Клиент — производитель теплоизоляционных материалов на основе каменной ваты

Производственный процесс включает:

• плавление базальта при температуре свыше 1500 °C,
• формирование волокон,
• добавление связующих и нанесение покрытия.

Готовое полотно движется по линии со скоростью до 60 м/мин к этапам резки и упаковки, ещё находясь в фазе полимеризации — внутренние слои сохраняют высокую температуру.

На этапе формирования полотна и нанесения связующего возникают дефекты, которые сложно заметить невооружённым глазом: скорость линии высокая, а оператор физически может контролировать качество поверхности только сверху.

Каждый дефект — это потеря продукции, брак и возврат, репутационные риски, а также простои, штрафы за несоответствие требованиям безопасности и риск возгораний на складе. Человеческий контроль не обеспечивал нужной точности: часть брака обнаруживалась только на финальной проверке или при поступлении жалоб от заказчиков.

Задача

Внедрить систему автоматического контроля качества на раннем этапе:

• автоматически выявлять дефекты,
• предотвратить риски возгорания,
• обеспечить стабильное качество без ручной диагностики, сократив затраты на ФОТ.

ML Sense — ИИ-платформа для контроля технологических процессов на поточном производстве. Российская разработка. Входит в реестр отечественного ПО.

Система интегрирована в зону выхода готового полотна после резки и работает в реальном времени.

Мы начинали с аналитики линии: каменная вата движется на высокой скорости, поверхность рельефная, дефекты мелкие, а ошибки недопустимы. Поэтому первую задачу мы поставили так: камеры должны видеть всё — каждую плиту сверху, снизу и с боков.

В итоге установили шесть камер: две сверху и две снизу — линейные, снимают полотно непрерывно, фиксируя каждый миллиметр. Две боковые — матричные, снимают синхронно, чтобы полностью контролировать профиль плиты. Сигнал позиционного датчика определяет начало и конец плиты, и все кадры объединяются в единое событие — это позволяет системе правильно нумеровать изделия и отслеживать их до зоны упаковки. Установили четыре промышленных светильника: сверху, снизу и по бокам.

Такое размещение камер и освещения обеспечило круговой обзор плиты без «слепых зон» и стабильное качество изображения.

Камеры машинного зрения защищены промышленными кожухами с блендами для постоянного обдува стекла — пыль и брызги не мешают работе. Все мачты и крепления для камер и освещения спроектированы нашей командой специально под геометрию линии и условия производства.

Следующий этап проекта — подготовка данных и обучение нейросети. Вместе с инженерами и специалистами ОТК Росатом Изоплит мы собрали более 20 000 фотографий изделий прямо с конвейера. На этих снимках видны все типовые дефекты. Затем провели разметку: на каждом кадре вручную указали, где находится дефект, к какому типу он относится и какую площадь занимает.

Обучение происходило по шагам. Сначала создавались базовые модели, которые проверяли на тестовых фотографиях. Потом модели испытывали прямо на линии, где они могли ошибаться. Каждую ошибку фиксировали и использовали для дообучения. Так нейросеть постепенно училась правильно распознавать дефекты даже при разном освещении, текстуре поверхности и скорости движения полотна.

1. Настройка сессии и параметров контроля

Перед запуском оператор выбирает SKU продукта. Это позволяет системе понимать, какие размеры и параметры контроля применять к производимой партии.
В панели «Определение дефектов» задаются типы дефектов, их размеры и площадь в зависимости от размера всей плиты.

2. Обработка изображений и работа нейросети

Когда плита проходит через контрольную зону, камеры фиксируют изображение со всех сторон. Видеопоток стабилизируется и корректируется по освещению, после чего передается на нейросеть.

Сначала сегментатор определяет границы плиты и обводит их рамкой. Детектор измеряет размеры в пикселях, переводит их в миллиметры и сравнивает с эталонными параметрами SKU — это позволяет выявлять отклонения по толщине, ширине и площади покрытия.

Далее нейросеть анализирует плиту на наличие дефектов. Алгоритмы классифицируют дефекты, оценивают их площадь и критичность. Особенность системы — она различает визуально схожие дефекты. Например, темным пятном может быть как «королек», так и «горелый участок». Алгоритмы анализируют цвет, текстуру и форму, чтобы классифицировать дефект точно.

3. Отображение и фиксация дефектов

Обнаруженные дефекты сразу появляются на главном экране в «Ленте событий» и на временной шкале. Оператор может кликнуть на дефект и увидеть подробное изображение с характеристиками: тип, размер, местоположение.

Все события автоматически сохраняются в системном архиве с указанием даты, времени и типа дефекта. При необходимости можно формировать отчёты за смену, сутки или произвольный период.

4. Отбраковка

После обнаружения дефекта сигнал передаётся на светозвуковую колонну и отбраковщик: бракованное изделие снимается с конвейера. Таким образом, контроль качества работает в автоматическом режиме.

Одной из самых сложных задач было распознавание дефекта «серая вата». На глаз её почти невозможно увидеть: она выглядит как рельефная, неоднородная поверхность без особенностей.

Нам удалось обучить ML Sense находить серую вату точнее, чем мог бы обычный оператор. Для этого мы пересмотрели тысячи фотографий, тщательно разметили дефекты, экспериментировали с контрастностью и консультировались с производственными специалистами, чтобы научить нейросеть понимать, как выглядит даже самый незаметный участок «серой ваты».

В итоге система не только видит серую вату, но и определяет точные границы дефекта. Всё это происходит мгновенно, пока плита движется по конвейеру со скоростью нескольких метров в секунду.

Для оператора результат выглядит как готовое детальное событие: на экране появляется фото плиты с чётко выделенным участком серой ваты и его параметрами. При том что глазом дефект практически неразличим.

Система фиксирует до 90 % всех типов дефектов. Дефект «серая вата» распознается с точностью 75%.

• Меньше брака и рекламаций — дефекты фиксируются на раннем этапе, некондиционная продукция почти не доходит до склада.
• Автоматизация контроля — исключает ручной осмотр, можно убрать операторов. Экономия ФОТ.
• Нет убытков из-за возгораний на складе — перегретые участки выявляются до упаковки, снижение рисков возгораний и ЧП.
• Проактивное управление производством — данные помогают выявлять условия, вызывающие дефекты, и корректировать процессы заранее.