Что мешает внедрению машинного зрения на реальном производстве

Российский рынок ИИ в 2025 году окончательно вышел из стадии «экспериментов». По данным Ассоциации больших данных и TAdviser, быстрее всего растут сегменты прикладного AI: видеоаналитика, предиктивные модели, промышленное машинное зрение и AI-системы для автоматизации процессов. Аналитики отдельно отмечают рост инвестиций в инфраструктуру и интеграцию AI-решений в существующие производственные контуры предприятий.

Но сам факт инвестиций не гарантирует промышленный результат. По данным CNews, около 80% ИИ-проектов не доходят до стадии промышленного внедрения, и одна из причин — отсутствие внутренней согласованности, процессов и механизмов для разработки и эксплуатации ИИ.

В промышленном машинном зрении эта проблема особенно заметна.

На пилоте система может показывать высокую точность, но после запуска в цехе сталкивается с реальными условиями линии: пылью, вибрациями, бликами, нестабильным освещением, перегруженной сетью, разными партиями сырья и изменением положения продукции на конвейере.

В таких условиях даже точная модель начинает ошибаться, если не решены базовые инженерные задачи: как выставлена оптика, как работает подсветка, есть ли синхронизация с линией, выдерживает ли сеть постоянный видеопоток, хватает ли серверных ресурсов для обработки данных в реальном времени.

Именно поэтому современные промышленные системы машинного зрения постепенно уходят от формата “отдельной нейросети” к комплексным платформам, которые учитывают особенности линии и условий, интеграцию с MES/АСУ ТП, работу оборудования и эксплуатацию в реальном времени.

По такому принципу сегодня внедряются и системы машинного зрения ML Sense. Сегодня ML Sense работает на площадках более чем 50 российских предприятий и используется на конвейерных и производственных линиях для выявления дефектов, подсчета и сортировки продукции, контроля маркировки в реальном времени.

Для машинного зрения данные — это не просто набор фотографий с дефектами. Производству нужны изображения из реальных условий: с разными партиями сырья, скоростями линии, освещением, положением продукции, загрязнением зоны контроля и редкими типами брака.

На практике данные часто разрознены. Часть хранится в архивах камер, часть — в MES или АСУ ТП, часть — в Excel и отчетах ОТК. Иногда нет связки между изображением дефекта, временем события, партией продукции, параметрами линии и решением оператора. В результате модель можно обучить на красивой выборке, но она не будет устойчиво работать на реальном потоке.

Именно поэтому многие пилоты не масштабируются. Компании запускают модель, но не выстраивают контур данных: сбор, разметку, хранение, мониторинг качества, дообучение и связь с производственными событиями.
Для промышленного машинного зрения важны и редкие дефекты. Если их мало в датасете, система хуже распознает именно те случаи, которые чаще всего стоят производству дороже всего.

Даже если система правильно обнаружила дефект, это еще не означает бизнес-эффект. Важно, что происходит дальше.

Если событие просто появилось на экране оператора, производство все равно зависит от человека: заметит ли он сигнал, успеет ли отреагировать, правильно ли примет решение. Эффект появляется тогда, когда система встроена в производственный контур: передает событие в MES или АСУ ТП, запускает отбраковку, останавливает участок при критическом отклонении или отправляет уведомление ответственному сотруднику.

Это совпадает с общей логикой российского рынка ИИ: бизнесу нужны не самые сильные модели в мире, а решения, которые работают в конкретном контуре, с реальными данными, существующими системами и требованиями безопасности.

Российский рынок ИИ развивается не по сценарию глобальной гонки за «самой мощной моделью», а вокруг прикладных задач бизнеса и промышленности.

После 2022 года предприятия столкнулись сразу с несколькими проблемами:

• ограничением доступа к части зарубежных решений;
• необходимостью импортозамещения критической инфраструктуры;
• дефицитом инженерных и производственных кадров;
• ростом стоимости ошибок и простоев.

В этих условиях бизнес стал значительно прагматичнее относиться к ИИ-проектам. Компании инвестируют прежде всего в решения, которые можно встроить в существующую инфраструктуру предприятия и получить эффект в течение нескольких месяцев. Это, в первую очередь, решения для снижения брака, сокращения простоев и автоматизации ручных операций.

Важным требованием к системам становится способность работать внутри реального цеха: с производственным оборудованием, MES, ERP, АСУ ТП, промышленными сетями, и соответствовать требованиям к безопасности данных.

Одна из главных ошибок при внедрении машинного зрения — начинать проект с выбора нейросети, а не с обследования производственного участка. На практике сначала нужно понять, как движется продукция по линии, где будет располагаться зона контроля, какое освещение используется, хватает ли стабильности конвейера и сможет ли инфраструктура обрабатывать поток данных в реальном времени.

Без этого даже точная модель может работать нестабильно, потому что качество распознавания напрямую зависит не только от алгоритма, но и от условий съемки, расположения камер и интеграции системы с производственным оборудованием.
Вторая ошибка — обучать модель на данных, которые не отражают реальное производство. Если в выборке нет редких дефектов, разных партий, грязной оптики, ночной смены, бликов и нестандартного положения изделий, система хорошо работает только в демонстрации.

Третья ошибка — не менять процесс. Если предприятие внедрило ИИ, но оставило старый порядок реакции на дефект, система превращается в дорогую сигнализацию. Она видит проблему, но не влияет на результат.

Один из примеров системы компьютерного зрения на российском рынке — платформа ML Sense компании Nord Clan, которая используется для автоматического контроля качества и промышленной видеоаналитики на конвейерных производствах. В 2025-2026 годах решение получило отраслевые награды как одно из лучших ИИ-решений для промышленности.

Внедрение системы машинного зрения начинается с обследования производственного участка. Специалисты анализируют:

• скорость движения продукции;
• расположение зоны контроля;
• освещенность;
• наличие пыли и вибраций;
• особенности поверхности материала;
• стабильность движения изделий по конвейеру.

После обследования подбираются камеры машинного зрения, промышленная подсветка и серверное оборудование. Также важна интеграция с существующей инфраструктурой предприятия — MES, ERP, АСУ ТП и производственным оборудованием. За счет этого система становится частью производственного процесса, а не отдельным инструментом наблюдения.

Например, при обнаружении критического дефекта система может автоматически передать сигнал оператору, отправить изделие на отбраковку или зафиксировать событие в системе учета.

Например, в проекте ML Sense для контроля качества углеволокна на производстве «Алабуга-Волокно» система должна была одновременно анализировать около 400 жгутов волокна на конвейерной линии. Одним из ключевых требований была точность выявления брака не ниже 97% в условиях непрерывного производства. Поэтому особое внимание уделялось настройке камер, освещения и стабильности работы системы в потоке.

Еще одна важная особенность промышленных внедрений — работа с данными уже после запуска. На производстве постоянно меняются условия эксплуатации: появляются новые типы продукции, меняется скорость линии, освещение или характер дефектов. Поэтому модели необходимо регулярно адаптировать под реальные производственные сценарии.

Следующий этап развития промышленного ИИ в России связан не с количеством пилотов, а с качеством внедрения. Побеждать будут не те проекты, где есть «нейросеть», а те, где выстроены данные, инфраструктура, интеграции, мониторинг и операционный процесс.

Для машинного зрения это особенно важно. Камера, модель и интерфейс сами по себе не дают эффекта. Эффект появляется, когда система работает в реальном времени, видит производственный контекст и встроена в действия линии.

Поэтому промышленное машинное зрение — это не только AI. Это инженерная система, которая соединяет данные, оборудование, производство и бизнес-результат.