За последнее время мы закончили несколько проектов с использованием искусственного интеллекта и компьютерного зрения на производстве.
О КЛИЕНТЕ
К сожалению, проект под NDA, и речь даже не о молоке. Но технологии упаковки и методы закупорки аналогичны.
Клиент — крупнейший производитель пищевых продуктов в России, который занимает лидирующие позиции на рынке с долей более 40% в своей нише. Это предприятие обладает огромными производственными мощностями и выпускает продукцию, знакомую практически каждому жителю страны. Их товары поставляются в тысячи магазинов и супермаркетов по всей России, а также экспортируются за границу.
ПРОБЛЕМЫ БИЗНЕСА
На предприятии функционируют современные производственные линии, работающие круглосуточно в три смены. Каждая линия производит десятки тысяч единиц продукции ежедневно. Ручной контроль качества оказался недостаточно эффективным, поскольку сотрудники могли пропускать брак из-за усталости, невнимательности или высокой скорости работы линий (например, бутылки могли быть незакрытыми или закрытыми неправильно). Это приводило к появлению брака, который мог попасть к конечному потребителю, что в свою очередь вызывало потерю доверия со стороны клиентов и ухудшение имиджа бренда.
Наша задача заключалась в автоматизации процесса контроля качества и исключении человеческого фактора.
ДЛЯ СОХРАНЕНИЯ ЛИДИРУЮЩИЙ ПОЗИЦИЙ АВТОМАТИЗАЦИЯ КОНТРОЛЯ ОЧЕНЬ ВАЖНА
РАЗРАБОТКА И ВНЕДРЕНИЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Наши инженеры лично посетили производство клиента, чтобы изучить, как на тот момент функционировала производственная линия, выявить этапы, на которых возникают проблемы, и определить конкретные дефекты, которые необходимо отслеживать.
Система должна:
1. Распознавать отсутствие крышки или неправильную закупорку бутылок.
2. Работать в реальном времени на высокоскоростной линии.
3. Интегрироваться с существующим оборудованием.
4. Быть надёжной и точной.
РАЗРАБОТКА СИСТЕМЫ
Система разработана на C++ и работает на одноплатном компьютере, что обеспечивает компактность и энергоэффективность решения. Для распознавания дефектов используются алгоритмы компьютерного зрения, которые анализируют изображения с камер, установленных на линии.
Система подключается к производственной линии через внешние контроллеры, что позволяет ей отправлять сигналы для остановки линии и отбраковки продукции в случае обнаружения дефекта.
ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ
Для обучения нейронной сети используются реальные изображения с производственной линии. Это фотографии бутылок с различными типами дефектов (например, отсутствие крышки или неправильная закупорка) и без дефектов. Чтобы обеспечить распознавание дефектов в различных условиях, данные собираются при разном освещении, с разных ракурсов и на различных этапах производственного процесса. Каждое изображение вручную размечается, чтобы нейронная сеть понимала, где именно находится дефект. Например, на фотографии бутылки отмечается, есть ли крышка, правильно ли она закручена и так далее.
Для улучшения качества обучения применяются методы аугментации данных — изображения немного изменяются (например, поворачиваются, меняется яркость или контрастность). Это помогает нейронной сети лучше обобщать и распознавать дефекты в различных условиях.
ТЕСТОВЫЙ ЗАПУСК
Первые тесты проводились в режиме реального времени на производственной линии. Система подключалась к камерам, и наши специалисты вживую наблюдали, как она справляется с распознаванием дефектов. Настройка системы осуществлялась с учетом условий конкретного производства: скорости линии, освещения и типа продукции. Для достижения высокой точности потребовалось провести множество замеров и настроек.
ТОЧНОСТЬ РАСПОЗНОВАНИЯ 99,9%
Гордимся тем, что точность нашей системы распознавания составила 99,9% на тестах!
После этого заказчик ни разу не обратился за доработками или комментариями, значит все работает стабильно.
ЧТО В ИТОГЕ?
Разработка с тестированием и доработками заняла 5.5 месяцев.
Производственный процесс не нарушался, система просто «встроилась» в линию и стала выполнять свои задачи.
ЭКОНОМИЯ ЗА ГОД
Всего было заменено 3 сотрудника на трех линиях.
Средняя зарплата одного сотрудника около 60 000 рублей в месяц.
Месячная экономия:
9 сотрудников × 60 000 рублей = 540 000 рублей в месяц.
Годовая экономия:
540 000 рублей × 12 месяцев = 6 480 000 рублей в год.
Внедрение системы компьютерного зрения на трёх линиях позволило заказчику сэкономить 6,48 миллиона рублей в год только на зарплатах сотрудников.
Если добавить сюда дополнительные выгоды (например, снижение брака, повышение скорости производства, уменьшение простоев), то общая экономия будет еще выше.
Если вы хотите, чтобы на вашем производстве работала автоматизированная система, более внимательная и надежная, чем люди, будем рады обсудить ваши задачи. Пишите!
