Машинное зрение в промышленности: контроль качества и безопасность
В условиях ужесточения конкуренции, дефицита квалифицированных кадров и роста требований к безопасности производства технологии машинного зрения становятся необходимостью. Если ранее автоматизированный визуальный контроль воспринимали как дорогостоящую инновацию, то сегодня эксперты отрасли классифицируют его как инструмент обеспечения экономической устойчивости.
Ключевой причиной, стимулирующей внедрение машинного зрения, стала необходимость исключения человеческого фактора из процессов контроля качества и безопасности. Директор по продуктовой и заказной разработке ООО «АйСиЭл Софт» (ICL Soft) Виктор Мясников, определяет эту технологию как ключевой элемент цифровой трансформации промышленности. По его словам, системы действуют без усталости и субъективных оценок, выделяют дефекты, следят за соблюдением стандартов.
«Сотрудник-контролёр физически не способен сохранить концентрацию внимания на 100%. А значит, при визуальном осмотре будут пропущены примерно 20–30% дефектов. В то же время машинное зрение, в отличие от человека, сможет обеспечить требуемую точность 24/7 без снижения производительности к концу смены», — поддерживает коллегу руководитель направления инновационных технологий ООО «ТИМИДЕЯ ГРУПП» (TeamIdea Group) Алексей Пономарёв.
Виктор Мясников также акцентирует внимание на скорости принятия решений. Например, анализ изображения происходит за миллисекунды — это критично для таких высокопроизводительных линий, как упаковка, сборка и тому подобное, говорит эксперт. Кроме того, машинное зрение снижает доли брака и минимизирует простой, что напрямую влияет на EBITDA (Earnings Before Interest, Taxes, Depreciation and Amortization — прибыль компании до вычета процентов по кредитам, налогов и амортизации).
«Современное производство ориентировано на сокращение потерь: меньше брака, перерасхода сырья, простоев оборудования, затрат на переналадку и логистику возвратов. Кроме того, автоматический контроль становится верифицируемым источником данных, что критично для прослеживаемости продукции и снижения рекламаций со стороны потребителей», — дополняет экономическое обоснование технический директор ООО «БПА» (разработчик ИИ-систем BPA) Вадим Медяник.
Он также обращает внимание на стратегический контекст цифровизации: машинное зрение становится частью технологического процесса, основанного на данных, и интегрируется с системами управления производством, планирования ресурсов предприятия и интернетом вещей. Это позволяет не просто фиксировать дефект, а понимать, на каком этапе он возник, из какой партии пришло сырьё и какие параметры процесса требуют корректировки. Так эта технология становится элементом управляемой производственной экосистемы.
Учёные также подтверждают эту тенденцию. Так, по мнению старшего преподавателя кафедры «Интеллектуальные системы в управлении и автоматизации» МТУСИ Никиты Белова, техническое зрение стало критически важным потому, что оно позволяет заводам решать большой спектр задач, таких как повышение эффективности, обеспечение безопасности и снижение издержек в условиях жёсткой конкуренции и кадрового голода.
«Принципиально важно, что компьютерное зрение обеспечивает не выборочный, а сплошной контроль. Производственная линия не останавливается для проверки отдельных образцов партии. Вся продукция анализируется в непрерывном режиме. Это радикально меняет подход к качеству: дефекты фиксируются не постфактум, а в момент их возникновения», — уверен Вадим Медяник.
Отраслевая практика внедрения систем машинного зрения
Наиболее восприимчивыми к интеграции систем машинного зрения оказались отрасли с непрерывными циклами производства и высокими рисками. Никита Белов приводит данные исследования «Яндекса», где обозначено, что 75% компаний в металлургии, горной добыче и нефтегазовом секторе уже активно внедряют компьютерное зрение в производственные процессы.
Алексей Пономарёв расширяет перечень, включая в него машиностроение, транспорт, пищевую промышленность и выпуск лекарств, отмечая, что именно в этих секторах по-прежнему широко применяется ручной труд, а цена ошибки и простоя оборудования остаётся исключительно высокой.
«В производственном контроле наиболее зрелыми остаются задачи анализа поверхности и геометрии изделий. Это мониторинг размеров, соответствия эталону, выявление дефектов обработки. В деревообработке — обнаружение сколов, царапин, излишков клея и вкраплений.
