Брак не пройдет: как мы заменили визуальный контроль качества нейросетью

На любом производстве, где продукцию нужно осматривать глазами, рано или поздно возникает одна и та же проблема. Человек не может бесконечно долго сохранять концентрацию. К концу смены количество ошибок растёт, брак просачивается к клиентам, а годный материал иногда уходит в утиль.

Мы столкнулись с этим в компании, которая производит шпон — тонкие листы натурального дерева для мебели и отделки. Каждую партию нужно проверять на трещины, прожоги, пятна, расслоения. До определённого момента это делали люди. Но производство росло, скорость линии увеличивалась, и старый подход перестал работать.

Лист шпона движется по конвейеру со скоростью больше метра в секунду. Оператор должен успеть заметить дефект, классифицировать его и принять решение. В начале смены это ещё получается, но через несколько часов глаза устают, внимание рассеивается.

Мы замерили потери и получили цифры, которые заставили задуматься. До 30 процентов бракованных листов проходили контроль незамеченными. При этом часть качественного материала ошибочно отбраковывалась. В деньгах это выливалось в прямые убытки: возвраты от клиентов, снижение сортности продукции, репутационные потери.

Проблема усугублялась тем, что дефекты бывают разными. Где-то критическая трещина, где-то просто пятно, не влияющее на качество. Оператор в условиях цейтнота часто не успевал различить эти нюансы.

Мы пошли по пути автоматизации визуального контроля. Не стали учить людей смотреть быстрее, а убрали их из этого звена совсем, оставив за ними только функции арбитров в сложных случаях.

Сначала развернули систему видеонаблюдения с камерами, способными снимать с высокой частотой кадров и правильной экспозицией. Затем собрали датасет — больше десяти тысяч изображений шпона с разными типами дефектов. На этих снимках вручную разметили трещины, обугливание, пятна, непроклей, расслаивание.

На получившейся базе обучили нейросеть. Использовали архитектуру YOLOv5, которая хорошо зарекомендовала себя в задачах обнаружения объектов в реальном времени. Модель научилась не просто видеть дефекты, но и относить их к определённым классам.

После обучения интегрировали систему с производственной линией. Теперь, когда нейросеть обнаруживает брак, она ставит маркер на лист. Если дефект критический — подаёт сигнал на остановку или автоматическое удаление. Все распознанные дефекты сохраняются в базу для статистики и дальнейшего дообучения модели.

Оператору оставили монитор, где отображается реальный поток с автоматической аннотацией. Теперь его задача — контролировать спорные случаи, которые система подсвечивает как сомнительные.

Точность распознавания брака на валидационных данных составила 94,3 процента. Долю ложных срабатываний удалось снизить до трёх процентов после дообучения на реальных производственных примерах.

Система обрабатывает до десяти кадров в секунду, что позволяет работать на полной скорости конвейера без остановок и замедлений.

Количество необнаруженного брака сократилось более чем на 70 процентов. Продукция стала стабильно соответствовать высшим категориям качества. Клиенты перестали возвращать партии из-за дефектов, которые не заметили на производстве.

Нагрузка на персонал снизилась кардинально. Оператор больше не проводит смену в состоянии постоянного напряжения, вглядываясь в бесконечный поток листов. Он только подтверждает или отклоняет решения системы в сложных случаях.

Автоматический визуальный контроль применим везде, где продукцию нужно осматривать на скорости. Производство фанеры, плит МДФ и ДСП, стекольная промышленность, металлопрокат, керамическая плитка, текстиль, кожа — везде, где есть повторяющиеся визуальные проверки, нейросети справляются лучше человека.

Важно понимать границы такого подхода. Идеальной точности не существует, ложные срабатывания будут всегда. Но если правильно организовать процесс и оставить за человеком контроль спорных ситуаций, качество итогового продукта вырастает существенно.

В этом конкретном случае проект окупился за счёт сокращения возвратов и повышения сортности продукции. Точный срок окупаемости зависит от объёмов производства и стоимости сырья, но для большинства предприятий с интенсивным визуальным контролем экономика сходится.

Проблема визуального контроля на производстве не решается наймом более внимательных сотрудников. Человеческий глаз имеет физиологические ограничения. Нейросети, в отличие от людей, не устают, не отвлекаются и не теряют концентрацию к концу смены.

В описанном кейсе автоматизация позволила снизить потери от необнаруженного брака на 70 процентов и поднять качество продукции до стабильно высокого уровня. Операторы переключились с рутинного вглядывания на контроль спорных ситуаций, где действительно нужно человеческое решение.