+7 499 112-39-39
Я даю Согласие на обработку файлов cookie в соответствии с Политикой конфиденциальности. В случае отказа от обработки cookie я проинформирован о необходимости прекратить использование Сайта или отключить файлы cookie в настройках браузера.
OK
Кейс внедрения системы ml sense

Контроль качества бытовой техники

Система машинного зрения для завода Ariston

О проекте

На предприятии Ariston в г. Всеволожск ежегодно собирается более 600 000 водонагревателей. В процессе сборки иногда сложно вовремя зафиксировать микродефекты, особенно в узлах трубок, подающих горячую воду. Чтобы минимизировать вероятность выпуска изделий с дефектами, было принято решение внедрить автоматическую систему визуального контроля на базе нейросетевых алгоритмов.

Проблема и задачи

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.


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

Реализация

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.
2 этап: Выбор оборудования и лабораторные испытания

На основе получённых данных мы подобрали камеры, способные стабильно фиксировать мельчайшие дефекты трубок. Затем провели тестирование в нашей лаборатории, чтобы убедиться, что выбранные компоненты подходят под реальные производственные условия.
Видеокамеры высокго разрешения
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.


Результаты

Внедрение системы на базе ML Sense позволило Ariston автоматизировать контроль качества и повысить стабильность производственного процесса.

  1. Точная фиксация дефектов и автоматическая остановка конвейера. При обнаружении отсутствия вставки или заусенца система мгновенно подаёт сигнал и останавливает линию, позволяя оператору устранить проблему до упаковки изделия.
  2. Снижение влияния человеческого фактора. Визуальный контроль полностью автоматизирован — больше не зависит от усталости или невнимательности сотрудников.
  3. Экономический эффект. Количество рекламаций сокращается, снижаются финансовые потери и риски для репутации бренда.
  4. Импортонезависимое решение. ML Sense включена в реестр отечественного ПО, что делает систему актуальной для задач импортозамещения на промышленном производстве.