В картонной упаковке — контроль надрывов, заломов и качества складки. В металлообработке — проверка допусков, геометрии отверстий и углов, выявление дефектов механической обработки.
Отдельный устойчивый кейс — контроль маркировки и машиночитаемости: проверка штрихкодов, кьюар-кодов, текстовой информации и их соответствия конкретному изделию. Это напрямую влияет на снижение ошибок при отгрузке.
Популярным направлением является контроль комплектности сборки. Система автоматически проверяет наличие всех компонентов в изделии или заказе, используя визуальный анализ, штрихкоды и текстовую информацию», — перечисляет Вадим Медяник.
Отдельно он выделяет складскую логистику, где системы позволяют оцифровать передвижение палет и коробов, контролировать зоны хранения и фиксировать действия сотрудников. Предприятие получает прозрачную картину: что, куда и когда было перемещено и где находится в текущий момент.
Эффективность технологий подтверждают конкретные производственные примеры. В металлургии и горной добыче зафиксированы значимые улучшения показателей безопасности и производительности. На Яковлевском горно-обогатительном комбинате («Северсталь») была внедрена система машинного зрения для контроля нахождения работников под грузом в камерах складирования. Согласно данным, предоставленным преподавателями МТУСИ, количество потенциально смертельных происшествий снизилось в 4,8 раза (с 240 случаев в мае 2024 года до менее 50 в апреле 2025 года).
На Ковдорском горно-обогатительном комбинате реализована система контроля потока руды на конвейере ML Sense (Реестровая запись № 12843 от 14.02.2022 Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации).
Старший преподаватель кафедры «Интеллектуальные системы в управлении и автоматизации» МТУСИ, кандидат технических наук Андрей Вовик описывает принцип работы решения: «Нейросеть в реальном времени (< 1 секунды) находит в руде куски металла, дерева или пластика, которые могут разорвать дорогостоящую дробилку». Результатом внедрения стало снижение времени внеплановых простоев из-за посторонних предметов на 36%.
Алексей Пономарёв уточняет технические детали данного примера, отмечая, что система выявляет недробимые включения размером от 10 мм и останавливает конвейер за секунду с точностью распознавания более 90%.
В транспортной логистике добывающих предприятий технология также демонстрирует высокую эффективность. На предприятии «Удоканская медь» оснащение транспорта системой мониторинга на базе искусственного интеллекта позволило снизить количество дорожно-транспортных происшествий на 37%. В компании «АЛРОСА» система контроля загрузки самосвалов обеспечила рост производительности транспортировки руды на 10%, что эквивалентно дополнительным 12 тысячам тонн руды на одном из рудников.
В сфере отслеживания характеристик производственных процессов НПО «Аконит» (всё то же упомянутое решение ML Sense) применяет контроль качества труб перед резкой с точностью до 1 мм. По оценке Алексея Пономарёва, эффект выразился в снижении аварийности на 80% и почти полном исключении незапланированных простоев, при этом технология окупилась менее чем за 6 месяцев. На Магнитогорском металлургическом комбинате в коксовом цехе внедрена система, которая при попадании работника в опасную зону не только предупреждает его вибросигналом, но и блокирует механизмы оборудования, полностью исключая наезд.
Технические аспекты: типы камер и интеграция в промышленную среду
Выбор технического оснащения системы машинного зрения диктуется характером производственного процесса.
«Матричные (Area Scan) камеры являются стандартом для большинства задач: отлично подходят для контроля дискретных изделий (отдельных деталей и узлов), проверки правильности сборки или считывания кодов. В свою очередь, линейные (Line Scan) сенсоры целесообразно применять там, где объект движется непрерывно или имеет большую протяжённость.
Эта технология оптимальна для контроля рулонных материалов (бумаги, ткани, плёнки), инспекции поверхности стального листа на высокоскоростном конвейере, а также для объектов, требующих очень высокого разрешения на большой площади», — поясняет Никита Белов.
Линейная камера сканирует объект построчно: типично это строка шириной 8000–16 000 пикселей при частоте до 20 000 строк в секунду, а итоговое изображение «собирается» по мере движения ленты, конкретизирует Вадим Медяник. Критическим условием при этом является синхронизация со скоростью конвейера посредством энкодера, иначе изображение будет искажено. Виктор Мясников добавляет, что линейные сенсоры оптимальны, когда объект движется непрерывно, например при прокате металла или бумаги, так как сканер снимает строку за строкой, формируя панорамное изображение без размытия.
