Нейросеть для контроля качества металлопроката: кейс завода «Техностиль»

Как система машинного зрения и нейросети распознают дефекты на конвейерном производстве.

В NordClan обратился один из лидеров производства сэндвич-панелей в России. Им нужно было ускорить систему выявления дефектов на заводе. Мы предложили систему контроля качества на основе готового решения ML Sense.

До внедрения «умной» системы контроля металлопроката ML Sense определение дефектов проводилось вручную: рулон металла разматывался и на нем с помощью рулетки размечалось расстояние до дефекта и его размеры. Затем дефекты описывали по регламенту, делали фото и только по тогда дефектные бобины можно было отправить ключевому поставщику — компании «Северсталь».

Для ускорения процесса контроля нужно было детектировать различные виды дефектов на полотне металлопроката и автоматизировать формирование отчетов.

Первый шаг работы — осмотр производственной площадки и подбор оборудования.

Для определения дефектов подобрали высокоскоростные камеры Hikrobot с разрешением 8к px на 2px. Они определяют дефекты с точностью до 1 мм и выявляют даже тонкие царапины, которые делают лист непригодным для дальнейшей покраски.

Дефектоскопия проводится на изломе листа металлопроката, который подсвечивается светодиодной лампой высокой интенсивности. При неправильном подборе светового оборудования в зоне освещения могут возникать полутени и разница оттенков, которые система может принять за дефект.

Система контроля автоматически проверяет уровень освещенности и выводит данные в виде специального графика, по которому специалисты проверяют качество света.

Установили сервер для обработки данных и размещения системы ML Sense на производстве. Сервер и пост контроля металлопроката для оператора совмещены, чтобы специалист мог запускать сессию контроля брака одновременно с установкой новой бобины.

Второй шаг — сбор данных и обучение нейросети.
Мы всегда настраиваем работу системы контроля качества металлопроката на реальных данных заказчика, чтобы обеспечить максимальную точность распознавания дефектов. Часть данных собираем самостоятельно на производстве, часть собираем удаленно, подключаясь к серверам заказчика. Наша задача - собрать достаточно данных для точной настройки нейросети.

Умное кадрирование

Было отмечено, что при движении бобина смещается на несколько сантиметров влево и вправо из-за этого статичная камера могла пропустить дефекты у края листа металлопроката. Чтобы избежать этой проблемы специалисты Норд Клан разработали технологию “Умного кадрирования”, которая определяет край листа и кадрирует изображение по полученной информации. С помощью этой технологии мы также можем контролировать ширину полотна металлопроката по всей длине бобины.

Интеграция с 1С

Чтобы вернуть поставщику дефектную бобину нужно подготовить отчет по особому регламенту: указать расположение дефекта, его классификацию и размер, а также приложить фото. Для автоматического формирования такого отчета система была интегрирована с 1С.

Для каждого дефекта подходящего размера и типа формируется акт. В документ автоматически передаются размеры дефекта, его тип и точное местоположение на листе металлопроката. Для этого на вале установлен энкодер, который позволяет точно определять на каком расстоянии расположен дефект. Энкодер подключен к системе ML Sense через Ардуино и передает данные о количестве тиков за одну сессию.

Также к отчету автоматически добавляется фото каждого дефекта, полученное с высокосокоростной камеры.

Третий шаг — тестирование на предприятии и внедрение.

Система контроля качества на заводе «Техностиль» заработала полноценно через 3 месяца с момента старта проекта.

В готовой системе предусмотрено два вида пользователя: администратор и пользователь. Администратор запускает и останавливает сессию контроля (за сессию в системе принимается время полного прохода одной бобины), просматривает отчеты. Пользователь просматривает данные по прошедшим сессиям.

Теперь контроля качества металлопроката происходит с помощью «умного» решения ML Sense. Если раньше на проверку одной бобины уходило 2 рабочих дня, то теперь с момента запуска системы контроля до вывода отчета проходит не более 20 минут. Задача решена.