Крупный производитель косметической продукции. Стеклянные банки являются частью упаковки — малейший дефект приводит к риску рекламаций и репутационным рискам.

На производстве не было системного мониторинга качества стеклотары. Визуально брак встречался редко, но даже единичный дефект, попавший в продажу, мог повлиять на репутацию бренда. Клиенту нужна была полноценная система, исключающая человеческий фактор и минимизирующая риск попадания дефектных банок в продажу.

Основные дефекты:

• сколы
• посечки
• тёмные включения
• пузыри

Задачи

• Автоматизировать проверку качества стеклянных банок на двух этапах: до налива и после закрытия крышкой.
• Обеспечить отбраковку без остановки линии.
• Интегрировать систему в существующую инфраструктуру с учётом требований по безопасности.

ML Sense — ИИ-платформа для контроля качества продукции на производствах конвейерного типа. Система обрабатывает видеопоток, распознаёт дефекты стекла (сколы, трещины, пузырьки и пр.) и передаёт сигнал на отбраковщик.

На линии установлена автоматизированная система контроля качества, которая проверяет продукцию в двух точках: до наполнения и после него. Оба поста работают последовательно и закрывают весь цикл контроля — от проверки чистой тары до анализа уже наполненной банки.

Система использует камеры и специализированное освещение: оборудование фиксирует банку с нескольких ракурсов, формирует стабильный видеопоток и передаёт его в ML Sense. Алгоритмы анализируют изображение в реальном времени, определяют дефекты и классифицируют их по типам.

Если найден дефект, система автоматически подаёт команду на отбраковщик. Бракованная банка удаляется с линии в закрытый отсек. Когда отсек заполняется, линия останавливается, оператор очищает его, и производство продолжает работу. Все этапы — от обнаружения дефекта до остановки — полностью автоматизированы.

Чтобы сохранить чистоту производства и обеспечить корректную работу камер, мы спроектировали и смонтировали защитные короба из тонированного оргстекла. Они изолируют посты контроля от внешнего света и пыли, дают доступ к обслуживанию и защищают сотрудников от ярких источников света.

Отбраковщик, разделительная механика, защитные конструкции, шкафы управления и интеграция с ML Sense были разработаны и установлены нашей командой. Система соответствует требованиям безопасности: при открытии дверец короба линия автоматически останавливается, все элементы имеют блокировки, а статусы работы выводятся на отдельную операторскую панель.

Чтобы ML Sense работал стабильно, мы заранее подготовили полноценный датасет. Клиент предоставил образцы дефектных банок, а основную часть данных мы синтезировали в собственной лаборатории: воспроизвели условия производственной линии, собрали изображения с разных ракурсов и сформировали базовый набор для обучения модели.

Около 20% данных мы добрали уже на реальном производстве — чтобы учесть факторы, которые невозможно повторить в лаборатории: особенности движения по конвейеру, освещение, вибрации. Такой подход позволил обучить модель без участия клиента в процессе сбора данных и избежать остановок на производстве.

После нескольких итераций обучения и настройки порогов чувствительности модель вышла на точность до 93–100% по разным типам дефектов.