Возможности

Что умеет система

Классификация по визуальным признакам

Форма, цвет, текстура, размер, наличие маркировки. Модели YOLO26 и ES-YOLOv8 работают в реальном времени на движущемся конвейере, дообучаются под номенклатуру заказчика.

Измерение габаритов

Бесконтактное измерение длины, ширины, диаметра с точностью до десятых долей мм. 2D-лидар + калибровочная матрица, проверка соответствия CAD и допускам.

Автоматическая сортировка

Разделение потока по категориям, сортам и партиям. Сигнал на пневмоотбраковку, дивертер или робота-сортировщика. Автоматическое формирование лота.

Отбраковка несоответствий

Продукт не соответствует эталону - фотофиксация, сигнал на остановку или отбраковку. Журнал брака с фотодоказательством, протокол по партиям и сменам.

Производственная аналитика

Статистика по категориям, партиям, сменам в реальном времени. Дашборды Grafana, выгрузка в 1С или ERP по REST API. Данные для оптимизации линии.

OCR и распознавание маркировки

Чтение штрихкодов, QR, серийных номеров, дат и выбитых меток. Автоматическая сверка с базой номенклатуры, проверка читаемости и корректности.

Процесс

Как мы запускаем проект

01

Аудит линии и продукции

Изучаем продукцию, линию, текущую механику подачи и освещение. Оцениваем требования к точности, производительности и допустимому проценту ошибок классификации.
02

Сбор данных и обучение

Собираем 200 - 500 образцов на класс непосредственно на линии. Размечаем, дообучаем YOLO-модель, проверяем точность на отложенной выборке.
03

Пилот на потоке

Запускаем в параллельном режиме - модель классифицирует, но линию не останавливает. Измеряем precision/recall, дотачиваем пороги. При необходимости дорабатываем подсветку или механику подачи.
04

Интеграция с производством

Подключаем сигналы к ПЛК (Modbus TCP / OPC UA) или напрямую к сортирующему устройству. Настраиваем передачу данных в MES, SCADA, 1С. Готовим дашборд и отчётность.
05

Сопровождение и расширение

При смене номенклатуры дообучаем модель на новых классах. Расширяем зоны контроля, подключаем дополнительные камеры. SLA по согласованию.

Локальное машинное зрение и OCR

Используем YOLO26 для детекции и сегментации, GLM-OCR для документов и другие проверенные модели под конкретный объект. Для YOLO26 учитываем AGPL-3.0 или коммерческий вариант лицензии.

Камеры, объектив, освещение, разрешение и скорость линии определяют исходные данные. Точность, число потоков и задержку измеряем на тестовой записи с вашего объекта. Выбираем совместимый runtime и оптимизацию после проверки качества.

YOLO26 — документация Ultralytics. GLM-OCR — официальный checkpoint.

Примеры по отраслям

Отрасль / продукт	Признаки классификации	Камеры	Скорость линии
Пищевая / агро	Форма, цвет, дефекты, маркировка	1 - 2 × GigE line-scan	до 1500 шт./ч
Фармацевтика	Маркировка, цвет тары, целостность	1 - 2 × USB3 high-res	до 3000 шт./ч
Текстиль и швейные	Цвет, фактура, размер, тип ткани	1 - 2 × GigE area-scan	до 2000 шт./ч
Металлургия / машиностроение	Форма, габариты (2D-лидар), маркировка	1 - 2 × GigE + лидар	до 800 шт./ч
Логистика / склад	Тип, штрихкод, состояние, зона	4 - 8 × GigE line-scan	до 5000 шт./ч
Рециклинг / вторсырьё	Тип полимера, цвет, форма	2 - 4 × GigE + NIR-камеры	до 3000 шт./ч

Модели и данные не покидают объект

Обучение и инференс - на сервере заказчика. Наружу передаются только результаты классификации и сигналы на ПЛК. Поддерживается air-gap режим. Веса моделей хранятся у вас.

Риски

Что учитываем при внедрении

Неверная подсветка продукта

Глянцевый пластик, влажная поверхность, прозрачная тара - без правильно подобранной подсветки (купольной, поляризованной) модель не отличает классы. Проектируем освещение под материал.

Нестабильная механика подачи

Тряска, вращение, перекрытие объектов на ленте - accuracy падает кратно. Анализируем механику линии: скорость ленты, ориентацию, расстояние между объектами.

Недостаточная разметка

200 - 500 образцов на класс - минимум. Собираем на реальной линии, а не в лаборатории. Проверяем сходимость на отложенной выборке.

Облачный инференс на быстрой линии

120 объектов/сек - облачный round-trip в 150 - 400 мс недопустим. Только on-premise GPU с задержкой < 15 мс даёт детерминированную сортировку.

Нет метрик на потоке

Без precision/recall и анализа confusion matrix модель может путать классы незаметно. Мониторинг метрик на дашборде, алерты при падении.

Модель не адаптируют под новую номенклатуру

При добавлении нового SKU модель теряет точность на старых классах. Проектируем так, чтобы дообучение на новом классе не требовало пересборки всего решения.

SmartVideo - машинное зрение в группе компаний

SmartVideo - направление ООО «Аквис-Сервис» по интеллектуальным системам машинного зрения: контроль качества, сортировка, лазерное 2D-сканирование, контроль СИЗ, распознавание лиц и ИИ-серверы.

Каталог услуг

Другие услуги

Машинное зрение для контроля качества Внедряем контроль продукции и операций по изображениям с камер. Система выделяет отклонения, со… Видеоаналитика для службы безопасности Подключаем обработку видеопотоков к работе службы безопасности: обнаружение заданных событий, у… Разработка рабочей среды для ИИ-агента Создаём harness — среду, в которой ИИ работает с вашими данными и программами. Настраиваем инст… ИИ-агент для CRM, почты и документов Агент находит письма, задачи и документы в CRM, собирает сведения по проекту и готовит ответ. П…

Обсудим ваш рабочий процесс

Расскажите, кто выполняет задачу, какие документы и программы использует и какой результат нужен. Определим состав разработки, интеграций и запуска.

Обсудить внедрение

Контроль и сортировка продукции с ИИ