Есть такая старая производственная проблема — визуальный контроль качества. Кажется, что может быть проще: смотри на продукцию и отбраковывай плохое. Но когда материал движется по конвейеру со скоростью больше метра в секунду, глаза человека просто перестают успевать.
Именно с этим столкнулся производитель шпона — тонкого листового материала из натурального дерева, который используется в мебели и отделке. Каждый лист нужно проверить на трещины, прожоги, пятна, сучки и прочие дефекты. И пропустить брак нельзя — клиенты вернут, репутация упадет, деньги потеряются. Но и годный материал списывать тоже обидно.
Где прятались потери
До внедрения новой системы контролёры работали по старинке — смотрели своими глазами. Но скорость линии была такой, что человек физически не успевал оценить каждый лист. К концу смены усталость накапливалась, и ошибки начинали расти как снежный ком.
Цифры оказались пугающими. До 30% бракованных листов проходило контроль незамеченными. А часть годного материала отправлялась в утиль просто потому, что уставший оператор принял безобидное пятно за критический дефект.
Последствия были предсказуемы: клиенты возвращали партии, продукция не дотягивала до ГОСТа, компания теряла деньги и репутацию. Нужно было что-то менять.
Что придумали вместо человека
Мы предложили не учить людей смотреть быстрее, а убрать человека из этой точки процесса совсем. Поставили систему технического зрения, которая работает без усталости и выходных.
Сначала развернули видеокамеры с высокой частотой кадров и правильной экспозицией, чтобы каждый лист попадал в объектив в идеальных условиях. Потом собрали огромный датасет — больше десяти тысяч фотографий шпона с разными типами дефектов. На этих снимках разметили трещины, обугливание, пятна, непроклей, расслаивание.
На получившейся базе обучили нейросеть. Выбрали архитектуру YOLOv5 — она хорошо показывает себя в задачах обнаружения объектов в реальном времени. Система научилась видеть дефекты и классифицировать их по типам.
Дальше связали всё с производственной линией. Когда нейросеть находит брак, она ставит маркер на лист. Если дефект критический — подаёт сигнал на остановку или автоматическое удаление. Все фото с обнаруженными проблемами сохраняются в базу для статистики и дальнейшего обучения.
Оператору оставили экран, где видно реальный поток и автоматическую разметку. Теперь его задача не вглядываться в каждый лист, а контролировать спорные случаи, которые система подсвечивает как сомнительные.
Что получили в итоге
Нейросеть показала точность распознавания брака 94,3% на проверочных данных. Ложные срабатывания удалось снизить до трёх процентов после дообучения на реальных производственных примерах.
Скорость обработки достигла десяти кадров в секунду — этого хватило, чтобы работать на полной скорости конвейера без замедлений.
Количество необнаруженного брака упало больше чем на 70%. Продукция стала стабильно соответствовать высшим категориям качества, клиенты перестали возвращать партии. Нагрузка на людей снизилась кардинально — оператор теперь просто подтверждает решения в сложных случаях, а не выпадает из реальности после четырёх часов вглядывания в бесконечный поток листов.
Кому это нужно
На самом деле, проблема визуального контроля качества есть везде, где производство идёт быстро, а глаз человека устаёт. Производители фанеры и плит, стекольные заводы, металлурги, керамика, текстиль, даже сортировка овощей и фруктов — везде работает один и тот же принцип.
Человек не должен соревноваться с конвейером в скорости реакции. Его задача — принимать решения там, где автоматика сомневается, и улучшать процесс. А бесконечный поток однотипной продукции пусть контролируют нейросети. У них не бывает плохого настроения, усталости и желания поскорее уйти домой.
Главный вывод этого кейса простой: иногда лучший способ повысить качество — перестать требовать от людей невозможного и отдать рутину машинам. Они справятся быстрее и точнее, а люди займутся тем, что действительно требует человеческого участия.
Подробнее об этом и других проектах — на сайте