Нас часто спрашивают, как выглядит работа с клиентом над проектом, включающим использование ИИ и компьютерного зрения. Чтобы ответить на этот вопрос, мы предпочитаем делиться реальными примерами. Этот пример взят из пилотного проекта, который мы реализовали для производителя минеральной изоляции. Нашей целью было разработать и протестировать автоматизированную систему обнаружения дефектов. Минеральная вата — лишь один из примеров применения этой технологии. Мы готовы применять аналогичные методы для контроля поверхности древесины, бутылок и других материалов, и мы разработали OkKast, наше приложение для контроля качества сборного железобетона. Всё это объединяет одна и та же задача: обнаружение дефектов имеет значение.
Этот проект иллюстрирует наш обычный подход к взаимодействию с клиентами: начиная с семинаров по использованию ИИ, переходя к проверке концепции (PoC) и постепенно разрабатывая решения, повышающие качество продукции. Если вы когда-нибудь задумывались, как мы внедряем ИИ в производственные линии, этот пример должен дать вам чёткое представление о том, как мы работаем.
Какие дефекты минеральной ваты бывают?
Производство минеральной ваты — это непрерывная работа конвейера, где продукт движется по трем параллельным полосам со скоростью до 16 метров в минуту. Задача специалиста — визуально отслеживать дефекты на поверхности минерального ковра. И это настоящий вызов.
Во-первых, поверхность ковра рельефная и неоднородная — даже от долгого взгляда начинает рябить в глазах. Во-вторых, дефекты бывают крошечными, от 5 мм, и отличаются по характеру:
- «Королек» — выгоревший участок.
- «Мокрый участок» — пятно с повышенной влажностью.
- «Карамель» — зона с избыточным содержанием связующего.
- «Бугры» — места с его нехваткой.
Рис. 1. “Королек”
>Рис. 2. “Мокрый участок”
Рис. 3. “Карамель”
Рис. 4. “Бугры”
Каждый дефект может стать причиной брака, но заметить его в реальном времени крайне сложно. Один моргнувший взгляд — и дефект проскочил дальше. Для клиента это означало риски пропустить некачественную продукцию в продажу, что вело к рекламациям и убыткам.
- Повысить точность и скорость обнаружения дефектов на минеральной вате.
- Исключить влияние человеческого фактора.
- Предотвратить попадание брака в продажу.
- Снизить потери от рекламаций и возвратов.
- Внедрить систему, которая будет работать с существующим оборудованием без серьёзной модернизации.
1. Почему минеральная вата нуждается в надежном контроле качества
Минеральная вата — один из наиболее широко используемых изоляционных материалов в строительстве и промышленности. Она обеспечивает отличную теплоизоляцию, огнестойкость и звукоизоляцию. Но, как и любой материал массового производства, ее эксплуатационные характеристики зависят от стабильности качества.
В процессе производства могут возникнуть различные дефекты, такие как структурные проблемы, такие как расслоение или неравномерная плотность, изменение цвета или термические дефекты, возникающие, когда перегретые частицы стекла (иногда до 1000 °C) задерживаются внутри материала и становятся невидимыми после охлаждения.
Ручной контроль традиционно был решением, но он медленный, нестабильный и сложно масштабируемый. Компьютерное зрение позволяет сделать контроль качества более последовательным, эффективным и основанным на данных.
2. Как компьютерное зрение помогает в контроле минералной ваты
Компьютерное зрение — это технология, которая использует камеры или датчики для сбора визуальных данных и алгоритмы для анализа их значения.
В некотором смысле, он имитирует человеческое зрение, поскольку камеры работают как глаза и собирают информацию из окружающей среды, а алгоритмы глубокого обучения работают как мозг, анализируя увиденное.
Эта технология уже широко используется такими лидерами производства, как Coca-Cola (для проверки бутылок), Siemens и Nestlé, помогая им автоматизировать задачи, которые в противном случае потребовали бы человеческого внимания.
У нас есть полная статья о практическом применении компьютерного зрения здесь, но для минеральной ваты выделяются следующие три сценария:
- Обнаружение поверхностных дефектов и цвета.
- Контроль ламелей.
- Обнаружение термических аномалий.
Обнаружение поверхностных дефектов и цвета.
Минеральная вата перемещается по линии длинными непрерывными листами. Камеры, установленные под конвейером или рядом с ним, непрерывно снимают покадровую передачу изображений по мере продвижения продукта. Алгоритмы обработки изображений выявляют поверхностные дефекты, такие как отверстия, царапины, неровности волокон или пятна изменения цвета, которые могут указывать на химические несоответствия.
В отличие от ручного контроля, который позволяет проверить только образец, эта система проверяет 100% продукции.
Обнаруженные дефекты немедленно отмечаются, что помогает операторам отреагировать до того, как будет испорчена вся партия.
Контроль ламелей
Во многих случаях Минеральная вата разрезается на ламели (узкие полосы, используемые для изоляционных плит или изоляции труб). Над станцией резки расположены камеры наблюдения. По мере продвижения каждой ламели система проверяет наличие структурных дефектов, таких как расслоение, недостающие волокна или неровный рез. При обнаружении дефектной детали она автоматически снимается с линии без остановки производства. Таким образом, на упаковку попадают только ламели без дефектов.
Обнаружение термических аномалий
Некоторые дефекты минеральной ваты не видны на поверхности, а скрыты внутри материала, например, перегретые фрагменты или колебания плотности. Тепловизионные камеры, расположенные вдоль линии, регистрируют температурные карты продукта в режиме реального времени.
Модели ИИ анализируют эти тепловые сигнатуры, чтобы выявлять аномалии, которые могут снизить эффективность изоляции или создать риски для безопасности в будущем.
