Машинное зрение для контроля качества продукта: кейс завода Ariston

«Купил водонагреватель, а он оказался бракованным», — такими негативными отзывами завален весь интернет. Репутационные потери бьют рублем по известным брендам. Поэтому производители стараются не допускать к продаже товары даже с еле заметным браком. На примере завода Ariston рассказываем, как быстро и эффективно решить задачу дефектоскопии с помощью технологии машинного зрения.

Завод электрических водонагревателей Ariston во Всеволожске выпускает более 600 тысяч приборов в год. Иногда на производстве сталкиваются с проблемой: специалисты не замечают мелкие дефекты на трубках водонагревателей. Чтобы не допустить выпуск бракованной продукции, было решено применить технологию машинного зрения.

Когда искали подрядчика, который внедрит на заводе ML-технологии, ориентировались на опыт и экспертизу. Выбор пал на Nord Clan, потому что компания реализовала не один десяток проектов в сфере машинного обучения и нейросетей.

Задача Ariston: автоматическое выявление брака в трубках забора горячей воды водонагревателя с помощью технологии машинного зрения.

Основные требования заказчика:

1. Конвейер должен автоматически останавливаться, как только система обнаружит дефект: отсутствие вставки в трубке водонагревателей или заусенцы. При этом должна срабатывать звуковая и световая сигнализация.

2. Надо учесть, что в зависимости от модели, расстояние между трубками и высота водонагревателя на конвейере может меняться. И водонагреватели могут быть радиально смещены на конвейере.

3. Задачу решить под ключ: сконструировать мачты крепления и установить необходимое оборудование: камеры машинного зрения с подсветкой, серверное оборудование с монитором, светозвуковые колонны для уведомления оператора о дефектах.

Решение задачи заказчика:

Мы предложили систему контроля качества на основе готового решения ML Sense.

Что мы сделали для решения задачи:

1. Сделали тестовое видео на производстве, чтобы определить точки контроля, где будем устанавливать оборудование. Важно было оценить факторы, которые влияют на работу системы ML Sense — уровень освещения, наличие вибраций, радиальное смещение водонагревателей на конвейере, разницу по высоте между водонагревателями и предполагаемой камерой.

2. Подобрали видеокамеры, которые справятся с поиском дефектов на трубках водонагревателей.

3. Протестировали созданную систему контроля качества трубок водонагревателей ML Sense в собственной лаборатории.

4. Подобрали осветительные приборы со светодиодами высокой интенсивности, чтобы получать четкие снимки высокой контрастности. Это было необходимо для точного распознавания нейросетью вставок и заусенцев на трубках водонагревателей.

5. Смоделировали виртуальную 3D сцену на основе замеров с производственной линии. Рассчитали оптимальное расстояние для установки камер, светильника и подготовили чертежи мачты для крепления оборудования, по которым изготовили конструкцию.

6. Обучили нейросеть распознавать типовые дефекты трубок. Для этого собрали датасет из фотографий, где каждый вид дефектов размечен и классифицирован: на этой трубке есть вставка, на этой есть заусенец.

7. Для быстрого оповещения сотрудников о дефектах внедрили коробочную систему оповещения. Для этого присвоили дефектам три класса оповещения: красный — отсутствие вставки на трубке, желтый — заусенец на трубке, зеленый — бак без дефектов. Как только система “видит” дефект срабатывает звуковой сигнал и конвейер останавливается. Это дает возможность контролеру снять с конвейера бак, у которого отсутствует вставка на трубке, или отрезать заусенец, если обнаружен он.

8. Произвели монтаж оборудования на заводе Ariston во Всеволожске. Установили мачты, закрепили камеры, установили ПО на пост контроля, обучили персонал работать с системой ML Sense. Завершили пусконаладку.

9. Запустили программно-аппаратный комплекс в работу. Уже на производстве в ходе работы выявили новый вид втулки — металлическая. В техзадании заказчика этого вида втулки не было, поэтому мы изначально обучали систему только на типовой эмалированной втулке. Но поскольку мы всегда за то, чтобы решение работало и приносило пользу, то мы доработали систему — дообучили нейросеть на металлической втулке тоже.

10. Сдали заказчику все оборудование и программный код. Подписали акты приемки - передачи.

Сроки реализации: 3 месяца

Результат: Кейс завода электрических водонагревателей Ariston — наглядный пример того, как с помощью машинного обучения можно автоматизировать контроль качества продукции. Теперь оператору на конвейере не нужно вручную проверять каждый водонагреватель. Мы заменили визуальный контроль на машинное зрение.

Что изменилось:

1. Система в 100% случаев видит дефект, оповещает оператора о том, какой вид брака обнаружен, звуковым и световым сигналом, останавливает конвейер.

2. Сотруднику остается только снять дефектную продукцию с конвейера, отправить ее на доработку, либо исправить дефект вручную.

К чему это привело:

1. Значительно повышается экономический эффект — больше не нужно рисковать рублем за рекламацию бракованной продукции и репутацией компании из-за человеческого фактора.

2. Значительно улучшается мотивация операторов конвейерной линии — система избавляет их от рутинного труда, позволяет работать быстрее и с большей пользой для компании.

Заложенное в основе системы контроля качества готовое решение ML Sense — результат работы российских разработчиков. Оно входит в реестр отечественного ПО, а значит позволяет решить вопрос импортозамещения промышленным предприятиям.