Компьютерное зрение для контроля качества — это система съёмки и анализа, которая связывает изображение изделия с формализованным решением: пропустить, направить на ручную проверку, остановить операцию или зарегистрировать дефект. Модель — лишь часть инспекционной станции наряду с оптикой, освещением, механикой, синхронизацией, правилами и интеграцией с производственным контуром.
Проект начинается не с выбора нейросети, а с паспорта дефекта и точки контроля. Нужно определить, что именно считается браком, видно ли это камерой, когда ещё можно вмешаться, сколько времени есть на решение и чем отличаются последствия пропуска дефекта от ложной отбраковки.
Короткий ответ: выберите один SKU/операцию и один наблюдаемый класс дефектов. Стабилизируйте положение детали, свет и камеру, соберите изображения по сменам и партиям, согласуйте разметку с отделом качества. Сначала работайте в shadow mode, затем — в режиме подсказки; автоматический reject включайте только после line acceptance и проверки fail-safe.
Главное за минуту
- Не каждый дефект виден в выбранном спектре и ракурсе.
- Качество кадра важнее попытки «обучить модель на шуме».
- Классы задаёт стандарт качества, а не удобство разметки.
- False accept и false reject имеют разную цену и пороги.
- Dataset делят по времени, партии, линии и SKU, а не случайными соседними кадрами.
- Решение синхронизируют с изделием через устойчивый идентификатор.
- Production drift включает не только продукт, но и свет, загрязнение и переналадку.
Содержание
- Когда машинное зрение подходит
- Метод ОПТИКА
- Паспорт дефекта
- Где поставить точку контроля
- Камера, оптика и освещение
- Как собрать датасет
- Как выбрать тип модели
- Метрики и цена ошибок
- Edge, PLC и MES
- От сигнала к действию
- Мониторинг и drift
- План пилота
- Что принять у подрядчика
- Частые вопросы
- Как AI рассвет внедряет визуальный контроль
- Вывод
Когда машинное зрение подходит
Хороший кандидат имеет визуально наблюдаемый признак, повторяемое положение или возможность его стабилизировать, формальное решение отдела качества и достаточное окно для реакции. Примеры: наличие компонента, маркировка, геометрия, цвет, царапина, загрязнение, качество шва или комплектность упаковки.
Слабый кандидат — скрытый внутренний дефект без подходящего сенсора, редкое явление без примеров и эксперта, субъективное понятие «выглядит плохо» или процесс, где обнаружение происходит слишком поздно и не меняет действие. Иногда нужна не RGB-камера, а 3D, тепловизор, рентген, ультрафиолет или обычный датчик.
NIST о применении AI в производстве относит inspection и defect detection к сценариям computer vision, одновременно называя качество данных, стоимость, навыки, cybersecurity и legacy integration среди барьеров. Это системная, а не только ML-задача.
Метод ОПТИКА
ОПТИКА — шесть блоков проекта:
- О — Объект: SKU, поверхность, допустимые варианты и дефекты.
- П — Позиция: точка линии, ракурс, фиксация и окно реакции.
- Т — Требования: такт, цена ошибок, traceability и safety.
- И — Изображение: камера, линза, свет, фон, trigger и quality gate.
- К — Классификатор: правила, ML-модель, threshold и uncertainty.
- А — Автоматизация: PLC/MES, action, human review, журнал и rollback.
Если система нестабильна, ОПТИКА подсказывает порядок диагностики. Сначала проверяют объект/позицию/изображение, затем data/model и только потом производственное действие.
Паспорт дефекта
Для каждого класса зафиксируйте:
| Поле | Пример содержания |
|---|---|
| defect_id и название | единый термин качества и производства |
| стандарт/допуск | документ, версия, пункт, единица измерения |
| визуальный признак | форма, область, контраст, минимальный размер |
| граница класса | допустимо, rework, scrap, review |
| похожие состояния | блик, пыль, технологический след |
| цена false accept | дефект ушёл дальше или клиенту |
| цена false reject | годное изделие задержано/списано |
| эксперт | кто решает спорную разметку |
Не объединяйте разные последствия в один класс «брак». Мелкая косметическая отметина и критическая трещина требуют разных порогов, маршрутов и отчётности.
