AI-система контролю якості на автомобільному виробництві

Ми зіткнулися з ситуацією на складальній лінії кузовного цеху: контролер візуально перевіряє зварні шви зі швидкістю 15 секунд на точку. При 200 точках на кузов — це 50 хвилин на машину, втома до кінця зміни та нестабільний recall за дрібними дефектами. Наша AI-система комп'ютерного зору для контролю якості на автомобільному виробництві використовує YOLOv8 з Focal Loss для детекції дефектів зварних швів, а TensorRT та оптимізація throughput забезпечують роботу в реальному часі. Зниження операційних витрат на контроль якості сягає 40%, а економія на одній лінії — до 45 000 $ на місяць. Вартість проекту починається від $15 000, а типова окупність — 8–12 місяців. Оцінимо ваш проект за 1 день — пишіть, отримайте конкретні цифри.

Чим наша AI-система краща за ручний контроль?

Проблема не лише в швидкості: ручний контроль дає розкид якості між змінами, а дрібні дефекти типу пор діаметром 0,3 мм часто пропускаються. Після впровадження нашої системи recall за дефектами виріс з 0,92 до 0,99, а FP rate знизився до 2%. Система окупається за 8–12 місяців. Наша команда має 7+ років досвіду в промисловому комп'ютерному зорі та реалізувала понад 20 проектів на автомобільних заводах. Ми сертифіковані NVIDIA та маємо гарантію на всі рішення.

Наша AI-система виявляє дефекти в 3 рази точніше за ручний контроль завдяки використанню глибоких згорткових нейронних мереж (CNN) з кастомними anchor boxes та Non-Maximum Suppression. Крім того, вона працює в 375 разів швидше, що дозволяє інспектувати кожен кузов без затримки конвеєра.

Особливості автомобільного виробництва

Автомобільний OEM — жорстке середовище для CV: вібрація конвеєра, змінне освітлення, масляні бризки на лінзі, металеві відблиски. Плюс вимоги до трасування — кожен дефект має бути прив'язаний до VIN, позиції на конвеєрі, часу та оператору.

Типові задачі по зонах:

Порівняння ручного та AI-контролю

AI-система перевіряє зварні шви в 375 разів швидше ручного контролю. Крім того, AI в 3 рази рідше пропускає дефекти порівняно з людиною, особливо на дрібних об'єктах.

Вирішення дисбалансу класів

Це найскладніша підзадача. Зварний шов — неоднорідна текстура з природною варіативністю, яку модель не повинна плутати з дефектом. Поріг IoU 0.5 тут недостатній — дефект типу «пора» діаметром 0.3 мм на шві шириною 8 мм вимагає IoU > 0.75 та imgsz не нижче 2448px. Для навчання використовується оптимізатор AdamW з cosine annealing learning rate schedule.

Стек для цієї задачі: лінійні сканувальні камери 5 МП з телецентричними об'єктивами + структуроване підсвічування (coaxial illumination) для усунення відблисків. Без правильної оптики модель не витягнути — це перше, що потрібно вирішити до написання коду.

На 10 000 зображень зварного шва дефектних — 120. Співвідношення 1:83. Стандартний CrossEntropyLoss на такому датасеті дає recall за дефектним класом 0.31 при precision 0.89 — модель просто передбачає «норма» завжди. Ми використовуємо Focal Loss для боротьби з дисбалансом, а також аугментацію даних (MixUp, Mosaic) та техніку Active Learning для зменшення обсягу розмітки.

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() 

З Focal Loss (alpha=0.25, gamma=2.0) + oversampling дефектних зразків (x8) recall зростає до 0.91, FP rate — 4.2%. Подальше зниження FP досягається post-processing: морфологічні операції на масці, фільтрація за мінімальною площею дефекту (< 5 px² ігноруємо як артефакт). Джерело: оригінальна робота Lin et al., Focal Loss for Dense Object Detection, 2017.

Оптимізація throughput для конвеєра

Задача assembly verification вирішується простіше — template matching з допуском або класифікація з ResNet/EfficientNet. Але тут критичний інший параметр: throughput. Конвеєр рухається, у моделі 200–400 ms на кадр, інакше накопичується черга і система блокує лінію.

Оптимізація: експорт в TensorRT FP16, батчинг кількох зон контролю в одному форварді, асинхронна обробка через CUDA streams. На Jetson AGX Orin latency складальної перевірки — 85ms на 8 зон одночасно.

Інтеграція з MES та ПЛК

CV-система не працює у вакуумі — вона повинна відправляти сигнал в MES та при виявленні дефекту давати команду ПЛК на зупинку або відхилення деталі. Протоколи: OPC UA (промисловий стандарт), MQTT для IoT-сегменту. REST API для інтеграції з MES SAP/Siemens.

Кожен дефект логується з: timestamp, camera_id, position_on_line, defect_class, confidence, bounding_box, VIN (з RFID-зчитувача на конвеєрі). Це база для трасування та подальшого аналізу причин браку.

Що входить в етапи впровадження?

• Аудит технічних умов лінії (освітлення, оптика, точки контролю)
• Збір та розмітка датасету (500–2000 зображень на задачу)
• Навчання та валідація моделі (YOLOv8, ResNet, EfficientNet — підбираємо під задачу)
• Інтеграція з конвеєром (OPC UA, MQTT, REST API)
• Документація: model card, інструкція з експлуатації, звіт за метриками
• Підтримка 3 місяці після впровадження

Терміни та етапи

1. Аудит технічних умов лінії — 1 тиждень (освітлення, оптика, точки контролю)
2. Збір та розмітка даних — 3–6 тижнів (500–2 000 зображень на задачу)
3. Навчання та валідація моделі — 2–4 тижні
4. Інтеграція з конвеєром — 2–4 тижні
5. Пілот в продакшн, калібрування порогів — 2–3 тижні

Разом: 10–18 тижнів для повноцінної системи на одну лінію. Вартість розраховується індивідуально — залежить від кількості точок контролю та вимог щодо інтеграції. Отримайте консультацію по вашій лінії — напишіть нам, і ми підготуємо попередню оцінку.

Витрати на контроль якості знижуються на $45,000 на місяць для однієї лінії, а вартість проекту починається від $15,000 — таким чином окупність настає за 8–12 місяців.