. Часть людей обычно не увольняют, а переводят на разбор сложных случаев и обслуживание системы, поэтому в расчёт окупаемости разумно закладывать высвобождение части ФОТ — допустим, 160 000 рублей.

Суммарный эффект: около 880 000 рублей в месяц.

Инвестиции. Одна инспекционная станция среднего уровня сложности — камеры, освещение, edge-контроллер, механика отбраковки, ПО, интеграция и пусконаладка — обходится ориентировочно в 1,5–4 млн рублей в зависимости от количества точек контроля и сложности дефектов. Возьмём 3 млн рублей.

Срок окупаемости: 3 000 000 / 880 000 ≈ 3,4 месяца.

Даже если консервативно убрать экономию на ФОТ и учитывать только сокращение брака (720 000 руб/мес), окупаемость составит около 4,2 месяца. Для большинства серийных производств реалистичный диапазон окупаемости — от 6 до 18 месяцев, и наш пример попадает в его оптимистичную часть за счёт высокого объёма и дорогого дефекта.

Важно: чем выше объём выпуска и стоимость дефекта, тем быстрее окупаемость. На мелкосерийном производстве с дешёвыми изделиями экономический эффект может не оправдать вложений — это нужно честно посчитать до старта.

Сроки внедрения: чего реально ожидать

Типичный проект проходит несколько этапов, и понимание сроков помогает планировать.

Обследование и сбор образцов (2–4 недели). Интегратор изучает линию, собирает образцы годных и дефектных изделий. Критично собрать достаточно примеров реальных дефектов — для нейросетевых задач желательно от сотен до тысяч изображений каждого типа дефекта.

Пилот и подбор оборудования (3–6 недель). Тестируются схемы освещения, камеры, обучаются и проверяются модели. На этом этапе становится ясно, достижима ли требуемая точность в принципе.

Разработка, интеграция, монтаж (4–10 недель). Изготовление защитных корпусов, монтаж на линию, интеграция с АСУ ТП, MES, системой отбраковки.

Пусконаладка и обучение персонала (2–4 недели). Калибровка под реальные условия цеха, настройка порогов чувствительности, обучение операторов.

В сумме типичный проект занимает от 3 до 6 месяцев. Простые задачи (контроль наличия, чтение кодов) — ближе к нижней границе, сложная дефектоскопия поверхности — к верхней. Закладывать сроки «за месяц» нереалистично для всего, кроме типовых готовых решений.

Подводные камни, о которых не говорят на презентациях

Опыт показывает, что провалы проектов почти всегда связаны не с алгоритмами, а с организацией и физикой процесса.

Недооценка освещения и механики. Это причина большинства неудач. Если деталь по-разному ложится перед камерой, вибрирует или бликует, никакая нейросеть не спасёт. Стабильная фиксация и повторяемое освещение — фундамент.

Нехватка данных по дефектам. Редкие дефекты встречаются раз в тысячи изделий, и собрать их для обучения сложно. Применяют аугментацию данных и обучение на «годных» с выявлением аномалий, но требовать детекции дефекта, который никто никогда не видел, нельзя.

Баланс ложных срабатываний. Слишком чувствительная система будет браковать годное (false positive), снижая выход годной продукции и доверие операторов. Слишком мягкая — пропускать брак (false negative). Настройка этого баланса требует времени и понимания, что для производства дороже. Часто разумно настраивать систему на минимум пропусков с последующей ручной перепроверкой отбракованного.

Изменение продукта и процесса. Новый поставщик материала, смена партии, переналадка — всё это меняет картинку. Система требует сопровождения: дообучения моделей, перекалибровки. Это не «поставил и забыл», а постоянный процесс. Закладывайте в бюджет сопровождение.

Сопротивление персонала. Контролёры могут воспринимать систему как угрозу. Эффективнее позиционировать её как инструмент, снимающий рут