- Давайте разберемся, что происходит. Принцип, на первый взгляд, прост: все, что способен заметить человеческий глаз, можно научить видеть и машину. На конвейерном предприятии, включая промышленные кластеры СЗФО, внедрение таких систем позволяет разрешить проблему естественной усталости сотрудников. Контролер при монотонном наблюдении за линией неизбежно теряет фокус уже через несколько часов работы, что напрямую сказывается на качестве.

Технически цикл выглядит следующим образом: камера смотрит на линию или контролируемую рабочую зону, видеопоток передается на сервер, модель на базе машинного обучения обрабатывает кадры и моментально возвращает результат - отправляет команду на сортировочный конвейер, передает данные диспетчеру или фиксирует информацию в программе.

Но передавать ML-решению (решению на основе машинного обучения) целесообразно только те участки, где результат проверки однозначен и напрямую считывается с видеопотока. Чаще всего системам доверяют такие задачи, как выявление дефектов (от нарушений геометрии и микроповреждений до структурных отклонений материала), контроль сборки (наличие критических узлов, правильность позиционирования деталей сложной формы), нестандартный количественный учет (подсчет объектов в зонах сложного складирования).

Поиск брака - ключевая точка применения машинного зрения. Показательный пример - система на Череповецком металлургическом комбинате. Камеры снимают рулоны травленого проката, модель в реальном времени классифицирует дефекты поверхности, но финальное решение о годности партии принимает инженер.

Помимо оценки качества, машинное зрение эффективно закрывает задачи промышленной безопасности - например способно вести мониторинг использования защитной экипировки и контроль нахождения людей в опасных зонах. На Кольской АЭС система видеоаналитики проверяет наличие касок, застегнутых ремней и спецобуви у персонала. Внедрение дало наглядный эффект: система выявляет до 95-98 процентов нарушений, и их количество снизилось на 90 процентов.

Но полная автоматизация визуального контроля невозможна. Технология имеет ряд объективных барьеров. Первый - предел оптики: анализ проходит только то, что попало в объектив. Второй - зависимость от условий среды: пар, плотная производственная пыль или резкие перепады освещенности снижают точность распознавания. Третий я бы назвал границей ответственности: система лишь "подсвечивает" аномалию, останавливать ли линию - решает оператор. То есть машинное зрение - это всего лишь еще один рабочий инструмент.

Так что реальный проект по внедрению на производстве машинного зрения - это не просто подключение модели и оборудования, а выстраивание процесса непрерывного сбора свежих данных и регулярного дообучения моделей силами штатных инженеров или внешних подрядчиков. И без человека здесь никак.