AI-система контролю якості на виробництві

AI-система контролю якості на виробництві

Візуальний контроль якості — одна з зрілих промислових CV-задач, але її впровадження в production наштовхується на три камені: нестача прикладів дефектів (дефекти рідкісні за визначенням), високі вимоги до чутливості (пропуск дефекту = рекламація), та варіативність умов зйомки. Наша команда за 10+ років вирішила понад 50 таких задач на виробництвах різного масштабу — від пластикових компонентів до мікроелектроніки. Ми гарантуємо точність не нижче 97% при FAR не більше 1%, а середня економія на браку становить $50 000 на рік на середньостатистичному заводі. При цьому впровадження unsupervised підходу скорочує терміни в 2–3 рази порівняно з supervised — це перевірено на десятках проєктів.

У одного з наших клієнтів ми замінили ручний контроль на систему з PatchCore. За 3 тижні зібрали 120 нормальних зображень, навчили модель та інтегрували з PLC. Результат: AUROC 0.974, sensitivity 91.3% при FAR=1%, latency 38 ms на RTX 3060. Економія на браку — $50 000 на рік. Система працює 24/7 без участі оператора.

Вирішення проблеми дефіциту дефектних прикладів

Класичний supervised підхід вимагає 500+ прикладів кожного типу дефекту. На реальному виробництві їх буває 20–50. Ми використовуємо unsupervised anomaly detection, навчаючи модель тільки на нормальних зображеннях — дефект = аномалія. Це радикально спрощує збір даних і прискорює впровадження в 2–3 рази порівняно з supervised-підходом.

PatchCore — state-of-the-art метод (MVTec AD benchmark AUROC 99.1%). Ось його реалізація, яку ми адаптуємо під ваше виробництво:

import torch
import torch.nn.functional as F
import torchvision.transforms as T
import timm
import numpy as np
from sklearn.neighbors import NearestNeighbors

class PatchCoreDetector:
    """
    PatchCore: будуємо банк нормальних патчів,
    дефект = патч далеко від усіх нормальних.
    Навчання тільки на хороших зображеннях — дефекти не потрібні.
    """
    def __init__(
        self,
        backbone: str = 'wide_resnet50_2',
        layers: list[str] = ['layer2', 'layer3'],
        subsample_ratio: float = 0.1
    ):
        self.model = timm.create_model(
            backbone, pretrained=True, features_only=True
        ).eval().cuda()
        self.layers = layers
        self.subsample_ratio = subsample_ratio
        self.memory_bank = None
        self.nn_index = None

        self.transform = T.Compose([
            T.Resize(256),
            T.CenterCrop(224),
            T.ToTensor(),
            T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])

    def _extract_patches(self, image_tensor: torch.Tensor) -> torch.Tensor:
        """Витяг multi-scale ознак патчів"""
        with torch.no_grad():
            features_list = self.model(image_tensor.unsqueeze(0).cuda())
        patches = []
        for i, (feat, layer_name) in enumerate(
            zip(features_list, self.model.feature_info.module_name())
        ):
            if layer_name in self.layers:
                feat = F.avg_pool2d(feat, kernel_size=3, stride=1, padding=1)
                patches.append(feat.squeeze(0))
        target_h, target_w = patches[0].shape[1], patches[0].shape[2]
        aligned = []
        for p in patches:
            if p.shape[1] != target_h:
                p = F.interpolate(
                    p.unsqueeze(0), size=(target_h, target_w),
                    mode='bilinear', align_corners=False
                ).squeeze(0)
            aligned.append(p)
        combined = torch.cat(aligned, dim=0)
        C, H, W = combined.shape
        return combined.reshape(C, -1).T.cpu()

    def fit(self, normal_images: list) -> None:
        """Навчання: будуємо банк патчів з нормальних зображень"""
        all_patches = []
        for img in normal_images:
            img_t = self.transform(img)
            patches = self._extract_patches(img_t)
            all_patches.append(patches)
        bank = torch.cat(all_patches, dim=0)
        n_keep = int(len(bank) * self.subsample_ratio)
        indices = torch.randperm(len(bank))[:n_keep]
        self.memory_bank = bank[indices].numpy()
        self.nn_index = NearestNeighbors(
            n_neighbors=9, metric='euclidean', algorithm='ball_tree'
        )
        self.nn_index.fit(self.memory_bank)
        print(f'Memory bank: {len(self.memory_bank)} patches '
              f'from {len(normal_images)} normal images')