Где поставить точку контроля
Точку выбирают там, где дефект уже виден, но действие ещё полезно. Ранний контроль снижает объём дальнейшей обработки бракованной детали, однако поверхность может быть не подготовлена или геометрия — не завершена. Финальная инспекция видит результат целиком, но причина уже дальше по процессу.
Опишите station cycle:
item id → trigger → фиксация → серия кадров → quality gate → inference → decision → PLC acknowledgement → physical routing → MES record.
Проверьте максимальный такт, буфер и поведение при потере кадра, связи или питания. Отсутствие решения нельзя молча трактовать как PASS.
Камера, оптика и освещение
Сначала сформируйте изображение, где дефект отделим от нормы. Выберите поле зрения, working distance, разрешение на объекте, глубину резкости, shutter, частоту кадров, тип trigger и интерфейс. Свет может быть фронтальным, боковым, кольцевым, купольным, коаксиальным или проходящим — выбор проверяют на физических образцах.
Контролируйте:
- положение, вибрацию и motion blur;
- блики, тени и внешнее освещение;
- загрязнение линзы и защитного стекла;
- экспозицию, focus и dead pixels;
- цветовую/геометрическую калибровку;
- температуру и стабильность крепления.
Quality gate должен пометить непригодный кадр отдельно от нормального изделия. Иначе модель вынуждена угадывать по данным, которых физически нет.
Как собрать датасет
Сохраняйте item/batch/SKU/line/shift/timestamp/camera/recipe и решение эксперта. Нужны нормальные изделия во всём допустимом диапазоне и дефекты разной выраженности, включая пограничные примеры и похожие не-дефекты.
Разметка бывает на уровне изображения, bounding box, mask или измеряемой геометрии. Выбирайте минимальную детализацию, которая поддерживает решение и объяснение оператору. Agreement двух экспертов на спорной выборке показывает качество самого стандарта.
Train/validation/test делите по партии, времени, линии или серии, чтобы почти одинаковые соседние кадры не оказались по разные стороны. Отдельный line-acceptance set собирают после монтажа и не используют для настройки.
Как выбрать тип модели
| Задача | Возможный подход | Выход |
|---|---|---|
| есть/нет признака | classification | class + confidence |
| найти объект/дефект | detection | box + class |
| точная площадь/контур | segmentation | mask |
| мало дефектов, стабильная норма | anomaly detection | anomaly map/score |
| размер и допуск | calibration + rules | измерение |
Начните с rule-based baseline, если признак выражается контрастом, формой или размером. ML оправдан, когда вариативность не удаётся надёжно описать правилами. Несколько стадий могут сочетаться: geometry rule проверяет положение, модель ищет дефект, policy принимает решение.
Метрики и цена ошибок
Accuracy бесполезна без состава классов. Для каждого defect class считайте confusion matrix:
- false accept: дефект признан годным;
- false reject: годное признано дефектным;
- true detect: дефект найден;
- true pass: норма пропущена.
Дополнительно измеряйте performance по SKU, линии, смене, партии, severity и диапазону условий; долю unreadable frames; latency end-to-end; missed triggers; PLC/action mismatches; manual-review rate.
Threshold выбирают по цене ошибок и capacity ручной проверки. Один глобальный порог может быть неправильным: критичный класс получает консервативное правило, а косметический — другой маршрут. Все acceptance values задаёт владелец качества; универсальных процентов нет.
Edge, PLC и MES
Edge inference сокращает зависимость от внешней сети и помогает выдержать такт, но требует управления устройствами, версиями, температурой, storage и обновлениями. Облако может использоваться для обучения, fleet management и аналитики — архитектура зависит от задержки, данных и OT-политики.
AWS guide по visual quality inspection at the edge подчёркивает междисциплинарность: ML, software, vision hardware, domain knowledge, edge SDLC и OT integration. NVIDIA industrial inference example также показывает контролируемое освещение, несколько камер, edge inference и документирование контроля как единый pipeline.
Интеграционный контракт включает item id, station id, timestamp, recipe/model version, result, defect class/location, image reference, confidence/quality flags, PLC acknowledgement и итоговое физическое действие.
От сигнала к действию
Повышайте автономность по ступеням:
- offline: модель оценивает архив;
- shadow: анализирует линию, но не влияет;
- assist: подсвечивает область оператору;
- hold/review: удерживает сомнительное изделие;
- bounded reject: автоматически отводит подтверждённый класс;
- process feedback: сигнализирует о серии дефектов владельцу процесса.