Интеграцию новых систем в существующую инфраструктуру предприя-
тия эксперты оценивают как процесс средней сложности, требующий тщательной подготовки.
«Главные риски кроются в трёх моментах: нестыковке скорости обработки изображения и скорости работы оборудования (система просто не успевает реагировать), задержках при передаче данных через «верхние» уровни управления и агрессивной среде цеха, убивающей оптику», — уточняет Андрей Вовик.
Для минимизации ошибок он рекомендует привлекать к проекту специалистов по ИТ и технологов на начальных этапах. Вадим Медяник акцентирует внимание на необходимости предварительного аудита: оценки места установки, вибраций, влажности/пыли, доступных точек монтажа, условий освещения, скорости линии, допусков, логики триггеров и требований к реакции. Часто требуется запуск пилотного проекта на реальном потоке для подтверждения достижимого качества.
Виктор Мясников предлагает использовать методологию непрерывной разработки и эксплуатации (DevOps) для бесшовной интеграции, включающую непрерывное тестирование и мониторинг в реальном времени, а также стандартизацию протоколов связи, таких как OPC UA (Open Platform Communications Unified Architecture — единая архитектура коммуникаций на открытой платформе) и MQTT (Message Queuing Telemetry Transport — транспорт телеметрии очереди сообщений).
Применение видеоаналитики для снижения производственного травматизма
Обеспечение безопасности персонала представляет собой отдельное масштабное направление внедрения машинного зрения. Вадим Медяник классифицирует задачи защиты на несколько блоков. В первую очередь это контроль использования средств индивидуальной защиты: касок, жилетов, очков, перчаток.
Система автоматически определяет наличие и корректность ношения СИЗ. Отдельный блок составляет мониторинг опасных зон, включающий как статичные ограничения, так и динамические сценарии, например нахождение человека под работающим краном.
Важным преимуществом является возможность интеграции с существующей инфраструктурой — системами оповещения, контроля и управления доступом и автоматизированными комплексами управления технологическими процессами, что позволяет автоматически запускать управляемую реакцию: формировать тревожный сигнал, блокировать доступ или направлять уведомления службе безопасности, добавляет г-н Медяник.
Дополнительным востребованным направлением является контроль пожаров и задымления. Эксперт указывает, что это особенно актуально для производств с высокими потолками или полуоткрытыми пространствами, где традиционные датчики дыма работают менее эффективно. Система визуально фиксирует признаки задымления и возгорания на ранней стадии.
«Анализ ситуаций — запись событий для разбора инцидентов: кто, где, когда нарушил регламент. Корректнее будет сказать, что нет задачи, для которой не найдётся технологичного решения. В основном проблема в том, что коробочные продукты не работают, и не только к любому предприятию, но и к каждой его задаче нужен персонализированный подход», — предупреждает Виктор Мясников.
Технологические и организационные барьеры при масштабировании решений
Несмотря на очевидные преимущества, предприятия сталкиваются с рядом сложностей при внедрении подобных технологий. По опыту Никиты Белова, в реальном производстве информация часто бывает «грязной» из-за посторонних объектов в кадре или смещения камер, а главная проблема — дисбаланс классов, когда недостатков так мало, что модели не на чем обучаться. Решением становятся синтез дефектов и увеличение разнообразия данных для обучения (аугментация).
Организационные барьеры также играют значительную роль. Алексей Пономарёв отмечает сложности с согласованием удалённых доступов и интеграцией с системами управления производством (MES), называя это бюрократическими процедурами, на которые необходимо закладывать время в проекте.
Кроме того, определённой помехой он называет технические и природные факторы, такие как изменчивое освещение, блики от металла, снег, грязь и пр. Для минимизации рисков г-н Пономарёв рекомендует заложить использование защитных кожухов с обдувом и подогревом, настроить систему освещения видеосцен, включить на камерах подавление шума, проводить предобработку полученных изображений на контрастность и фильтровать дефекты.
«Отдельный уровень — информационные технологии и автоматизированные системы управления: интеграция с промышленными протоколами (включая «Модбус» и другие), подключение к системам диспетчерского администрирования, управления производством и планирования ресурсов предприятия, определение вычислительных мощностей, схем хранения данных, записи событий и зон ответственности (кто и как реагирует).
