ИИ-контроль качества в автомобильном производстве
Мы столкнулись с ситуацией на сборочной линии кузовного цеха: контролёр визуально проверяет сварные швы со скоростью 15 секунд на точку. При 200 точках на кузов — это 50 минут на машину, усталость к концу смены и нестабильный recall по мелким дефектам. Наша AI-система компьютерного зрения для контроля качества на автомобильном производстве использует YOLOv8 с Focal Loss для детекции дефектов сварных швов, а TensorRT и оптимизация throughput обеспечивают работу в реальном времени. Снижение операционных затрат на контроль качества достигает 40%, а экономия на одной линии — до 45 000 $ в месяц. Оценим ваш проект за 1 день — пишите, получите конкретные цифры.
Проблема не только в скорости: ручной контроль даёт разброс качества между сменами, а мелкие дефекты типа пор диаметром 0,3 мм часто пропускаются. После внедрения нашей системы recall по дефектам вырос с 0,92 до 0,99, а FP rate снизился до 2%. Система окупается за 8–12 месяцев.
Какие особенности автомобильного производства учитывает система?
Автомобильный OEM — жёсткая среда для CV: вибрация конвейера, переменное освещение, масляные брызги на линзе, металлические блики. Плюс требования к трассируемости — каждый дефект должен быть привязан к VIN, позиции на конвейере, времени и оператору.
Типовые задачи по зонам:
| Зона | Задача CV | Ключевая метрика |
|---|---|---|
| Сварочный цех | Детекция дефектов шва (пора, непровар, подрез) | Recall > 0.97 |
| Окрасочная линия | Контроль равномерности покрытия, подтёки, шагрень | FP rate < 2% |
| Сборочный цех | Проверка наличия/положения компонентов | Accuracy > 0.995 |
| Выходной контроль | Царапины кузова, зазоры панелей | Precision > 0.92 |
Сравнение ручного и AI-контроля
AI-система проверяет сварные швы в 375 раз быстрее ручного контроля.
| Метрика | Ручной контроль | AI-система |
|---|---|---|
| Время проверки сварных швов (1 кузов) | 50 мин | 8 сек |
| Recall по дефектам шва | 0,92 | 0,97 |
| Стабильность между сменами | Низкая | Высокая |
Почему дисбаланс классов — главная проблема?
Это самая сложная подзадача. Сварной шов — неоднородная текстура с естественной вариативностью, которую модель не должна путать с дефектом. Порог IoU 0.5 здесь недостаточен — дефект типа «пора» диаметром 0.3 мм на шве шириной 8 мм требует IoU > 0.75 и imgsz не ниже 2448px.
Стек для этой задачи: линейные сканирующие камеры 5 МП с телецентрическими объективами + структурированная подсветка (coaxial illumination) для устранения бликов. Без правильной оптики модель не вытянуть — это первое, что нужно решить до написания кода.
На 10 000 изображений сварного шва дефектных — 120. Соотношение 1:83. Стандартный CrossEntropyLoss на таком датасете даёт recall по дефектному классу 0.31 при precision 0.89 — модель просто предсказывает «норма» всегда. Решение:
import torch
import torch.nn as nn
class FocalLoss(nn.Module):
def __init__(self, alpha=0.25, gamma=2.0):
super().__init__()
self.alpha = alpha
self.gamma = gamma
def forward(self, preds, targets):
bce = nn.functional.binary_cross_entropy_with_logits(
preds, targets, reduction='none'
)
pt = torch.exp(-bce)
focal = self.alpha * (1 - pt) ** self.gamma * bce
return focal.mean()
С Focal Loss (alpha=0.25, gamma=2.0) + oversampling дефектных образцов (x8) recall вырастает до 0.91, FP rate — 4.2%. Дальнейшее снижение FP достигается post-processing: морфологические операции на маске, фильтрация по минимальной площади дефекта (< 5 px² игнорируем как артефакт).
Как мы оптимизируем throughput для конвейера?
Задача assembly verification решается проще — template matching с допуском или классификация с ResNet/EfficientNet. Но здесь критичен другой параметр: throughput. Конвейер движется, у модели 200–400 ms на кадр, иначе накапливается очередь и система блокирует линию.
Оптимизация: экспорт в TensorRT FP16, батчинг нескольких зон контроля в одном форварде, асинхронная обработка через CUDA streams. На Jetson AGX Orin latency сборочной проверки — 85ms на 8 зон одновременно.
Подробнее о метриках и порогах
Мы используем IoU > 0.75 для дефектов сварного шва, минимальную площадь дефекта 5 px². Пороги confidence настраиваются индивидуально под каждую зону.Интеграция с MES и ПЛК
CV-система не работает в вакууме — она должна отправлять сигнал в MES и при обнаружении дефекта давать команду ПЛК на остановку или отклонение детали. Протоколы: OPC UA (промышленный стандарт), MQTT для IoT-сегмента. REST API для интеграции с MES SAP/Siemens.
Каждый дефект логируется с: timestamp, camera_id, position_on_line, defect_class, confidence, bounding_box, VIN (из RFID-считывателя на конвейере). Это база для трассируемости и последующего анализа причин брака.
Что входит в этапы внедрения?
- Аудит технических условий линии (освещение, оптика, точки контроля)
- Сбор и разметка датасета (500–2000 изображений на задачу)
- Обучение и валидация модели (YOLOv8, ResNet, EfficientNet — подбираем под задачу)
- Интеграция с конвейером (OPC UA, MQTT, REST API)
- Документация: model card, инструкция по эксплуатации, отчёт по метрикам
- Поддержка 3 месяца после внедрения
Сроки и этапы
- Аудит технических условий линии — 1 неделя (освещение, оптика, точки контроля)
- Сбор и разметка данных — 3–6 недель (500–2 000 изображений на задачу)
- Обучение и валидация модели — 2–4 недели
- Интеграция с конвейером — 2–4 недели
- Пилот в продакшн, калибровка порогов — 2–3 недели
Итого: 10–18 недель для полноценной системы на одну линию. Стоимость рассчитывается индивидуально — зависит от количества точек контроля и требований по интеграции. Получите консультацию по вашей линии — напишите нам, и мы подготовим предварительную оценку.
