ИИ в контроле качества производства: Computer Vision вместо ОТК и предиктивное управление браком

На заводе Porsche в Лейпциге каждый кузов проходит через туннель из 20+ камер. За 20 секунд Computer Vision сканирует 100 000+ точек поверхности, выявляя царапины глубиной до 0,1 мм, пузыри краски, отклонения геометрии. Человеческий глаз физически не способен к такому уровню контроля — и тем более не способен поддерживать его в течение 8-часовой смены. За первый год работы системы количество автомобилей, пропустивших дефект через ОТК и обнаруженных у дилеров, снизилось на 87%.

Кейс 1. Landing AI (Andrew Ng) — AI-инспекция для промышленности

Инструменты

• LandingLens — no-code платформа CV для промышленной инспекции
• Transfer learning: обучение на небольшом количестве размеченных примеров (50–200 изображений достаточно)
• Edge deployment: работает на камере без облака, скорость <100 мс
• Интеграция с промышленными PLK и SCADA-системами

Что происходит

Классическая проблема AI в промышленности: новый тип дефекта → нужно собрать тысячи примеров → обучить модель → месяцы работы. LandingLens решает это через transfer learning: базовая модель уже обучена на миллионах промышленных изображений, для новой задачи нужно лишь 50–200 примеров дефектов конкретного типа.

Производитель электронных компонентов: 5 фотографий пайки с дефектом «холодный стык» → 2 часа разметки → модель работает. Традиционный подход: 3 месяца и тысячи примеров.

Результаты

• Время разработки CV-модели для новой задачи: с месяцев до дней
• Точность выявления типичных производственных дефектов: >97% (vs ~85% у опытного контролёра ОТК)
• Производители электроники с LandingLens: снижение пропущенных дефектов на ~65%
• Landing AI работает с Foxconn, крупными производителями автокомпонентов, пищевой промышленностью

Кейс 2. NLMK (Новолипецкий металлургический комбинат) — AI-контроль проката

Инструменты

• Многокамерная система CV-контроля поверхности проката
• ML-классификация дефектов (>30 типов: трещины, закаты, риски, плены)
• Интеграция с MES (Manufacturing Execution System)
• Real-time алертинг для операторов

Что происходит

Металлургический прокат — продукт, где дефект поверхности может привести к браку у конечного потребителя (автопроизводитель, трубный завод, строитель). Традиционный ОТК: контролёр визуально осматривает прокат, движущийся со скоростью 10–30 м/с. При такой скорости реально заметить только грубые дефекты.

CV-система НЛМК: банк камер снимает поверхность со скоростью тысяч кадров в секунду, ML-модель за доли секунды классифицирует каждый сантиметр поверхности. Если выявлен дефект — автоматически маркируется рулон и место дефекта, формируется акт несоответствия.

Результаты

• Выявляемость дефектов поверхности: рост с ~70% до >95%
• Рекламации от потребителей по поверхностным дефектам: снижение на ~40%
• Производительность контроля: система проверяет 100% проката vs ~15% при ручном выборочном контроле
• НЛМК оценивает экономический эффект внедрения: >₽300 млн/год (снижение брака + рекламаций)

Кейс 3. Контроль качества в пищевой промышленности — кейс «Мираторг»

Инструменты

• CV-система инспекции мясной продукции (наличие инородных включений, цвет, форма)
• X-ray AI для обнаружения костей и металлических включений
• ML-сортировка продукции по категориям качества
• Интеграция с упаковочной линией

Что происходит

Пищевая промышленность имеет нулевую толерантность к определённым дефектам: металлическое включение в продукте — это отзыв всей партии, штрафы, уголовная ответственность. Традиционный металлодетектор работает. Но AI-системы делают больше: выявляют кости, определяют цвет (свежесть мяса), геометрию порции (соответствует ли вес и размер стандарту).

«Мираторг» внедрил AI-сортировку на нескольких переработочных заводах. Продукция с CV-анализом: каждая единица получает «цифровой паспорт качества» с фотографией и данными контроля.

Результаты

• Обнаружение инородных включений: 100% металла, >99% твёрдых включений — vs ~98% у традиционного металлодетектора
• Потери из-за неправильной сортировки (когда продукт 1-го сорта уходил по цене 2-го): снижение на ~15%
• Производительность линии: рост на ~12% (AI работает быстрее ручного ОТК)

Как внедрить CV-контроль качества: пошаговый план для производственника

Шаг 1: Определить 1–3 типа дефектов, которые дают наибольший экономический ущерб (брак + рекламации).

Шаг 2: Собрать 200–500 фотографий: ~50% с дефектами, ~50% без. Качество съёмки важнее количества.

Шаг 3: Выбрать платформу: LandingLens ($200–500/мес), Cognex ViDi (enterprise), или облачные API (Google Vision, Яндекс Vision). Для старта: LandingLens или бесплатный trial Cognex.

Шаг 4: Обучить модель на своих данных (2–5 дней с платформой), протестировать на отложенной выборке.

Шаг 5: Пилотный запуск на одной линии с параллельным ручным ОТК — сравнить результаты.

ROI: для среднего производства (~₽10 млн/год потерь на брак) — окупаемость CV-системы обычно <12 месяцев.

Источники: Landing AI case studies, NLMK Digital Annual Report, Porsche Leipzig CV system press release, Food Safety Magazine «AI in Quality Control 2023».