Машинное зрение на конвейере: что реально работает в контроле качества
Машинное зрение на производстве - не «поставить камеру и обучить нейросеть». Это инженерная система: свет, оптика, механика, модель, интеграция с линией и MES/SCADA. Разбираем, что реально работает, где ломается и как считать экономику.
Зачем машинное зрение на конвейере
Машинное зрение на производстве нужно не чтобы заменить человека красивой нейросетью. Его задача проще и практичнее: видеть каждую единицу продукции, фиксировать отклонения и делать это стабильно на скорости линии.
В 2026 году AI-видеоинспекция перешла из пилотов в production: автомобильные, электронные, фармацевтические и пищевые производства запускают системы, которые находят дефекты за миллисекунды - быстрее и стабильнее, чем оператор после нескольких часов на линии.
Рынок визуальной инспекции оценивается в $89.7 млрд. Ключевые игроки: Cognex, Keyence, Omron (€20 - 80K за инспекционную задачу) и software-first challengers на стандартных камерах и GPU.
В нормальной промышленной постановке machine vision решает несколько задач сразу: находит дефекты, отсеивает брак, проверяет комплектацию, контролирует маркировку, следит за безопасностью и помогает сортировать продукцию без ручного труда.
Что машинное зрение умеет лучше человека
Дефекты поверхности
Царапины, сколы, трещины, загрязнения, поры, вмятины. Камера с моделью проверяет 100% изделий, а не выборочно. Стабильность не зависит от усталости оператора.
Контроль геометрии
Размеры, форма, профиль, соосность. Лазерный сканер + 2D-камера дают точность до микронов. Для сложной геометрии - гибрид: камера + профилометр.
Маркировка и упаковка
Дата выпуска, штрихкод, QR, этикетка, комплектация. Камера читает и сверяет с эталоном. Нет человеческой ошибки «не заметил не тот код».
Сортировка
По цвету, форме, размеру, визуальному классу. Часто даёт не меньший экономический эффект, чем поиск брака. Убирает ручную рутину с линии.
Безопасность
Контроль СИЗ, опасных зон, посторонних предметов на ленте. Камера работает 24/7, не отвлекается. Тревога - мгновенно.
Экономика
ROI >200% за 2 года для грамотно внедрённых проектов. Простой линии - до $260K/час. CV-инспекция снижает брак на 30 - 50% и окупается за 12 - 15 месяцев.
Почему модель - не главное
Свет решает больше, чем архитектура сети
Официальные руководства Cognex, Basler и FJW Optical подчёркивают: плохое освещение - причина №1 слабой работы machine vision. Хороший свет повышает контраст нужных признаков и гасит всё лишнее. Для разных поверхностей - разные схемы:
- Фронтальный свет - ровные матовые поверхности, чтение маркировки.
- Контровой свет - силуэт, геометрия, отверстия, зазоры.
- Тёмнопольное (darkfield) - царапины, трещины, текстурные дефекты на отражающих поверхностях.
- Диффузный (dome) - глянцевые, изогнутые, бликующие объекты.
- Мультиспектральный - дефекты, невидимые в RGB: ИК, УФ, гиперспектральные камеры.
Ошибка: поставить стандартный кольцевой свет и надеяться, что модель разберётся. Реальность: без правильно подобранного освещения даже YOLOv11 не увидит дефект на глянцевом металле.
Механика и оптика
Если объект едет с люфтом, вращается, смещается или частично закрыт - системе будет сложно при любой модели. Жёсткое крепление, стабильная геометрия, правильный триггер и синхронизация с движением конвейера критичны.
Камера: важны не мегапиксели, а разрешение на объект, динамический диапазон, частота кадров и выдержка. Для мелких дефектов на высокой скорости критичнее способность получить резкий кадр без смаза, чем architecture backbone модели.
