Розробка системи детекції дефектів на виробництві (Visual Inspection)

import torch from anomalib.models import PatchCore from anomalib.data import MVTec from anomalib import TaskType class ProductionAnomalyDetector: def __init__(self, model_type: str = 'patchcore'): self.model = PatchCore( backbone='wide_resnet50_2', pre_trained=True, coreset_sampling_ratio=0.1, num_neighbors=9 ) def train(self, normal_images_dir: str): self.model.fit(normal_images_dir) def predict(self, image_path: str) -> dict: result = self.model.predict(image_path) return { 'anomaly_score': float(result.pred_score), 'is_defective': result.pred_label == 1, 'anomaly_map': result.anomaly_map, 'defect_regions': self._extract_regions(result.anomaly_map) } 

PatchCore дає передові показники на бенчмарку MVTec AD: Image-level AUROC 99.1%, Pixel-level AUROC 98.1%, навчання 10 хвилин на 200 нормальних зображеннях. Це дозволяє впровадити детекцію за 4–6 тижнів без дорогої розмітки. PatchCore перевершує EfficientAD на 2% AUROC на цьому бенчмарку.

Коли варто використовувати supervised детекцію

Якщо типи дефектів відомі і є розмічена вибірка, використовуємо YOLOv8. Дропаємо донавчену модель на інференс з латентністю менше 50 мс. Порівняння: supervised підхід на 200 розмічених дефектах дає mAP 0.95, в той час як anomaly detection — 0.91. Тобто YOLOv8 дає точність у 1.04 рази вищу, але потребує розмітки. Рішення: комбінувати обидва підходи.

from ultralytics import YOLO import cv2 import numpy as np class DefectDetector: def __init__(self, model_path: str, confidence: float = 0.5): self.model = YOLO(model_path) self.confidence = confidence self.critical_defects = ['crack', 'deep_scratch', 'hole'] self.minor_defects = ['surface_scratch', 'small_dent', 'discoloration'] def inspect(self, image: np.ndarray) -> dict: results = self.model(image, conf=self.confidence) defects = [] for box in results[0].boxes: defect_type = self.model.names[int(box.cls)] defects.append({ 'type': defect_type, 'severity': 'critical' if defect_type in self.critical_defects else 'minor', 'bbox': box.xyxy[0].tolist(), 'confidence': float(box.conf), 'area_px': self._bbox_area(box.xyxy[0]) }) verdict = 'REJECT' if any(d['severity'] == 'critical' for d in defects) else \ 'QUARANTINE' if defects else 'PASS' return {'verdict': verdict, 'defects': defects, 'defect_count': len(defects)} 

Чи підходить машинний зір для вашого виробництва? (H2)

Якщо ваша продукція має стабільні геометрію та освітлення, а дефекти повторювані — так. Ми пропонуємо безкоштовний аудит для оцінки.

Які типові помилки виникають при впровадженні visual inspection

• Недостатнє освітлення — нестабільне світло веде до хибних спрацьовувань. Рішення: стробоскоп з синхронізацією або рівномірне освітлення з контролем.
• Погана калібровка камери — спотворення перспективи знижує точність вимірювань. Потрібна регулярна калібровка по мішені.
• Ігнорування варіативності нормальних виробів — anomaly detection може бракувати допустимі відхилення. Збирайте репрезентативну вибірку норми.
• Latency не вкладається в такт конвеєра — якщо час інференсу перевищує цикл, деталь йде у відбраковувач із запізненням. Запасайтесь GPU або використовуйте TensorRT.

Як система інтегрується з конвеєром

Для вбудовування у виробничу лінію критична синхронізація:

• Trigger: датчик (фотобар'єр) фіксує деталь в зоні зйомки → сигнал камері
• Exposure control: стробоскоп синхронізований з камерою (freeze motion)
• Latency: від тригера до рішення менше 100 мс для більшості ліній
• Rejection mechanism: пневматичний штовхач або дивертер спрацьовує за сигналом

class ConveyorInspectionSystem: def __init__(self, camera, detector, plc_client): self.camera = camera self.detector = detector self.plc = plc_client def on_trigger(self, trigger_signal): image = self.camera.capture() result = self.detector.inspect(image) if result['verdict'] in ['REJECT', 'QUARANTINE']: delay_ms = self.calculate_transport_delay() self.plc.schedule_rejection(delay_ms, result['verdict']) self.log_result(result) 

Процес роботи: від аудиту до введення в експлуатацію

Що входить в роботу

• Навчена модель (ансамбль або єдина)
• Контейнер інференсу (Docker)
• Документація по експлуатації та інтеграції
• Навчання операторів (1–2 дні)
• Гарантія 6 місяців
• Пост-реліз: донавчання моделі при зміні матеріалів (1–2 дні)

Результати на виробництві

На металевих деталях (подряпини, тріщини) досягнуті наступні метрики:

• Recall дефектів (PatchCore): 96–99%
• Precision: 91–97%
• Throughput: до 1200 деталей/год при latency 80 мс

Щоб оцінити застосовність computer vision на вашому виробництві, зв'яжіться з нами — ми проведемо безкоштовний аудит і надамо прототип за 2 тижні. Отримайте консультацію — надішлемо детальний гайд по впровадженню visual inspection.