Процесс производства ВТСП-лент 2-го поколения включает нанесение нескольких высокотехнологичных слоёв на прочную подложку из Хастеллоя — жаропрочного сплава. Каждый этап сопряжён с рисками появления микродефектов, которые могут критически повлиять на эксплуатационные характеристики ленты.

На предприятии уже функционировала система «Фотоскан», включающая линейные IP-камеры, серверную обработку и интерфейс для просмотра изображений. Она позволяла визуально отслеживать состояние ленты, но выявление и подсчёт дефектов осуществлялись вручную — это занимало много времени и снижало общую эффективность контроля качества.

Разработать и внедрить интеллектуальный детектор дефектов, способный:

• точно распознавать критические дефекты поверхности;
• работать в реальном времени;
• интегрироваться в существующий производственный интерфейс;
• обеспечивать стабильную точность не ниже 95%;
• минимизировать количество ложных срабатываний.

Производственный процесс ВТСП-ленты предъявляет особые требования к системе обнаружения дефектов. Дело в том, что внешний вид ленты заметно меняется на разных этапах производства. Более того, даже в рамках одного техпроцесса фон и цвет поверхности могут сильно отличаться — например, из-за разной толщины или качества нанесённого слоя. Это делает автоматическую детекцию сложной задачей.

Мы начали с анализа ключевых типов дефектов, которые критичны для качества продукции:

• «Плюхи» — следы перераспыления частиц Хастеллоя на буферный слой. Это потенциально опасный дефект, создающий зоны нестабильности сверхпроводящего слоя.
• «Надавы» — механические углубления, появляющиеся при перемотке. Хоть и не критичны, визуально они часто напоминают «Плюхи».
• «Бугры» — локальные утолщения, зачастую безвредные, но похожие на деформации типа «Зажёвы».
• «Зажёвы» — деформации поверхности, появляющиеся при проходе ленты через нагревательные элементы. Это самые непредсказуемые и проблемные повреждения, которые могут привести к выбраковке материала.

Также система должна была корректно интерпретировать технологические особенности, не относящиеся к браку:

• Смещения ленты, возникающие при перемотке.
• Стыки (спаи) — места соединения ленты, внешне схожие с дефектами.
• Разнообразие маркировки спаев — от надписей маркером до механических насечек.

Цель состояла в том, чтобы не просто обнаруживать дефекты, а обеспечить корректное различение между реальными повреждениями и нейтральными производственными элементами.

На старте система ошибочно распознавала смещения как брак. Мы задали фиксированную ширину ленты (12 мм) как референс и обучили нейросеть корректно определять её границы в любом положении в кадре. Это позволило игнорировать фоновые смещения и снизить процент ложных тревог.

Мы собрали датасет изображений, на которых были размечены все типы сдвигов и стыков, и обучили модель интерпретировать их как допустимые особенности, а не отклонения.

Теперь ложные «Плюхи» и дефекты на стыках больше не определяются как брак. Система фиксирует только реальные границы ленты, исключая сдвиги. Таким образом, мы устранили одну из ключевых причин ложных срабатываний и создали базу для дальнейшего улучшения детекции дефектов.

Один из наиболее сложных типов дефектов — «Плюхи». Они отличаются хаотичной формой и непредсказуемыми размерами: могут включать рассыпанные частицы или концентрироваться в плотные зоны. Простой подход к разметке тут не работал.

Мы пошли по пути кластеризации:

Первый шаг — фиксация всех точек скопления порошка. Система должна видеть даже мельчайшие проявления дефекта.

Далее — объединение точек в кластеры. Мы разработали алгоритм, который объединяет элементы, находящиеся ближе 2 мм друг к другу, и задаёт минимальный размер кластера (2% ширины ленты). Эти параметры можно корректировать под нужды производства.

Затем фильтрация мусора — всё, что не соответствует критериям кластера (единичные точки, пыль, шум), помечается как фон и игнорируется. Благодаря этому детекция стала не только точной, но и стабильной.

Стыки — это места соединения отдельных кусков ленты, которые сами по себе не являются дефектами, но могли ошибочно распознаваться системой. Кроме того, на стыках иногда встречались реальные дефекты, например «Плюхи», но поскольку эти участки не используются в дальнейшем производстве, их обнаружение было не критично.

Чтобы избежать ошибок, мы реализовали следующее правило: если система фиксирует стык, она отключает поиск дефектов в текущем кадре.

Однако при тестировании мы обнаружили, что некоторые «Плюхи» в форме горизонтальных линий ошибочно определялись как спаи. Для решения проблемы мы вручную разметили дополнительный набор изображений и дообучили модель. После этого система перестала путать горизонтальные дефекты с местами стыка.

Завершающим этапом стало обучение модели определять оставшиеся типы дефектов. Мы собрали обширный датасет, включающий «Зажёвы» и «Надавы» разных форм и выраженности. Благодаря этому нейросеть научилась уверенно находить даже сложные и слабо выраженные повреждения.

Мы разработали детектор дефектов и интегрировали его в существующую систему на производстве. Обучили его распознавать все виды запрошенных дефектов и минимизировали ложные срабатывания. Общий датасет обработанных изображений составил 26 тысяч фотографий.