Модели для детекции дефектов: сравнение
| Модель | Точность (mAP) | Скорость (FPS) | Сильные стороны | Слабые стороны |
|---|---|---|---|---|
| YOLOv8 | ~53% (COCO) | Высокая (>100) | Баланс скорость/точность, зрелая экосистема, Ultralytics | Уступает v11 на мелких объектах |
| YOLOv11 | ~55% (COCO) | Высокая (>100) | Лучше на мелких дефектах, улучшенный attention | Требует больше данных для обучения |
| YOLO26 | ~56% (COCO) | Высокая | Новейшая версия, улучшенный backbone | Меньше community-поддержки на старте |
| RT-DETR | ~54% (COCO) | Средняя (50 - 80) | Transformer-based, лучше на сложных сценах | Тяжелее, медленнее на edge |
| Zero-shot (CLIP/DINOv2) | Зависит от домена | Низкая - средняя | Без обучения на целевом домене, ловит невиданные дефекты | Ниже точность на известных классах |
Главная ошибка: данные не с реальной линии
Типичный «быстрый пилот»: собрали 100 фото в лаборатории при идеальном свете, обучили модель, получили 98% на валидации, поставили на линию - и модель ослепла. На реальном конвейере другой свет, другая скорость, другая грязь. Дефектов мало - модель учится на красивой выборке. Нет политики ложных срабатываний - оператор начинает игнорировать тревоги. 95% AI-пилотов не доходят до ROI именно поэтому.
Где ломаются проекты машинного зрения
Данные не с линии
Лабораторные фото ≠ production. Нужны образцы с разных смен, партий, освещения. Синтетические данные (data augmentation) помогают, но не заменяют.
Мало дефектов
Дефектов <1% → дисбаланс классов. Модель учится говорить «норма». Решение: synthetic defects, few-shot learning, zero-shot anomaly detection (CLIP/DINOv2).
Нет порога тревог
Без calibrated threshold - ложные срабатывания заваливают оператора. Он отключает систему. Нужна настройка precision/recall под бизнес-цену ошибки.
Нет цикла дообучения
Продукт, упаковка, освещение меняются. Модель без active learning деградирует за месяцы. Нужен пайплайн: сбор → разметка → дообучение → деплой.
Нет интеграции с линией
CV-система, не связанная с PLC/SCADA/MES - дорогая камера, которая просто мигает. Нужен сигнал на отбраковку, лог в MES, тревога оператору.
Edge vs сервер
На скорости линии решение нужно за <100 мс. Edge (Jetson, TPU) - быстро, но ограничен по модели. Сервер - мощнее, но latency сети. Выбор под задачу.
Интеграция, zero-shot и практика внедрения
Интеграция с MES и SCADA
CV-система - не остров. Результаты инспекции должны уходить в производственный контур: PLC для отбраковки, SCADA для оператора, MES для прослеживаемости.
Типовая интеграция: камера → модель → результат (pass/fail + confidence + bbox) → PLC-сигнал на сброс брака → запись в MES с привязкой к lot number, смене, оператору → дашборд в SCADA. Полная прослеживаемость без ручного ввода.
Zero-shot anomaly detection: когда дефектов почти нет
Новый класс методов 2026 года - zero-shot anomaly detection (ZSAD). Модели типа RareCLIP, GlobalCLIP, SupAD не требуют образцов дефектов для обучения. Они учатся на «нормальных» изображениях и ловят отклонения без знания конкретного типа брака.
Это критично для многономенклатурного и мелкосерийного производства, где на каждый новый продукт нет тысяч размеченных дефектов. Точность ниже, чем у supervised YOLO на известных классах, но покрытие - шире.
Как мы проектируем: от линии до метрики
Рабочий проект начинается не с камеры, а с обследования линии:
1. Скорость конвейера, тип и размер объекта.
2. Расстояние до камеры, вибрации, освещение.
3. Точка принятия решения и допустимое время реакции.
4. Требования к интеграции: PLC, SCADA, MES.
Затем подбираем архитектуру: камера + объектив + свет + вычислительный модуль + модель + логика классификации + интерфейс событий + архив + отчётность.
Smart Video: промышленный контур целиком
Наше направление Smart Video закрывает полный цикл: контроль качества, сортировка, контроль СИЗ и опасных зон, подбор оборудования, серверные платформы для ИИ и интеграция в производственные процессы. Это не «ещё один AI-эксперимент», а инженерная работа с реальным железом и реальной ответственностью.
Обследуем линию и предложим архитектуру
Мы не продаём коробочные решения. Мы выезжаем на линию, смотрим свет, механику, скорость и данные - и только потом предлагаем архитектуру: камера, модель, интеграция, метрики. Пилот - на ваших образцах, на вашем конвейере.