Назад

Система контроля качества на основе машинного зрения на производстве строительных материалов

Современные производства сталкиваются с необходимостью контроля качества продукции на высоких скоростях. Человеческий фактор, усталость и субъективность оценок часто приводят к пропуску дефектов. Компания ООО "Айстек" разработала и внедрила систему машинного зрения для одного из крупнейших производителей строительных материалов в России. Решение сочетает классические алгоритмы обработки изображений и нейросетевые модели, что позволило сократить количество брака на 90% и снизить затраты на персонал на 70%.

Архитектура решения
Система состоит из нескольких ключевых компонентов:
1. Аппаратная часть
· Линейные камеры высокого разрешения с системой подсветки
· Сервер с GPU (NVIDIA) для обработки нейросетевых алгоритмов
· CPU-вычисления для математического анализа изображений
2. Программная часть
· Гибридный подход: классические алгоритмы + deep learning
· Детекция дефектов на основе морфологического анализа
· Нейросетевые модели, обученные на датасетах с дефектами
3. Интеграция с производственной линией
· Автоматическая маркировка бракованных изделий
· Передача данных в SCADA/MES-системы

Почему гибридный подход? CPU + GPU
CPU: Математические алгоритмы
Для первичной обработки изображений (фильтрация шумов, выделение контуров, морфологические операции) используются классические алгоритмы компьютерного зрения (OpenCV, HALCON). Они работают на CPU, так как:
· Требуют последовательных вычислений
· Имеют предсказуемую нагрузку
· Эффективно работают на многоядерных процессорах

GPU: Нейросетевые модели
Для сложных задач классификации (трещины, сколы, неравномерность окраски) применяются сверточные нейронные сети (CNN). Их выполнение на GPU дает преимущества:
· Параллельная обработка большого объема данных
· Ускорение inference в 10−50 раз по сравнению с CPU
· Поддержка фреймворков (TensorFlow, PyTorch)

Линейные камеры и подсветка: как добиться стабильного качества изображения
Одной из ключевых проблем промышленного машинного зрения является нестабильное освещение. Традиционные подходы (например, использование светоограждающих конструкций) увеличивают стоимость и сложность системы.

Решение от "Айстек"
· Применение линейных камер с высоким разрешением и скоростью сканирования
· Встроенная система подсветки (LED регулируемой интенсивности)
· Алгоритмы динамической коррекции освещения

Это позволило:
  1. Устранить зависимость от внешнего света
  2. Уменьшить габариты системы (не нужны дополнительные кожухи)
  3. Повысить точность детекции за счет равномерной подсветки

Ключевые факторы успеха:
· Оптимальное распределение задач между CPU и GPU
· Использование линейных камер с подсветкой
· Обученные нейросетевые модели на реальных производственных данных
· Вовлеченность персонала заказчика в проект при его реализации

Экономический эффект проекта
После внедрения системы были достигнуты следующие результаты:
· Количество дефектов снижено на ↓90%
· Человеческие ресурсы на контроль качества снижены с 5 человек в смену до условных 1,5 человека на ↓70%
· Влияние человеческого фактора - Исключено

Внедрение системы машинного зрения на основе гибридного подхода (CPU + GPU) позволило значительно повысить качество продукции и сократить издержки.