Как мы за 4 месяца научили нейросеть ловить брак на прокате кровли и сэкономили компании деньги

Подзаголовок: Разбор первого в компании пилота по внедрению компьютерного зрения. От проблемы с возвратами до работающего конвейера с кнопкой сброса.

Привет, коллеги. Хочу разобрать наш недавний кейс — первый пилот по внедрению ИИ на производстве. История не про SOTA-модели, а про то, как реальная бизнес-боль (возвраты из-за брака) прошла путь до работающего решения на конвейере.

1. Проблема: возвраты и «слепые» зоны контроля

Заказчик мог вернуть лист с дефектом сырья или проката, и мы платили компенсацию. Производственный департамент (ПД) искал способ ловить брак онлайн, до отгрузки.

Мой первый шаг: поехал в цех. Нельзя автоматизировать то, чего не понимаешь. Несколько визитов, чтобы увидеть процесс, свет, скорость, типы дефектов.

2. Поиск готового решения: его нет

Готовых датасетов по дефектам кровли — нет. Похожие кейсы (по дереву, плитке) не подходили из-за специфики материала (блики, текстура, цинковое покрытие).

Решение: Ставить свою систему с нуля.

3. Этап 1: «Железо» и свет — 50% успеха

• Установили камеру над выходом прокатного стана.
• Первое открытие: света от камеры катастрофически не хватало. Без качественного изображения никакой ИИ не работает.
• Фикс: поставили световую полосу во всю ширину листа. Картинка стала пригодной для анализа.

4. Этап 2: От простого к сложному — эволюция модели

1. Первая попытка (наивная): Каскад Хаара + детектор движения. Логика: дефект движется на однородном фоне.
   Результат: Точность близка к нулю. Слишком много шума, сложные текстуры.
2. Верный выбор: YOLO от Ultralytics. Быстро, точно, есть готовые инструменты для обучения и деплоя.
   Модель: Выбрал самую легкую YOLOv8n — критична скорость обработки на видео.
   Формат: Оставил .pt, для начала этого достаточно.

5. Этап 3: Сбор данных и обучение — битва с переобучением

• Разметка: Собрал 150 фото, разметил полигонами в Label Studio (отличный инструмент, кстати).
• Первое обучение: Провал. Loss не падал, accuracy быстро упирался в потолок.
• Вскрытие причин: Мало данных, нет аугментации.
• Фикс:
  Прописал аугментацию (изменение яркости, контраста, повороты, шум).
  Добрал данные.
  Прописал split 70/30 для валидации.
• Результат: Метрики пошли в рост.

6. Этап 4: Интеграция и «бизнес-логика» — где ИИ встречается с реальностью

• Тест на скорости: Модель ловила дефекты даже на высокой скорости проката — годится.
• Валидация с ПД: Показал ~100 примеров срабатываний. Вместе отфильтровали ложные positives: грязь, наклейки, тени.
• Главный вызов: Оцинкованный лист (зеркало) и окислы. Камера видела своё отражение и артефакты. Решение — тонкая настройка confidence threshold (conf). Не все, что модель видит с низким conf, — брак.

7. Этап 5: Интерфейс для людей и неочевидные проблемы

• Как показать результат оператору?
  Поставили сирену (1.5 сек) и сигнальную лампу.
  Лампа горит, пока оператор не нажмет кнопку сброса.
• Проблема с человеческим фактором: Операторы быстро нашли «баг»: если не жать кнопку, система «зависает» и не детектит новые дефекты. Логичная попытка упростить себе жизнь.
• Фикс: Разделил логику сигналов. Теперь даже при горящей лампе детекция непрерывна. Операторы смирились 🙂

Дополнительный фичей: Все снимки дефектов автоматически сохраняются в сетевую папку с меткой времени. Можно анализировать брак по партиям/поставщикам.

Итоги и инсайты спустя 4 месяца:

✅ Результат: Система работает. Возвраты упали. Экономия уже окупила все затраты на hardware и разработку.
🔄 Тиражирование: Систему начали ставить на другие станы.

Главные уроки:

1. 80% успеха — это не модель, а данные и условия съёмки (свет, камера).
2. Бизнес-логика и UX для оператора так же важны, как accuracy модели. Можно сделать гениальный алгоритм, который люди будут саботировать.
3. Работайте в тесной связке с производством (ПД). Их обратная связь на ранних этапах бесценна.
4. Начинайте с простого, но работающего решения (YOLOv8n), а не с гигантской SOTA-архитектуры.
5. Поставьте KPI не в mAP, а в «снижении процента возвратов». Бизнес понимает именно это.

P.S. Следующий шаг — интеграция толщиномера для контроля однородности металла. Будет еще интереснее.

Вопрос к вам: Сталкивались с похожими проектами? Как решали проблему «человеческого фактора» и адаптации людей к новым системам?

#кейс #внедрение_ии #computer_vision #yolo #production_ai #mlops #нейросети_в_промышленности