Хотя этот подход требует технической проверки для точной настройки пороговых значений, он может помочь устранить дефекты высокого риска, которые ручная проверка почти наверняка пропустит.
3. Лучший способ начать — обследование и консультации
Прежде чем внедрять камеры и алгоритмы, важно определить потребности и ограничения производителя. В этом и заключается роль мастерских с использованием ИИ, которые находятся в начале каждого нашего проекта по разработке индивидуальных решений на основе ИИ.
На практике мы встречаемся с клиентом, чтобы шаг за шагом пройти весь процесс. Мы осматриваем завод, понимаем, где возникают дефекты, и обсуждаем, как автоматизированная система может быть реалистично интегрирована.
Мастерские помогают прояснить следующие моменты:
- Бизнес-цели — как выглядит результат (например, сокращение брака на 15% или уменьшение количества жалоб от монтажников на последующих этапах).
- Картирование процесса — определение точек, где следует установить камеры видеонаблюдения.
- Таксономию дефектов – согласование того, какие дефекты действительно важны (отверстия, изменение цвета, расслоение, места перегрева) и как они определяются для обучения модели ИИ.
- Техническую настройку – выбор типа камеры (RGB или тепловизионная), планирование защиты от пыли и обеспечение работы освещения и передачи данных в заводских условиях.
- Интеграцию – как система машинного зрения будет подключаться к MES или ERP для автоматической регистрации дефектов.
- Эксплуатационные требования – определение времени реакции (должна ли линия останавливаться? должны ли дефектные изделия автоматически перенаправляться?), обработка сигналов тревоги и какая информация должна быть видна операторам на рабочем месте.
Результатом консультаций и обследования является четкая спецификация, специфичная для завода, которая показывает, какие проблемы необходимо решить в первую очередь, какое оборудование необходимо и что нужно для перехода к следующему этапу: проверке концепции.
4. Как мы создаём прототип концепции контроля качества на основе ИИ для производства минеральной ваты
Первым этапом мы создаем прототип решения в реальных производственных условиях.
Чтобы проверить работоспособность системы контроля качества на основе ИИ на вашем заводе, необходимо создать и запустить прототип непосредственно в производственной среде, Этот процесс включает следующие шаги:
Шаг 1: Сбор данных
Устанавливаются временные камеры для съёмки потока продукции в нормальных условиях. Регистрируются как бездефектные, так и дефектные образцы.
Шаг 2: Аннотация дефектов
Снятые изображения маркируются экспертами. Дефекты маркируются и классифицируются (расслоение, изменение цвета, проблемы с плотностью). Вклад специалистов по качеству здесь крайне важен.
Шаг 3: Пилотные алгоритмы
Первые модели машинного обучения обучаются отличать приемлемые изделия от бракованных. Цель — не совершенство, а доказательство: можно ли надёжно обнаружить очевидные дефекты?
Шаг 4: Тестирование в реальных условиях
Модели подключаются к камерам в режиме реального времени. Система отмечает потенциальные дефекты, но окончательное утверждение остаётся за операторами. Таким образом, PoC поддерживает принятие решений без риска для качества продукции.
Шаг 5: Обратная связь с операторами
Операторы проверяют или корректируют системные обнаружения. Их отзывы добавляются в набор данных, что делает модели более точными с каждым циклом.
Шаг 6: Оценка и дальнейшие действия
Процесс завершается ответами на ключевые вопросы:
- Сколько было обнаружено дефектов, пропущенных ручными проверками?
- Ускорила или замедлила система работу линии?
- Какова потенциальная экономия средств при масштабировании до уровня полного производства?
С помощью этих данных руководство и отделы качества могут уверенно принимать решения о масштабировании.
5. Почему это важно для контролеров качества
Компьютерное зрение в контроле качества призвано предоставить инспекторам более точные и надежные инструменты для контроля качества. В отличие от ручных проверок, которые могут различаться у разных специалистов, ИИ обеспечивает единообразие, поскольку каждый продукт проверяется на соответствие одному и тому же объективному стандарту. Кроме того, ИИ обеспечивает скорость, выявляя и отмечая дефекты в режиме реального времени, не замедляя и не останавливая производство. Система обеспечивает прослеживаемость, регистрируя результаты каждой проверки для поддержки аудитов, обеспечения соответствия требованиям и постоянного совершенствования. Кроме того, она обеспечивает масштабируемость, позволяя применять тот же подход к дополнительным линиям или заводам по мере роста производства.
6. Готовы ли вы инвестировать в систему контроля качества минеральной ваты с использованием ИИ?
Минеральная вата — высокопроизводительный материал, и ее ценность зависит от поддержания стабильного качества. Компьютерное зрение предлагает производителям практический путь развития: начать с целевых семинаров для определения требований, а затем перейти к структурированному прототипу, где ИИ тестируется непосредственно на производственной линии. Каждый этап дополняет предыдущий, обеспечивая измеримый прогресс и низкий риск.
Для контролеров качества речь идёт о получении более совершенных инструментов. ИИ обеспечивает единообразие, проверяя каждое изделие на соответствие единым стандартам. Он увеличивает скорость, выявляя дефекты в режиме реального времени, не замедляя производство. Он обеспечивает прослеживаемость, регистрируя каждую проверку для аудита и постоянного совершенствования. Кроме того, он обеспечивает масштабируемость, позволяя внедрять систему на новые линии или объекты по мере роста производства.
Объединяя экспертные знания с автоматизацией на основе ИИ, производители могут перейти от ручных выборочных проверок к системе совместной работы, которая работает совместно с их командами.
