Контроль качества на производстве долго держался на трёх опорах: регламент, выборочный контроль и человеческий глаз. Первые две масштабируются, третья — нет: внимание оператора проседает уже к середине смены, а требования к дефектам только ужесточаются. Нейросетевой контроль качества закрывает именно этот разрыв, но работает он лишь тогда, когда встроен в технологический процесс, а не существует отдельной лабораторией.

Какие задачи закрывает нейросеть

Практика сводится к четырём классам задач. Классификация («годен/брак») — самый простой сценарий, когда важна только финальная отбраковка. Детекция и локализация — когда нужно не просто отсечь деталь, а показать оператору, где именно дефект. Сегментация — когда важна геометрия: контур царапины, задира, непровара, площадь заусенца.

Отдельный класс — поиск аномалий без разметки брака (anomaly detection). Он выручает там, где брак редок и разнообразен: модель обучают на «норме», а отклонения ловят по расстоянию в пространстве признаков. Второй слой задач — измерения: зазоры, геометрия, наличие комплектующих, читаемость маркировки, правильность сборки по чек-листу.

Данные — узкое горлышко, а не модель

Основные потери проектов происходят не на этапе выбора архитектуры, а на этапе данных. Брака физически мало: 0,1–1% выпуска, и он неравномерно распределён по сменам и партиям. Поэтому план обычно строится так: 3–5 тыс. размеченных изображений на класс дефекта, отдельный пул «пограничных» случаев, синтетика через 3D-рендер для редких сценариев и few-shot-дообучение на новых типах брака.

Критично заранее договориться о словаре дефектов. Если технологи и контролёры по-разному называют одну и ту же царапину, разметка превращается в шум, и модель учится воспроизводить разногласия, а не дефекты.

Инженерная обвязка: свет, камера, латентность

Нейросеть не компенсирует плохую съёмку. Сначала решается оптика: тип освещения (структурированный свет, коаксиальная подсветка, тёмное поле), геометрия камеры, защита от вибрации, пыли и засветки от сварки. Только после этого имеет смысл говорить о модели.

Для конвейера с темпом 12–20 изделий в минуту инференс должен укладываться в 30–50 мс, поэтому модели квантуют и запускают на edge-устройствах рядом с линией. Формат — ONNX с рантаймом TensorRT или OpenVINO; это снимает зависимость от зарубежных облаков и убирает задержку на передачу видео.

Встраивание в производственный контур

Результат работы модели должен попадать туда, где принимаются решения: в MES, АСУ ТП, систему прослеживаемости или 1С. На практике это означает три интеграции — приём сигнала о детали (триггер от датчика или PLC), отдачу вердикта с изображением и уверенностью, и обратную запись в журнал качества с привязкой к партии и смене.

Полезно сразу проектировать контур дообучения: оператор подтверждает или отклоняет вердикт, эти решения попадают в хранилище и раз в 2–4 недели становятся датасетом для следующей версии модели. Без этой петли точность деградирует при смене поставщика сырья или оснастки.

Экономика: считаем не accuracy, а деньги

Метрики в отчёте и метрики на линии — разные вещи. Считают не общую точность, а стоимость двух ошибок: пропуска дефекта (рекламации, отзыв партии, простой у клиента) и ложной отбраковки (потеря годной продукции, лишние перепроверки). Для критичных дефектов целятся в recall 99%+ даже ценой роста ложных срабатываний, для косметических — наоборот.

Окупаемость обычно складывается из сокращения персонала на перепроверке, снижения возвратов и уменьшения объёма гарантийных обращений. Реалистичный горизонт пилота — 6–10 недель на одну линию, одна номенклатура, один тип дефекта.

Российская специфика

На отечественных площадках чаще всего выбирают on-premise-контур: видео и модели не покидают завод, что снимает вопросы по КИИ и коммерческой тайне. Камеры и вычислители всё чаще берут из доступных на рынке линеек, а стек собирают на открытых библиотеках, чтобы не зависеть от лицензий. Металлургия, кабельное и трубное производство, автокомпоненты, пищевая упаковка — здесь уже накоплена рабочая практика по контролю поверхности, геометрии и маркировки.

Как мы можем помочь

Мы проектируем и внедряем системы нейросетевого контроля качества под конкретную линию: от постановки задачи и разметки данных до edge-инференса и интеграции с MES, АСУ ТП и 1С. Работаем с приватными моделями на вашем контуре, обучаем на ваших дефектах и передаём документацию вашей команде. Обсудить проект — начнём с аудита участка и расчёта окупаемости пилота.