Как научить ИИ понимать, что на производстве считается браком

На производственной линии контроль качества часто выглядит довольно просто: готовая деталь проходит очередной этап обработки, после чего сотрудник визуально проверяет, нет ли сколов, царапин, следов клея или других дефектов.

Но когда речь идет о серийном производстве, такая проверка быстро становится отдельной сложной задачей. Через линию проходит большой поток деталей, дефекты могут быть небольшими, а критерии качества отличаются в зависимости от типа поверхности и допустимых отклонений.

➡️ В одном из наших проектов мы решали такую задачу для мебельного производства. После кромкооблицовочного станка нужно было автоматически проверять качество кромки деталей из плитных материалов и фиксировать брак еще до того, как деталь уйдет на следующие этапы производства.

Для этого непосредственно на линии организовали отдельную точку машинного зрения. Камеры снимают проходящую деталь с необходимой детализацией, а система компьютерного зрения ищет сколы, царапины, следы клея, зазоры, подрезы и другие отклонения. Для обучения модели собрали специализированный датасет на реальных материалах и дефектах предприятия, а распознавание построили на моделях семейства RT-DETR.

➡️ Но наиболее интересная часть проекта началась уже после распознавания. Для реального производственного контроля недостаточно просто сказать: «здесь есть скол». Один и тот же дефект может считаться браком для одной детали и находиться в пределах допуска для другой. Поэтому вместе с заказчиком мы формализовали правила ОТК и связали результат работы модели с категориями поверхностей A, B и C, размерами дефекта, его количеством и расположением.

Получилась система, которая не просто находит визуальное отклонение, а проверяет его по реальным производственным нормативам и только после этого принимает решение о качестве детали.

Результат сразу отображается оператору: он видит тип дефекта и участок, на котором тот обнаружен. Параллельно события сохраняются в централизованной системе вместе с изображениями и результатами проверки. Поэтому данные можно использовать уже не только для отбраковки конкретной детали, но и для анализа повторяющихся дефектов, динамики брака и потенциальных проблем внутри технологического процесса.

😐 Полный разбор проекта — на сайте BPA Tech.

🟦 TG | MAX