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.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.