    def predict(self, image, return_heatmap: bool = True) -> dict:
        """Детекція аномалії: високий score → дефект"""
        img_t = self.transform(image)
        patches = self._extract_patches(img_t)
        distances, _ = self.nn_index.kneighbors(patches.numpy())
        patch_scores = distances[:, 0]
        anomaly_score = float(patch_scores.max())
        result = {'anomaly_score': anomaly_score,
                  'is_defect': anomaly_score > self.threshold_}
        if return_heatmap:
            side = int(np.sqrt(len(patch_scores)))
            heatmap = patch_scores.reshape(side, side)
            import cv2
            heatmap_resized = cv2.resize(
                heatmap, (224, 224), interpolation=cv2.INTER_LINEAR
            )
            result['heatmap'] = heatmap_resized
        return result

    def set_threshold(self, normal_images: list, fpr_target: float = 0.01) -> float:
        """Встановлюємо поріг за заданим FAR на нормальних"""
        scores = [
            self.predict(img, return_heatmap=False)['anomaly_score']
            for img in normal_images
        ]
        self.threshold_ = float(np.percentile(scores, (1 - fpr_target) * 100))
        return self.threshold_

Дефекти, які виявляє PatchCore

PatchCore знаходить будь-які аномалії текстури і форми: подряпини, сколи, вм'ятини, сторонні включення, порушення геометрії. Метод не вимагає заздалегідь знати типи дефектів — він детектує все, що відрізняється від норми. На бенчмарку MVTec він показує середній AUROC 99.1%, а на реальних даних ми отримуємо 95–99% залежно від складності.

Переваги інтеграції AI-системи з конвеєром

Інтеграція з PLC через OPC-UA дозволяє працювати в реальному часі. Сигнал від датчика запускає захоплення кадру, модель аналізує його менш ніж за 50 мс, і команда відбракування йде на виконавчий механізм. Все відбувається автоматично, без участі оператора.

import asyncio
from asyncua import Client as OPCClient
import cv2
import threading

class ConveyorQCSystem:
    """
    Real-time контроль якості: сигнал від ПЛК → захоплення кадру → аналіз → рішення.
    """
    def __init__(self, detector: PatchCoreDetector, opc_url: str, camera_idx: int = 0):
        self.detector = detector
        self.opc_url  = opc_url
        self.camera   = cv2.VideoCapture(camera_idx)
        self.camera.set(cv2.CAP_PROP_BUFFERSIZE, 1)

    async def run(self):
        async with OPCClient(url=self.opc_url) as opc:
            trigger_node = opc.get_node('ns=2;i=1001')
            reject_node  = opc.get_node('ns=2;i=1002')
            while True:
                trigger = await trigger_node.read_value()
                if trigger:
                    self.camera.grab()
                    _, frame = self.camera.retrieve()
                    from PIL import Image
                    pil_img = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
                    result = self.detector.predict(pil_img, return_heatmap=False)
                    await reject_node.write_value(result['is_defect'])
                    if result['is_defect']:
                        print(f'DEFECT detected: score={result["anomaly_score"]:.3f}')
                await asyncio.sleep(0.01)

Переваги unsupervised підходу над supervised

Unsupervised anomaly detection кращий за supervised у 2-3 рази за швидкістю впровадження і не вимагає дорогої розмітки дефектів. Порівняйте: на збір 500 розмічених дефектів може піти місяць і $10 000 праці технологів, а PatchCore навчається на 120 нормальних знімках — це 2 дні зйомки. При цьому точність практично не поступається supervised: різниця 0.5% AUROC не критична для більшості виробництв.

Результати на реальних кейсах

Виробництво пластикових компонентів: 8 типів дефектів, 120 нормальних зображень для навчання PatchCore, 0 дефектних при навчанні.

Наш підхід: що входить в роботу

Наша компанія має 10+ років досвіду та реалізувала 50+ проєктів у промисловому комп'ютерному зорі. Ми пропонуємо:

• Аудит виробництва — оцінка умов зйомки, частоти дефектів, вимог до latency.
• Збір та розмітка даних — ми допомагаємо зібрати 50–200 нормальних знімків.
• Навчання моделі — кастомізація PatchCore під вашу продукцію, підбір порогу.
• Інтеграція з ПЛК — налаштування OPC-UA, написання скрипту управління відбракуванням.
• Тестування та валідація — прогін на історичних даних, замір продуктивності.
• Документація та навчання — API, інструкція оператора, регламент обслуговування.
• Гарантійна підтримка 3 місяці — віддалений супровід та доналаштування.

Порівняння підходів: unsupervised vs supervised

Терміни

Зв'яжіться з нами — ми оцінимо ваш проєкт за 2 дні. Отримайте консультацію з впровадження AI-контролю якості без ризику та з гарантією результату.

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.