Автоматическая корректировка параметров оборудования — отдельный control-loop проект с требованиями functional safety. Детектор не должен самовольно менять технологический режим.
Мониторинг и drift
Drift проявляется как новый SKU, материал или поставщик, изменение поверхности, переналадка, новая камера, старение света, загрязнение, сезонный фон и смена стандарта. Dashboard связывает модельные и производственные сигналы.
Наблюдайте distribution изображений, unreadable rate, confidence/uncertainty, ручные переоценки, false accept/reject на проверенной выборке, дефекты по партии/смене, latency, device health и расхождение decision/action.
Каждая версия camera recipe, preprocessing, model, threshold и PLC logic должна быть воспроизводимой и откатываемой. Feedback оператора не идёт прямо в training set: его подтверждает эксперт качества.
План пилота
- Выберите один SKU, station и defect class.
- Зафиксируйте baseline и цену двух ошибок.
- Создайте паспорт дефекта и golden samples.
- Проведите optical feasibility test.
- Смонтируйте repeatable capture и quality gate.
- Соберите/разметьте данные по сменам и партиям.
- Сравните rules, ML и hybrid baseline.
- Проведите offline и recorded-line eval.
- Запустите shadow, затем assist/hold.
- Примите решение по line-acceptance set и runbook.
Подготовку исходных данных и ограничения удобно включить в аудит бизнес-процессов перед внедрением ИИ.
Что принять у подрядчика
- паспорт дефектов и signed acceptance rubric;
- схему station, BOM, camera/light recipes и calibration;
- dataset register, provenance, split и label guide;
- baseline и model card с slice metrics;
- line-acceptance report и список critical fails;
- PLC/MES contract, timing и fail-safe states;
- traceability record от изделия до действия;
- monitoring, revalidation, rollback и incident runbook;
- исходники/артефакты и процедуру передачи.
Страница услуги «Компьютерное зрение» AI рассвет описывает формат разработки; этот материал помогает сформировать требования и приёмку.
Частые вопросы
Сколько изображений нужно для обучения?
Универсального числа нет. Оно зависит от вариативности нормы, числа и редкости дефектов, ракурсов и выбранного подхода. Решение принимают по learning curve и отдельному test set.
Можно ли использовать существующие камеры?
Иногда да, если их разрешение, оптика, trigger, выдержка и стабильность дают нужный визуальный признак. Это подтверждает optical feasibility test на линии.
Что важнее — precision или recall?
Зависит от цены false reject и false accept для конкретного класса. Критичный дефект обычно требует отдельного порога и safety route.
Можно ли сразу автоматически отбраковывать изделия?
Лучше пройти offline, shadow и assist/hold. Bounded reject включают после line acceptance, проверки синхронизации, fail-safe и ручного override.
Как распознавать неизвестные дефекты?
Anomaly detection может отмечать отклонение от нормы, но его sensitivity и false alarms проверяют отдельно. Неизвестное отклонение обычно направляют на review, а не автоматически называют конкретным браком.
Как оценить стоимость проекта?
Учитывайте обследование, стенд, камеры/свет/механику, данные и разметку, модель, edge, PLC/MES, line tests и поддержку. Общая схема CAPEX/OPEX есть в статье о стоимости внедрения ИИ.
Как AI рассвет внедряет визуальный контроль
AI рассвет может провести аудит точки контроля, optical feasibility test, подготовить данные и разметку, разработать computer-vision pipeline, интегрировать edge, PLC/MES, провести offline/shadow/line acceptance, настроить monitoring, запуск, обучение и поддержку.
Безопасный первый шаг — выбрать один SKU, один дефект и station, зафиксировать baseline, условия съёмки, ограничения и критерий приёмки. Обсудить задачу.
Вывод
Компьютерное зрение для контроля качества — это измерительный и производственный контур. ОПТИКА связывает объект, позицию, требования, изображение, классификатор и автоматизацию.
Стабилизируйте кадр до обучения, формализуйте дефекты и цену ошибок, разделяйте данные по партиям, проверяйте систему на реальной линии и наращивайте автономность по ступеням. Тогда результатом будет воспроизводимое решение с traceability, а не только удачная модель на демонстрационных изображениях.