AI-детекція дефектів через камеру мобільного застосунку

Стандартні machine vision системи (Cognex, Keyence) ефективні, але дорогі та жорстко прив'язані до лінії. Мобільний інспектор на базі AI — гнучка альтернатива: він дешевший, мобільніший, не вимагає перестановки обладнання. Однак виникають нові інженерні виклики: нестабільне освітлення, різна відстань до об'єкта, вібрація при ручному захопленні. Ми вирішуємо їх за допомогою on-device AI, заточеного під ваш процес. За плечима більше 5 років досвіду в промисловому комп'ютерному зорі, 30+ впроваджень на виробництвах. Економія до 40% у порівнянні з готовими системами — не рідкість. Зверніться до нас за консультацією — допоможемо підібрати оптимальне рішення.

AI-детекція дефектів через камеру мобільного застосунку: технічні виклики

Кожна мілісекунда на рахунку, а інтернет в цеху — розкіш. On-device інференс виключає затримки та залежність від мережі. Розмір моделі обмежений RAM пристрою, швидкість — вимогами throughput.

// iOS: промышленная детекция дефектов через CoreML
class DefectDetectionEngine {
    private let model: VNCoreMLModel
    private var confidenceThreshold: Float = 0.5 // регулируется на стенде
    private var iouThreshold: Float = 0.45 // Для стабильного FPS — отдельная очередь
    private let inferenceQueue = DispatchQueue(
        label: "defect.inference",
        qos: .userInteractive
    )

    func analyze(sampleBuffer: CMSampleBuffer) async throws -> [DefectDetection] {
        guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else {
            throw DefectError.invalidFrame
        }
        return try await withCheckedThrowingContinuation { continuation in
            inferenceQueue.async {
                let request = VNCoreMLRequest(model: self.model) { req, error in
                    if let error = error {
                        continuation.resume(throwing: error)
                        return
                    }
                    let detections = (req.results as? [VNRecognizedObjectObservation])?
                        .filter { $0.confidence >= self.confidenceThreshold }
                        .map { obs in
                            DefectDetection(
                                type: DefectType(rawValue: obs.labels.first?.identifier ?? "") ?? .unknown,
                                confidence: obs.confidence,
                                boundingBox: obs.boundingBox, // нормализованный [0,1]
                                severity: self.classifySeverity(obs)
                            )
                        } ?? []
                    continuation.resume(returning: detections)
                }
                request.imageCropAndScaleOption = .scaleFill
                let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer)
                try? handler.perform([request])
            }
        }
    }
}

Продуктивність. YOLOv8n в CoreML на iPhone 14: ~15 мс на інференс (66 FPS потенційно). YOLOv8s: ~25 мс. Для лінії з вимогою > 30 кадрів/сек при ручному утриманні — n-варіант.

Стабілізація зображення для ручного сканування — ai детекція дефектів

Вібрація рук — ворог дрібних дефектів. Декілька технік: буферизація кадрів з відбором по різкості (лапласіан), автоматична експозиція, оптична стабілізація, якщо доступна.

// Буферизация кадров + выбор наиболее чёткого
class StabilizedFrameSelector {
    private var frameBuffer: RingBuffer<CMSampleBuffer> = RingBuffer(capacity: 8)
    private var sharpnessScores: [Float] = []
    
    func addFrame(_ buffer: CMSampleBuffer) {
        let sharpness = computeLaplacianVariance(buffer)
        frameBuffer.push(buffer)
        sharpnessScores.append(sharpness)
    }
    
    // Для анализа — берём кадр с пиковой резкостью за последние N кадров
    var bestFrame: CMSampleBuffer? {
        guard let maxIdx = sharpnessScores.indices.max(by: { sharpnessScores[$0] < sharpnessScores[$1] }) else {
            return nil
        }
        return frameBuffer[maxIdx]
    }
}

Також: AVCaptureDevice.activeVideoMinFrameDuration + exposureMode = .continuousAutoExposure + стабілізація через videoStabilizationMode = .cinematic.

Як донавчати модель на реальних даних?

Готових датасетів для специфічного виробництва немає. Потрібна своя розмітка. Процес:

1. Зйомка 200–500 зразків на виробництві (нормальні + дефектні)
2. Розмітка в Label Studio або CVAT (bounding boxes + класи дефектів)
3. Аугментація: яскравість ±30%, обертання ±15°, горизонтальний flip, gaussian noise — імітація реальних умов зйомки
4. Навчання YOLOv8s/m (залежить від вимог по швидкості)
5. Конвертація в CoreML (.mlpackage) або TFLite
6. Ітераційне донавчання по помилках з виробництва — кожні 2–4 тижні

# Дообучение на новых данных производства
from ultralytics import YOLO

model = YOLO("defect_detection_v2.pt")  # предыдущая версия как база

results = model.train(
    data="production_defects.yaml",
    epochs=50,
    imgsz=640,
    batch=16,
    lr0=0.001,  # меньший LR для fine-tuning
    freeze=10,  # заморозить первые 10 слоёв backbone
    augment=True,
    hsv_h=0.015,
    hsv_s=0.7,
    degrees=10.0,
    translate=0.1,
    scale=0.5,
    mosaic=1.0
)

Кожні 2–4 тижні ми донавчаємо модель на нових виробничих даних, що підвищує точність до 98%. Зверніться до нас для аудиту ваших даних — ми оцінимо необхідний обсяг розмітки.

Як ми інтегруємо рішення з вашими системами?

Мобільний інспектор повинен фіксувати результати в MES/ERP системі. Використовуємо offline-first підхід: спочатку локальне зберігання в Room/CoreData, потім синхронізація через REST/GraphQL при появі мережі. Це гарантує, що жодна інспекція не загубиться.

// Android: отправка результата инспекции
data class InspectionResult(
    val productId: String,
    val batchId: String,
    val inspectorId: String,
    val timestamp: Instant,
    val detections: List<DefectDetection>,
    val verdict: InspectionVerdict, // PASS, FAIL, REVIEW
    val imageUrl: String, // сохранённое фото с аннотациями
    val deviceId: String
)

suspend fun submitInspection(result: InspectionResult) {
    // Сначала — локальная очередь (производство может быть без Wi-Fi)
    localQueue.enqueue(result)
    // Синхронизация при появлении сети
    syncManager.triggerSync()
}

Offline-first принципово важливий: цеховий Wi-Fi нестабільний, втрата результату інспекції неприпустима.

Задача: специфіка промислового контролю якості

Дефекти на виробництві кардинально відрізняються за типом в залежності від галузі. Нижче — приклади найбільш поширених випадків.

Для кожної галузі — своя модель. Універсальна модель дефектів не працює: те, що є дефектом на PCB, може бути нормою на металі.

Що входить в нашу роботу?

Всі компоненти налаштовуються під ваші виробничі процеси.

Орієнтири за строками

MVP з базовою моделлю (200–300 розмічених зразків), on-device інференс, локальна історія інспекцій — 3–4 тижні. Повна система з донавченою моделлю під конкретний виробничий процес, стабілізацією зображення, offline-first синхронізацією з MES/ERP, dashboard статистики дефектів та підтримкою iOS + Android — 2–3 місяці. Точна вартість розраховується індивідуально після аудиту вашого виробництва.

Окупність такого рішення — менше 6 місяців за рахунок зниження браку та прискорення контролю. Зв'яжіться з нами для оцінки вашого проекту. Замовте пілотне впровадження вже сьогодні.

Згідно документації Apple, on-device інференс забезпечує конфіденційність та швидкість.