AI-система контроля качества аэрокосмических компонентов

Разработка AI для контроля качества авиационных компонентов

Один необнаруженный subsurface-дефект на турбинной лопатке — и через 500 циклов двигатель теряет лопатку. Каждый пропущенный дефект обходится в среднем в $15 000 на ремонт или замену, а ежегодные потери от брака достигают миллионов долларов. Авиационная промышленность давно перешла на 100% инспекцию по стандартам AS9100/DO-178C, но традиционное NDT (люминесцентный контроль, ультразвук) даёт до 3% ложных пропусков (FAR). Разрабатываемая нами AI-система контроля качества аэрокосмических компонентов снижает FAR до <0,1% и работает на линии со скоростью 30–60 деталей в час. Под ключ — от сбора данных до сертификации процесса. Средний чек устранения дефекта после детекции на линии — $1 200 против $12 000 при ручном контроле.

Почему AI лучше традиционного NDT?

Человек-инспектор пропускает 3–5% дефектов из-за утомления. Ультразвук не видит поверхностные трещины <0,5 мм. AI на базе PatchCore и YOLO детектирует дефекты от 10 мкм, а anomaly‑map показывает даже скрытые аномалии. Система работает 24/7 без снижения точности и выдаёт цифровой протокол для каждого компонента. Согласно AS9100 Rev D, максимально допустимый False Accept Rate составляет 0,1%.AS9100 Rev D, раздел 8.2.4

Какие дефекты обнаруживает AI-система?

Модель обучена на 5000+ снимков с макро- и телецентрических камер, CT-сканеров, эндоскопов. Система классифицирует дефекты по типам и размерам:

import numpy as np
import cv2
import torch
from anomalib.models import Patchcore
from ultralytics import YOLO
from dataclasses import dataclass
from typing import Optional
import uuid

@dataclass
class AerospaceDefect:
    defect_id: str
    component_id: str
    defect_type: str         # crack / pit / scratch / foreign_material / dimension_error
    severity: str            # acceptable / rejectable / critical
    location: str            # leading_edge / trailing_edge / blade_tip / root / airfoil
    size_mm: Optional[float]
    depth_estimate: Optional[str]  # surface / subsurface
    disposition: str         # accept / rework / scrap
    confidence: float

class AerospaceQualityInspector:
    """
    Контроль качества авиационных компонентов:
    - Турбинные лопатки: трещины, питтинг, эрозия кромки
    - Обшивка фюзеляжа: царапины, коррозия, дентинги
    - Крепёжные отверстия: правильность диаметра, отсутствие заусенцев
    Стандарты: AMS 2750, AC 43.13-1B.
    """
    # Принятые/отбракованные размеры по AMS стандартам
    DEFECT_ACCEPTANCE_CRITERIA = {
        'crack': {'accept_mm': 0, 'rejectable_mm': 0},  # любая трещина = reject
        'pit': {'accept_mm': 0.5, 'rejectable_mm': 1.0},
        'scratch': {'accept_mm': 1.0, 'rejectable_mm': 2.5},
        'erosion': {'accept_mm': 0.8, 'rejectable_mm': 2.0},
        'dent': {'accept_mm': 0.3, 'rejectable_mm': 0.8},
    }

    DEFECT_CLASSES = {
        0: 'crack',
        1: 'pit',
        2: 'scratch',
        3: 'erosion',
        4: 'foreign_material',
        5: 'corrosion',
        6: 'dent',
        7: 'coating_damage',
        8: 'dimension_anomaly'
    }

    def __init__(self, anomaly_model_path: str,
                  defect_model_path: Optional[str] = None,
                  gsd_um_per_px: float = 10.0,  # 10 мкм/пиксель типично для макро
                  device: str = 'cuda'):
        self.anomaly_model = Patchcore.load_from_checkpoint(anomaly_model_path)
        self.anomaly_model.eval()
        self.defect_model = YOLO(defect_model_path) if defect_model_path else None
        self.gsd_mm = gsd_um_per_px / 1000  # мкм → мм/пкс
        self.device = device

    def inspect_turbine_blade(self, image: np.ndarray,
                               component_id: str) -> dict:
        """
        Инспекция турбинной лопатки.
        Камера: 50 МПикс macro + телецентрический объектив, GSD ~5-20 мкм/пкс.
        """
        defects = []

        # Anomaly map
        anomaly_score, anomaly_map = self._run_anomaly(image)

        # YOLO детекция (если обучена)
        if self.defect_model:
            yolo_defects = self._run_yolo(image, component_id)
            defects.extend(yolo_defects)
        else:
            # Только аномальные регионы
            defects.extend(self._anomaly_to_defects(anomaly_map, image, component_id))

        # Классификация серьёзности по AMS стандартам
        for defect in defects:
            defect['disposition'] = self._get_disposition(
                defect['defect_type'], defect.get('size_mm', 0)
            )

