Top.Mail.Ru
Оставьте заявку, и менеджер перезвонит вам в течение 15 минут в рабочее время.
Нажимая на кнопку, я соглашаюсь на обработку персональных данных и подтверждаю, что ознакомлен(а) с Политикой конфиденциальности.
Мы используем файлы cookie, чтобы улучшить работу сайта. Продолжая использовать сайт, вы соглашаетесь с условиями использования cookie
OK
КЕЙС ВНЕДРЕНИЯ СИСТЕМЫ ML SENSE
Контроль качества стеклотары
КЕЙС ВНЕДРЕНИЯ СИСТЕМЫ ML SENSE
Контроль качества стеклотары
О проекте
Наш клиент — производитель косметики, где стеклянная тара используется как упаковка. Качество тары критично: даже небольшой дефект может вызвать возврат партии, репутационные и финансовые потери.

Ранее контроль продукции выполнялся вручную, что вело к пропуску дефектов. Мы внедрили ML Sense — систему машинного зрения, которая распознаёт брак в реальном времени и удаляет его с линии. Результат — повышение точности до 95%, экономия до 10 млн рублей в год и исключение человеческого фактора. Система окупается за 6–12 месяцев.
Проблема и задачи
Контроль качества ранее выполнялся вручную: оператор осматривал банки и вручную удалял дефектные. Даже при низком проценте брака его пропуск в дальнейший процесс мог привести к значительным убыткам.

Задачи проекта:

  • Повысить точность контроля, исключить человеческий фактор.
  • Автоматизировать процесс контроля качества для экономии ФОТ.
  • Обеспечить автоматическое удаление бракованных банок с конвейера.
Примеры дефектов на стеклянных банках
Решение
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.
Как работает система:

  1. Камеры фиксируют банки до и после фасовки.
  2. ML Sense сравнивает изображения с эталоном и определяет брак.
  3. Сигнал поступает на колонну и отбраковщик.
  4. Брак удаляется автоматически, без остановки линии.

Особенности проекта:

  • Скорость ленты: 0,2 м/с.
  • Два контрольных поста: до фасовки (5 камер: 4 сбоку, 1 сверху) и после (4 камеры).
Со скоростью 0,2 м/с по конвейерной ленте движутся банки для готовой продукции. Нужно проверять их на наличие дефектов при выходе на линию (первый пост) и после фасовки (второй пост).
Заполните форму,
чтобы узнать больше о внедрении
системы ML Sense
Заполните форму,
чтобы узнать больше о внедрении
системы ML Sense
Отправляя форму вы автоматически соглашаетесь с политикой конфиденциальности ООО Норд Клан
Этапы работы
Обучение нейросети в нашей ML-лаборатории
  1. Обследование и замеры. Изучили параметры производственной линии для бесшовной интеграции системы.
  2. Разработка системы. Спроектировали установку с учетом особенностей линии и условий высокой запыленности. Разработали схемы размещения камер и отбраковщика.
  3. Защита оборудования. Добавили кожухи и тубусы для защиты камер. Модифицировали конструкцию кожуха линии.
  4. Сбор данных и обучение нейросети. Получили дефектные банки, смоделировали линию в лаборатории, собрали датасет, разметили и обучили модель.
  5. Цикл тестов и улучшений. Проводили итерации сбора данных и обучения на реальной линии, добиваясь высокой точности.
  6. Разработка отбраковщика. Создали механизм, который мгновенно удаляет дефектные банки при получении сигнала.
  7. Интеграция ML Sense с отбраковщиком и светозвуковой колонной. Система работает автономно, минимизируя ошибки и повышая скорость.
Сложности проекта
Запылённая среда. Линия имела защитный кожух, но для корректной работы вертикальных камер потребовалась его доработка. Мы увеличили кожух, добавили вырезы и тубусы, чтобы обеспечить защиту камер и сохранить качество изображения.
Техническое решение для защиты от пыли, совмещенное с условиями реального производства.
Сложные условия съёмки. Из-за особенностей стекла и отражений требовалась точная настройка освещения и оптики. Мы адаптировали оборудование под условия конкретной линии.

Разнообразие дефектов. Для обучения нейросети потребовалось собрать более 5000 изображений с различными типами повреждений (сколы, трещины, пузырьки, наплывы и пр.) и ракурсов, чтобы достичь высокой точности детекции.
Результаты
Процесс стал гораздо быстрее и точнее. На первой точке контроля установлено пять камер: четыре под углом 90 градусов и одну сверху. На второй точке контроля добавили еще четыре камеры, которые проверяют банки после их наполнения и упаковки.

Каждая камера передает видеопоток в систему ML Sense, которая анализирует картинку и выявляет дефекты. Как только нейросеть находит брак, она подает сигнал на светозвуковую колонну и отбраковщик, который автоматически удаляет дефектную банку.
Техническое решение для первого поста контроля: четыре камеры под углом 90 градусов и одна сверху.

  • Точность детекции: 95% даже для мелких дефектов от 1×1 мм.

  • Сокращение потерь на брак: до 10 млн рублей в год.

  • Окупаемость проекта — от 6 месяцев.
Технологический стек
  • Видеоаналитика и хранение данных: Python, C++, OpenCV, сверточные нейронные сети, YOLOv5, YOLOv8, YOLOv10, PostgreSQL, Flask.
  • Интерфейс оператора: React.
Запросить демонстрацию работы
Оставьте заявку и наш менеджер свяжется с Вами в течение 1 часа в рабочее время.