В промышленной эксплуатации важно заранее предусмотреть управление версиями моделей, контроль качества, отслеживание смещения показателей и регламент повторного обучения, иначе система начнёт терять точность при изменении условий.
Есть и организационные сложности: сопротивление персонала, недоверие к автоматике, необходимость менять привычные процессы. Это решается обучением, понятными регламентами и прозрачной верификацией результатов (пороговые значения, протоколы проверки, разбор спорных случаев). Отдельно стоит ROI (Return on Investment — коэффициент возврата инвестиций): эффект бывает неочевиден и может считаться «годами», особенно в безопасности и предотвращении остановок.
Поэтому важно на старте фиксировать метрики (уровень брака, простои, перерасход, рекламации, инциденты), сценарии реакции и владельцев процессов эксплуатации: кто реагирует, кто обслуживает, кто обновляет модель», — добавляет Вадим Медяник.
Виктор Мясников упоминает проблему нестабильности условий, таких как изменение освещения или запылённость, предлагая в качестве решения герметичные корпуса и стабилизирующие источники света.
«Если говорить о дальнейшем использовании, то речь идёт об обновлении программного обеспечения и необходимости сопровождения алгоритмов — в этом помогают облачные платформы для повторного обучения моделей, программные интерфейсы для интеграции с системами автоматизированного проектирования и производства, а также иные технические возможности. В целом мы предлагаем гибкие модели внедрения: от передачи функций на внешнее обслуживание до полной передачи компетенций заказчику», — отмечает г-н Мясников.
Эксперты единодушны в прогнозах относительно будущего технологии. По мнению Алексея Пономарёва, внедрение автоматической фиксации и обработки изображений неподвижных и движущихся объектов при помощи компьютерных средств станет массовым в России.
«Машинное зрение и видеоаналитика — основа роботизированных систем, и на данный момент, в отличие от других ИИ-технологий и подходов, являются более зрелыми методами. Это самый быстрый способ получить измеримую экономическую отдачу от внедрения. Запрос на роботизацию так же, как и на контроль эффективности работы персонала и оборудования, достаточно велик.
Он связан прежде всего с дефицитом кадров и растущей конкуренцией как на внутреннем, так и на глобальных рынках. Учитывая эти факторы вкупе со стабильным запросом на импортозамещение и развитие собственных технологий, предположу, что машинное зрение и видеоаналитика будут активно масштабироваться в производство как на крупных предприятиях, так и на заводах среднего и мелкого уровня», — считает представитель TeamIdea Group.
Виктор Мясников аргументирует массовость внедрения рядом факторов, включая государственные программы субсидирования, конкуренцию и экономику ресурсов. По его оценке, окупаемость проектов — полтора-три года за счёт снижения брака и затрат на контроль. Он прогнозирует, что через пять-семь лет машинное зрение станет стандартом для 70% производств аналогично системам числового программного управления (ЧПУ) или планирования ресурсов предприятия (ERP) сегодня.
67% компаний уже используют компьютерное зрение в производстве, а в тяжёлой промышленности этот показатель достигает 75%, говорит Никита Белов. Важную роль играет зрелость рынка: 94% российских вендоров работают более пяти лет, а появление платформенных решений позволяет масштабировать внедрения быстрее.
«По факту внедрение уже становится массовым: кратно растёт спрос и на контроль качества, и на промышленную безопасность. Драйверы устойчивые — ужесточение требований к качеству и прослеживаемости, необходимость снижать брак и простои, соблюдение регламентов и норм, а также дефицит квалифицированных кадров.
Параллельно снижается барьер входа: оборудование дешевеет, модели становятся легче, квантование и оптимизации позволяют запускать решения на более доступных вычислительных платформах.
Ограничения, которые замедляют массовость, тоже понятны: нехватка компетенций «на стороне заказчика», слабая культура данных, разрозненная инфраструктура и необходимость первоначальных инвестиций. Однако по мере накопления типовых отраслевых решений и появления внутренней экспертизы на предприятиях машинное зрение всё чаще воспринимается как базовый элемент цифрового производства», — резюмирует Вадим Медяник.
Подготовил Артём Щетников
