Южноуральское предприятие «Завод Минплита» (входит в группу компаний «Сен-Гобен») специализируется на производстве тепло- и звукоизоляции из минеральной ваты. Завод работает с 2002 года, в штате почти 2000 человек.
Рассказываем, зачем решили внедрить систему компьютерного зрения в цехе по производству минеральной ваты и к каким результатам это привело.
Проблема
Минеральная вата движется по конвейеру по трём параллельным полосам со скоростью до 16 метров в минуту. Операторы производственной линии визуально отслеживали дефекты полотна. Однако поверхность материала рельефная и неоднородная. При длительном наблюдении у людей начинало рябить в глазах — отследить дефекты становилось сложно. Это приводило к пропуску бракованной продукции, жалобам на товар и убыткам.
Решение
Внедрить систему машинного зрения ML Sense, которая использует искусственный интеллект для распознавания дефектов продукции. Систему можно интегрировать с действующим конвейерным оборудованием без необходимости модернизации процесса производства.
Технологии
- Машинное зрение: для фиксации дефектов продукции.
- Искусственный интеллект: для анализа изображений, классификации дефектов и принятия решения о необходимости остановки конвейера.
- Автоматизированная система оповещения (светозвуковые колонны): для информирования операторов о появлении бракованной продукции на конвейере.
- 3D-моделирование (создание виртуальной сцены на основе параметров производственной линии): для точного размещения камер и осветительных приборов.
- Технологический стек: для разработки — Python, платформа React (для создания пользовательских интерфейсов), OpenCV (библиотека с открытым исходным кодом для работы с компьютерным зрением), нейросеть YOLO (v5, v8, v10); для хранения и обработки данных — PostgreSQL и Flask.
Сложности
В процессе внедрения системы возникли определённые трудности.
- В цехе скапливается большое количество пыли, что влияет на работу камер. Для защиты техники от производственных загрязнений были разработаны специальные металлические кожухи.
- Дефекты на минеральной вате бывают очень маленькие (диаметром 5 мм) и выглядят одинаково, но появляются по разным причинам. Чтобы обучить нейросеть различать и классифицировать дефекты, потребовалось собрать большой массив данных и точно разметить изображения.
- Когда система научилась распознавать дефекты, возникла другая сложность: как быстро пометить бракованные участки полотна минеральной ваты на высокоскоростном конвейере? Ручной контроль здесь неэффективен: занимает много времени. Поэтому решили разработать специальное маркировочное устройство, которое работает в автоматическом режиме, быстро и точно помечая участки с дефектами, и операторы конвейера могут легко найти его на полотне и исключить из дальнейшей обработки.
Этапы работы
- Февраль — март 2024 года. Проектирование и монтаж оборудования (камер, осветительных приборов) на специальных мачтах.
- Апрель — май 2024 года. Сбор датасета, разметка дефектов на фотографиях, обучение нейросети. Разработка маркирующего устройства и тестирование системы.
- Июнь 2024 года. Запуск системы в эксплуатацию, обучение персонала.
Результаты
Система позволила предприятию автоматизировать процесс контроля качества и улучшить производственные показатели.
- Точность выявления дефектов с помощью технологий машинного зрения и AI достигает 99%.
- Экономический эффект от внедрения системы благодаря сокращению финансовых потерь из-за рекламаций оценивается в размере 15 млн рублей в год. А сотрудники, которые ранее занимались маркировкой, теперь могут выполнять другие важные стратегические задачи.
Следующие шаги
Система уже показала успешные результаты. В будущем компания планирует масштабировать решение для компаний со схожим функционалом и потребностями.
- Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в телеграм-канале. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.