Заводу Ariston потребовалось решение, способное в автоматическом режиме выявлять следующие виды дефектов в трубках:

• отсутствие вставки в трубке;
• наличие заусенцев.

Технические ограничения также включали переменные параметры: между отдельными моделями водонагревателей меняется как расстояние между трубками, так и высота самого устройства. Кроме того, изделия могут быть незначительно смещены на транспортной линии. Всё это нужно было учесть при проектировании.

Итоговая система должна:

• фиксировать дефекты в реальном времени;
• при обнаружении отклонений — моментально останавливать конвейер;
• активировать световую и звуковую индикацию для информирования оператора;
• быть готовой к работе «под ключ»: от монтажа мачт и видеокамер до установки серверного оборудования, монитора и сигнальных колонн.

Мы предложили заказчику внедрить адаптированную под задачу систему ML Sense — ИИ-платформу для контроля качества продукции на производствах конвейерного типа.

1 этап: Анализ условий на производстве

Это позволило определить оптимальные точки размещения камер и осветительных приборов. Мы учли ключевые факторы, способные повлиять на работу системы: уровень освещённости, вибрации от оборудования, различия в габаритах изделий и их возможное смещение на конвейере.

3 этап: Настройка освещения

Для обеспечения максимальной чёткости изображений были выбраны мощные светодиодные осветители. Благодаря высокой контрастности снимков нейросеть может точно распознавать такие дефекты, как отсутствие вставки или наличие заусенцев.

4 этап: Моделирование и подготовка конструкции

С помощью 3D-моделирования мы воссоздали производственную сцену, рассчитали оптимальные расстояния для размещения камер и освещения. На базе этих расчётов были изготовлены мачты для крепления оборудования.

5 этап: Обучение нейросети

Чтобы система могла отличать исправные изделия от дефектных, мы собрали и разметили датасет изображений. Нейросеть прошла обучение на типичных сценариях, включая случаи с отсутствием вставки и заусенцами, и достигла высокой точности в распознавании отклонений.

6 этап: Интеграция системы оповещения

Для повышения удобства работы операторов мы внедрили цветовую и звуковую индикацию. Система автоматически классифицирует дефекты по степени важности:

– Красный — критический дефект (нет вставки);
– Жёлтый — некритичный (обнаружен заусенец);
– Зелёный — изделие без дефектов.

При обнаружении брака конвейер автоматически останавливается, позволяя оператору вовремя устранить проблему.

7 этап: Внедрение на производстве и дообучение

На финальном этапе мы выполнили монтаж оборудования на линии Ariston, установили программное обеспечение, провели обучение персонала и настроили систему под реальные условия.
Уже после запуска система столкнулась с новым типом втулки — металлической, не включённой в исходное техзадание. Мы оперативно адаптировали решение и дообучили нейросеть, чтобы обеспечить корректную работу в новых условиях.