Машинное зрение для контроля качества: как работает автоматический контроль продукции на производстве

Требования к контролю качества на производстве становятся жестче из-за роста скорости линий, усложнения продукции и высокой стоимости брака.

Если раньше на многих предприятиях использовали выборочный контроль готовой продукции, то сейчас все чаще требуется проверка каждой единицы продукции прямо в процессе производства. Особенно это важно для непрерывных и конвейерных линий.

Предприятиям уже недостаточно просто обнаружить дефект. Важно быстро выявить отклонение, остановить распространение брака и понять причину его появления. Поэтому растет спрос на системы, которые автоматически фиксируют дефекты, контролируют параметры продукции и сохраняют данные по каждой партии.

Также усилились требования к прослеживаемости. Во многих отраслях необходимо хранить информацию о маркировке, партии, параметрах выпуска и результатах контроля.

По данным TAdviser, объем российского рынка промышленного ПО и цифровизации продолжает расти, несмотря на сокращение части инвестиционных программ. При этом сами предприятия стали гораздо жестче оценивать эффективность внедрений. На первый план вышли решения, которые влияют на себестоимость продукции и стабильность выпуска.

Особенно быстро растет сегмент систем машинного зрения для производства. По данным Nord Clan, в 2025 году доля запросов, связанных с автоматическим контролем качества и поиском дефектов, выросла с 35% до 52% среди всех обращений по компьютерному зрению. Число запросов на внедрение платформы для контроля качества на производствах конвейерного типа ML Sense за тот же период увеличилось примерно на 45%.

Во многом это связано сразу с несколькими факторами. Российские предприятия сталкиваются с дефицитом квалифицированного персонала, ростом стоимости брака и необходимостью поддерживать стабильное качество продукции при высокой загрузке линий.

При этом меняется и сам подход к автоматизации. Если раньше предприятия пытались внедрять крупные платформы «на будущее», то сейчас рынок переходит к более прагматичной модели. Производствам нужны решения, которые можно быстро встроить в существующую инфраструктуру и получить эффект уже в течение первого года эксплуатации.

Именно поэтому системы машинного зрения постепенно становятся частью базовой производственной инфраструктуры — так же, как ранее ERP, MES или SCADA.
По данным World Economic Forum, к 2030 году автоматизация и ИИ изменят работу около 800 млн сотрудников по всему миру, а промышленность остается одной из отраслей, где внедрение автоматизированных систем происходит быстрее всего.

Система машинного зрения — это комплекс из камер, освещения, вычислительного оборудования и программного обеспечения, который анализирует происходящее на производстве в реальном времени. Такие системы используют не только для поиска брака, но и для контроля технологических процессов, учета продукции и автоматизации операций на линии.

На производственном участке устанавливаются промышленные камеры, которые непрерывно фиксируют поток продукции, работу оборудования или действия персонала. Изображение передается в систему обработки, где алгоритмы компьютерного зрения и нейросети анализируют данные по заданным сценариям.

Если система обнаруживает отклонение, она может автоматически подать сигнал оператору, отправить изделие на отбраковку, остановить оборудование или передать информацию в MES, ERP или систему учета.

Обычная камера фиксирует происходящее постфактум. Она помогает расследовать инцидент, но не помогает обнаруживать отклонение в реальном времени.

Фотодатчики, лазерные датчики и триггеры прохождения изделия хорошо определяют сам факт движения объекта по линии, но не способны анализировать качество продукции и процессы.

Например, датчик может понять, что изделие прошло через участок, но не способен определить микротрещину, непрокрас, смещение маркировки или ошибку сборки.

Система машинного зрения анализирует именно состояние поверхности, цвет, размеры и другие характеристики объектов и параметры производственного процесса в реальном времени.

Сегодня системы машинного зрения для производства используются значительно шире, чем просто поиск брака.

В зависимости от задачи система может:

• выявлять дефекты поверхности и отклонения геометрии;
• проверять качество сборки и комплектность изделий;
• контролировать маркировку, этикетки и Data Matrix-коды;
• измерять размеры продукции;
• подсчитывать изделия на конвейере;
• сортировать продукцию по параметрам;
• контролировать положение объектов на линии;
• отслеживать соблюдение техники безопасности;
• фиксировать простои и нарушения производственного процесса.

Например, система машинного зрения ML Sense компании Nord Clan используется для контроля дефектов поверхности продукции, проверки маркировки и этикеток, контроля геометрии изделий, проверки комплектности продукции, автоматической сортировки, обнаружения инородных тел, подсчета продукции на конвейере и контроля корректности сборки.

В металлургии ML Sense применяется, например, как система контроля качества металлопроката. Камеры устанавливаются непосредственно над линией, а алгоритмы машинного зрения анализируют поверхность листа в движении. Система обнаруживает царапины, трещины, вмятины и другие дефекты поверхности еще до следующего этапа обработки металла.

В пищевой промышленности ML Sense применяется для контроля качества продукции и обнаружения посторонних включений в потоке. Система анализирует форму полуфабрикатов, качество упаковки и корректность маркировки без остановки линии.

На производстве стеклянной тары система выявляет сколы, трещины и пузырьки в стекле еще до этапа упаковки продукции. Это позволяет убрать дефектную тару из потока до того, как она попадет на следующий производственный участок.

В проекте Объединенного института ядерных исследований ML Sense контролировала процесс намотки сверхпроводящего кабеля. Система выявляла нахлесты, заломы и отклонения шага намотки прямо во время работы линии. При критическом отклонении производство автоматически останавливало процесс до появления дорогостоящего брака.

В проектах промышленного мониторинга решения Nord Clan помогали снижать простои оборудования на 20–35%, а также сокращать время реакции на инциденты в несколько раз.

Платформа включает модули для различных производственных задач: от контроля брака и проверки маркировки до промышленной видеоаналитики, контроля СИЗ, мониторинга техники и автоматического управления реакцией на инциденты. Подробнее о возможностях системы и отраслевых сценариях применения можно посмотреть на страницах решений ML Sense.

На рынке до сих пор много проектов, где пилот машинного зрения показывает хорошие результаты, но после запуска в цехе система начинает работать нестабильно.

Проблема обычно не в самой модели, а в условиях реального производства.

В цеху система компьютерного зрения сталкивается с вибрациями, загрязнением оптики, нестабильным освещением, бликами и высокой скоростью конвейера. Кроме того, сама инфраструктура производства часто не готова к постоянной обработке видеопотока в реальном времени.

Например, в пилоте модель может работать на заранее подготовленных изображениях. Но на производственной линии камера должна срабатывать с точностью до миллисекунд по сигналу от датчика или энкодера. Если сеть перегружена или оборудование синхронизировано нестабильно, система начинает терять кадры и пропускать события.

Именно поэтому промышленное машинное зрение — это всегда не только нейросеть. Реальное внедрение включает работу с оптикой, подсветкой, серверной инфраструктурой, промышленными протоколами и интеграцией с производственным оборудованием.

Сейчас промышленность находится в точке, где автоматизация становится не вопросом инновационности, а вопросом экономики производства.

Компании больше не готовы запускать долгие ИТ-проекты без понятного результата. Именно поэтому быстрее всего растут решения, которые уменьшают потери, сокращают простой и дают эффект в реальных производственных метриках.

По данным RBC Trends, одним из ключевых направлений промышленности становится гиперавтоматизация и переход к управлению производством в реальном времени.

В этих условиях системы автоматического контроля качества постепенно становятся частью базовой инфраструктуры современного производства — так же, как когда-то стали ERP, MES или SCADA.