ИИ-контроль качества в автомобильном производстве
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. CV-система на базе промышленных камер и YOLOv8 закрывает тот же объём за 8 секунд с воспроизводимым качеством.
Специфика автомобильного производства
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 |
Детекция дефектов сварных швов: глубокий разбор
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.
Проблема дисбаланса классов. 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
# Focal Loss для дисбаланса классов
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).
Проверка наличия и положения компонентов
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.
Optimization: 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.
Integration с MES и PLС
CV-система не работает в вакууме — она должна отправлять сигнал в MES (Manufacturing Execution System) 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.
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)
- Training и валидация модели — 2–4 недели
- Integration с конвейером — 2–4 недели
- Пилот в продакшн, калибровка порогов — 2–3 недели
Итого: 10–18 недель для полноценной системы на одну линию. Стоимость зависит от количества точек контроля и требований по интеграции.