Машинное зрение и контроль качества

Что входит в услугу машинного зрения

Мы разрабатываем программную часть системы визуального контроля качества и настраиваем её на оборудовании заказчика. Под конкретную задачу собираем датасет с дефектами, размечаем его, обучаем модель распознавания и интегрируем её с камерами, освещением и линией клиента. Сама камера, конвейер и исполнительные механизмы остаются в собственности заказчика и физически выполняют съёмку и отбраковку, а мы готовим алгоритм, который принимает решение «годен или брак» по кадру. На выходе вы получаете обученную модель, привязанную к вашему железу, плюс логику реакции: отметить деталь, остановить ленту, записать дефект в журнал. В состав работ входит и калибровка под цех — ракурсы, тени, скорость потока, чтобы машинное зрение давало стабильный результат не на тестовых снимках, а на реальной продукции.

Как работает визуальный контроль по сути

Кадр с камеры проходит предобработку (нормализация яркости, выравнивание, фильтрация шума), а затем подаётся в нейросеть, которая выделяет объекты и классифицирует их состояние. Детектор находит на изображении зоны интереса — шов, отверстие, маркировку, поверхность — и оценивает каждую по обученным признакам, выдавая координаты и вероятность дефекта. Результат сравнивается с допустимым порогом, и система формирует сигнал, который оборудование заказчика отрабатывает: сортирует, помечает или останавливается. Скорость здесь критична — современные детекторы делают вывод за один проход по сети, поэтому контроль идёт в темпе линии, без её замедления. Важно, что модель работает не по жёстким правилам «если пиксель темнее — брак», а по статистике тысяч примеров, поэтому ловит дефекты, которые трудно описать формулой.

Откуда появилось компьютерное зрение

Направление выросло из академических работ 1960-х: в 1963 году Лоуренс Робертс защитил в MIT диссертацию о восстановлении трёхмерной формы объектов по плоскому изображению, что считается одной из отправных точек. В 1966 году Марвин Минский и Сеймур Пейперт запустили в MIT учебный Summer Vision Project — по меморандуму от 7 июля задача отделить объекты от фона ставилась как летнее задание для студентов, и её недооценённая сложность задала тон исследованиям на десятилетия. Перелом в свёрточных сетях наступил в 1998 году, когда Ян Лекун с соавторами опубликовал работу Gradient-Based Learning Applied to Document Recognition и архитектуру LeNet-5 для распознавания рукописных цифр. Массовый скачок дала сеть AlexNet в 2012 году (Алекс Крижевский, Илья Суцкевер, Джеффри Хинтон), снизившая ошибку top-5 на конкурсе ImageNet примерно до 16 процентов против 26 у ближайшего конкурента. В июне 2015 года Джозеф Редмон с коллегами представил алгоритм YOLO (статья arXiv 1506.02640), который распознаёт объекты за один проход по сети и сделал детекцию пригодной для реального времени.

Почему софт и точность решают всё

В системе контроля качества физическое оборудование одинаково у всех — отличает результат именно обученная модель и её настройка. Если датасет собран криво или порог выставлен наугад, машинное зрение начнёт либо пропускать брак, либо забраковывать годные детали, и оба сценария бьют по экономике производства. Точность измеряется не общим процентом «верных ответов», а балансом между пропусками дефектов и ложными срабатываниями, и под каждую задачу этот баланс настраивается отдельно. Модель приходится дообучать под конкретные материалы, освещение и износ камер, иначе на новой партии продукции точность плывёт. Поэтому основная инженерная работа лежит не в покупке железа, а в разметке, обучении, валидации и калибровке программной части под ваш цех.

На каких инструментах мы работаем

Базовый стек — OpenCV для предобработки и геометрии кадра, нейросетевые детекторы семейства YOLO для поиска объектов в реальном времени и фреймворки глубокого обучения для обучения и дообучения моделей. OpenCV закрывает классические операции: калибровка камеры, коррекция искажений, выделение контуров, работа с цветовыми пространствами — то, что нужно до того, как кадр уйдёт в сеть. YOLO и родственные архитектуры отвечают за детекцию и классификацию дефектов с поправкой на скорость линии. Нейросети мы обучаем на размеченном датасете заказчика, а инференс разворачиваем там, где удобно по задержке и стоимости — на промышленном ПК у линии или на сервере. Конкретный набор подбирается под задачу: где-то хватает классических методов OpenCV, где-то без обучаемой нейросети не обойтись.

Когда появились ключевые инструменты стека

Библиотека OpenCV была начата в Intel в 1999 году под руководством Гари Брадски, а первый публичный релиз вышел в 2000 году — с тех пор это фактический стандарт для задач компьютерного зрения. Язык Python, на котором сегодня ведётся большая часть работ по обучению моделей и связке компонентов, выпущен Гвидо ван Россумом в 1991 году. Свёрточные сети как практический инструмент закрепила архитектура LeNet-5 в 1998 году, а перелом к глубокому обучению задала AlexNet в 2012 году. Детектор YOLO, на котором строится распознавание в реальном времени, опубликован в июне 2015 года. Эти даты показывают, что инструменты не сырые: OpenCV и Python работают больше двух десятилетий, а нейросетевая детекция прошла обкатку с середины 2010-х.

Почему это можно доверить нам

Суммарный опыт нашей команды разработки превышает 45 лет в IT, и подход у нас инженерный, а не демонстрационный: модель проверяется на отложенной выборке и тестовой партии до того, как уйдёт в боевой запуск на линии. Мы не продаём железо и не производим вашу продукцию — мы пишем программу и настраиваем оборудование, которое уже стоит у вас, поэтому отвечаем именно за ту часть, где решается точность. Перед запуском прогоняем модель на реальных кадрах вашего цеха, фиксируем процент пропусков и ложных срабатываний и согласуем пороги с вами, а не выставляем их на глаз. Если на новой партии или при смене освещения качество распознавания просядет, модель дообучается — это штатная процедура, заложенная в сопровождение. В результате вы получаете машинное зрение, привязанное к вашему производству и проверенное на ваших данных, а не универсальное решение из коробки.