Контроль качества ленты сверхпроводника

В производстве сверхпроводников используется многослойная структура, формируемая на основе подложки из жаропрочного сплава. На каждом этапе могут появляться микродефекты, которые сложно заметить, но они критичны для качества.

На предприятии уже была внедрена система визуального контроля («Фотоскан») с линейными камерами. Она показывала изображение ленты, но анализ дефектов оставался визуальным. Из-за этого проверка занимала много времени, а часть дефектов могла пропускаться.

Нужно было разработать автоматическую систему, которая:

• самостоятельно выявляет дефекты ВТСП-ленты,
• работает в реальном времени,
• легко встраивается в существующую линию,
• обеспечивает точность не ниже 95%,
• снижает количество ложных срабатываний,
• обеспечивает контроль качества поверхности ленты с точностью более 95%.

Главная сложность — нестабильный внешний вид ленты. В зависимости от этапа производства меняется ее цвет и визуальная структура.

Дополнительно важно было не перепутать дефекты с нормальными элементами процесса:

• смещения ленты,
• стыки,
• технологические метки,
• следы соединений.

Поэтому система должна была точно разделять брак и допустимые особенности процесса, обеспечивая корректный контроль дефектов ленты.

На старте система часто принимала смещения ленты за дефекты. Это приводило к ложным срабатываниям и мешало стабильной работе системы обнаружения дефектов.
Чтобы убрать эту проблему, мы зафиксировали базовый параметр — ширину ВТСП ленты (12 мм) — и обучили модель определять её границы независимо от положения в кадре.

Далее был собран отдельный датасет, где размечались смещения и стыки. В обучении они были заложены как допустимые состояния, а не как отклонения.

После этого система перестала реагировать на фоновые смещения и начала корректно отделять реальный брак от технологических особенностей.

«Плюхи» — один из самых сложных типов дефектов. Они не имеют стабильной формы: это может быть как одиночное загрязнение, так и плотные скопления частиц порошка.

Поэтому в этом случае оказался более подходящим кластерный подход. Сначала фиксируются все отдельные точки загрязнения.

Затем система объединяет близко расположенные точки в группы и рассматривает их как единый дефект, если они образуют устойчивое скопление (кластер). Дополнительно задаётся минимальный размер кластера — 2% ширины ленты. Все одиночные точки, пыль и шум автоматически отсекаются как фон.

В результате контроль дефектов поверхности стал стабильным даже на участках с высокой зашумленностью изображения.

Стыки — технологические соединения ленты. Они не относятся к дефектам, но визуально могут быть на них похожи. В ряде случаев система ошибочно классифицировала их как брак.

Чтобы исключить такие ошибки, мы ввели правило обработки: при обнаружении стыка система временно отключает поиск дефектов в этой зоне кадра.

Финальный этап был связан с обучением модели на оставшихся типах дефектов.

Мы сформировали расширенный датасет, включающий «Зажёвы» и «Надавы» в разных формах, размерах и степенях выраженности. Благодаря этому модель научилась стабильно распознавать даже слабо выраженные дефекты и корректно их классифицировать.

После обучения модель уверенно распознаёт все типы дефектов и корректно отделяет их от стыков, смещений и других технологических особенностей.

Разработана система автоматического распознавания дефектов поверхности ленты и интегрирована в производственную линию. Сокращены потери от пропущенного брака и переработок.

• Обработано 26 000 изображений.
• Точность детекции до 95%.
• Исключены ложные срабатывания на стыки и смещения.