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».
Решения Мелиона по теме статьи
Посмотрите, как это работает у вас
CRM, ИИ-помощники и голосовые роботы. Покажем на вашем сценарии и посчитаем стоимость до запуска.
Узнать подробнее