Как мы заменили работников контроля качества на производстве нейросетью за 7 млн рублей
Это история из Сообщества. Редакция задала вопросы, бережно отредактировала и оформила по стандартам Журнала
На любом производстве, где продукцию нужно осматривать, рано или поздно возникает проблема: человек не может бесконечно долго сохранять концентрацию.
К концу смены количество ошибок растет, просачивается брак, а годный материал иногда уходит в утиль. В 2021 году мы столкнулись с этим в компании, которая производит шпон — тонкие листы дерева для мебели и отделки. Работники проверяли каждую партию на трещины, прожоги, пятна, расслоения. Но объем и скорость производства росли, и старый подход перестал работать.
Мы с командой больше 20 лет занимаемся автоматизацией бизнес-процессов в разных сферах, поэтому компания пригласила нас, чтобы мы улучшили визуальный контроль качества и снизили процент брака. Рассказываем, как мы внедрили нейросеть в производство и к каким результатам это привело.
Почему работники перестали справляться
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 еще получается, но через несколько часов глаза устают, внимание рассеивается.
Мы решили замерить потери. Смотрели на несколько вещей. Во-первых, на количество партий, которые клиенты возвращали с претензией по качеству. Во-вторых, на процент ложной отбраковки — когда оператор отправлял в брак нормальный лист: это прямые потери сырья, которое производство списывало в брак. В-третьих, на сортность: какая доля продукции уходила первым сортом, какая — вторым и ниже. Замеряли до внедрения системы и после него.
Так мы выяснили, что до 30% брака проходило контроль незамеченным. 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. Из-за ограниченного времени на осмотр оператор часто не успевал заметить эти различия.
Производитель пытался решить задачу: ставил дополнительных операторов, менял смены чаще, вешал эталонные образцы дефектов рядом с линией. На производстве пробовали сокращать длительность смен — вместо 12 часов делали восемь. Но это не решало проблему, а создавало новую — кадровую: нужно больше людей, а найти и обучить их непросто. По сути, все решения крутились вокруг человеческого фактора, но корень проблемы — физиология зрения человека.
Что мы изменили, чтобы снизить процент брака
Мы рассматривали разные пути решения проблемы: увеличить количество производственных линий, ввести контроль на этапе приемки, обязать поставщиков предоставлять заключения о качестве сырья, нанять больше сотрудников. Но по сравнению с внедрением нейросетей эти меры были менее перспективными с точки зрения рисков и затрат на ближайшие 3—5 лет.
Поэтому 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 базу данных — больше 10 000 изображений шпона с разными типами дефектов. Фотографировали самостоятельно, искали изображения в интернете, запрашивали у коллег — тогда не было открытых датасетов или нейросетей, которые могли бы сгенерировать синтетические данные. На этих снимках вручную разметили трещины, обугливание, пятна, непроклей, расслаивание.
Сбор информации — это отдельная статья затрат в таких проектах, к тому же эти данные еще нужно разметить. Тогда нам помог сервис «Яндекс Толока».
На получившейся базе обучили нейросеть. Использовали архитектуру YOLOv5 , которая зарекомендовала себя в задачах обнаружения объектов в реальном времени. Модель научилась не просто видеть дефекты, но и относить их к определенным классам.
После обучения мы интегрировали систему с производственной линией. Теперь, когда нейросеть обнаруживает брак, она ставит пометку о нем в учетной системе. Если дефект критический — подает 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.
Результаты внедрения нейросети на производстве
Точность распознавания брака на валидационных данных достигла 94,3%. Долю ложных срабатываний удалось снизить до 3% после дообучения на реальных производственных примерах.
Система обрабатывает до десяти кадров в секунду, что позволяет конвейеру работать на полной скорости без остановок и замедлений.
Количество необнаруженного брака сократилось более чем на 70%: продукция стала стабильно соответствовать высшим категориям качества. Клиенты перестали возвращать партии из-за дефектов, которые не заметили на производстве.
Нагрузка на персонал кардинально снизилась. Оператор больше не проводит смену в состоянии постоянного напряжения, вглядываясь в бесконечный поток листов. Он только подтверждает или отклоняет решения системы в сложных случаях.
Сколько стоил проект и где это может работать
В 2021 году заказчик потратил 7,4 млн рублей: 5,5 млн рублей на проект и 1,9 млн на ввод в эксплуатацию. Сегодня подобное решение стоит гораздо дешевле. Чтобы система обнаружения брака работала стабильно, клиент поставил ее на свои серверы и нанял ML-инженера в штат для поддержки.
Проект окупился за счет сокращения возвратов и повышения сортности продукции. Точный срок окупаемости зависит от объемов производства и стоимости сырья, но для большинства предприятий с интенсивным визуальным контролем экономика сходится.
Автоматический визуальный контроль применим везде, где продукцию нужно осматривать с большой скоростью. 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 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. Если правильно организовать процесс и оставить за человеком контроль спорных ситуаций, качество итогового продукта существенно вырастает.