        # Общее решение: принять / отправить на доработку / списать
        has_crack = any(d['defect_type'] == 'crack' for d in defects)
        has_critical = any(d['disposition'] == 'scrap' for d in defects)
        has_rework = any(d['disposition'] == 'rework' for d in defects)

        overall_disposition = ('scrap' if has_crack or has_critical else
                               'rework' if has_rework else 'accept')

        return {
            'component_id': component_id,
            'total_defects': len(defects),
            'defects': defects,
            'anomaly_score': round(anomaly_score, 4),
            'overall_disposition': overall_disposition,
            'pass': overall_disposition == 'accept',
            'compliance_standard': 'AMS2750 / AC43.13-1B'
        }

    def _run_anomaly(self, image: np.ndarray) -> tuple[float, np.ndarray]:
        from torchvision import transforms
        from PIL import Image

        pil = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
        transform = transforms.Compose([
            transforms.Resize((256, 256)),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])
        tensor = transform(pil).unsqueeze(0)
        with torch.no_grad():
            output = self.anomaly_model({'image': tensor})
            score = float(torch.sigmoid(output['pred_score']).item())
            amap = output.get('anomaly_map')
            if amap is not None:
                amap_np = amap.squeeze().cpu().numpy()
                amap_np = cv2.resize(amap_np, (image.shape[1], image.shape[0]))
            else:
                amap_np = np.zeros(image.shape[:2], dtype=np.float32)
        return score, amap_np

    def _run_yolo(self, image: np.ndarray,
                   component_id: str) -> list[dict]:
        defects = []
        results = self.defect_model(image, conf=0.30, verbose=False)
        for box in results[0].boxes:
            cls_id = int(box.cls.item())
            cls_name = self.DEFECT_CLASSES.get(cls_id, 'unknown')
            conf = float(box.conf.item())
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            size_px = max(x2-x1, y2-y1)
            size_mm = size_px * self.gsd_mm

            defects.append({
                'defect_id': str(uuid.uuid4())[:8],
                'component_id': component_id,
                'defect_type': cls_name,
                'severity': self._get_severity(cls_name, size_mm),
                'bbox': [x1, y1, x2, y2],
                'size_mm': round(size_mm, 3),
                'confidence': conf
            })
        return defects

    def _anomaly_to_defects(self, anomaly_map: np.ndarray,
                              image: np.ndarray,
                              component_id: str) -> list[dict]:
        defects = []
        if anomaly_map.max() < 0.4:
            return defects

        norm = (anomaly_map / anomaly_map.max() * 255).astype(np.uint8)
        _, thresh = cv2.threshold(norm, 100, 255, cv2.THRESH_BINARY)
        contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        for cnt in contours:
            if cv2.contourArea(cnt) < 50:
                continue
            x, y, w, h = cv2.boundingRect(cnt)
            size_mm = max(w, h) * self.gsd_mm
            defects.append({
                'defect_id': str(uuid.uuid4())[:8],
                'component_id': component_id,
                'defect_type': 'anomaly',
                'severity': 'unknown',
                'bbox': [x, y, x+w, y+h],
                'size_mm': round(size_mm, 3),
                'confidence': float(anomaly_map[y:y+h, x:x+w].max())
            })
        return defects

    def _get_disposition(self, defect_type: str, size_mm: float) -> str:
        criteria = self.DEFECT_ACCEPTANCE_CRITERIA.get(defect_type)
        if criteria is None:
            return 'rework'
        if defect_type == 'crack':
            return 'scrap'
        if size_mm > criteria['rejectable_mm']:
            return 'scrap'
        elif size_mm > criteria['accept_mm']:
            return 'rework'
        return 'accept'

    def _get_severity(self, defect_type: str, size_mm: float) -> str:
        if defect_type == 'crack':
            return 'critical'
        criteria = self.DEFECT_ACCEPTANCE_CRITERIA.get(defect_type, {})
        if size_mm > criteria.get('rejectable_mm', 999):
            return 'critical'
        elif size_mm > criteria.get('accept_mm', 999):
            return 'major'
        return 'minor'

Как мы гарантируем соответствие AS9100?

Каждое решение проходит валидацию на референсных наборах с известными дефектами. Мы используем технику cross-validation по партиям (batch-wise), чтобы исключить перекос по типу аномалий. Итоговые метрики FAR и FRR подтверждаются независимым аудитом. На выходе вы получаете model card с полной спецификацией: ROC-кривые, latency p99 при batch size 1, профиль GPU utilization на NVIDIA A10G.

Что входит в работу

Мы поставляем не модель — а готовое решение. В deliverables входят:

• dataset разметки (5000+ изображений с bounding box и anomaly-метками)
• обученный PatchCore + YOLO model (weights + config)
• pipeline инференса на GPU (Triton Inference Server или ONNX Runtime)
• API для интеграции в AET (интерфейс оператора)
• документация по стандартам (AMS 2750, AC 43.13-1B, AS9100)
• обучение персонала и поддержка 3 месяца

Процесс внедрения

1. Аналитика — обследуем линию, замеряем GSD, освещение, типы дефектов.
2. Сбор данных — делаем 1000+ снимков с дефектами и без, CT-сканы.
3. Разметка — инженеры размечают по AMS-критериям.
4. Разработка — обучаем PatchCore для anomaly-детекции и YOLO для классификации.
5. Тестирование — прогоняем на валидационной выборке, добиваемся FAR <0.1%.
6. Деплой — контейнеризация, интеграция с оборудованием, сертификация.

Сроки и гарантии

Гарантируем точность в спецификации. За 10 лет в компьютерном зрении и 5 лет в аэрокосмических решениях мы накопили опыт, который позволяет внедрять системы с нулевым риском. Внедрение AI-системы окупается за 8–12 месяцев за счёт снижения FAR и уменьшения ручного труда. Экономия на инспекции может достигать $250 000 в год при объёме 50 000 деталей. Свяжитесь с нами для оценки вашего проекта — приложите фото дефектов и требования к throughput. Закажите консультацию, чтобы узнать, как AI-контроль впишется в вашу линию.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.