Кейс: малое производство начинает не с большой модели, а с эталона нормы

Staff Jersey — итальянский производитель трикотажных тканей с 10–49 сотрудниками и оборотом около €6,5 млн. В проекте с европейским цифровым инновационным хабом ER2Digit и Centro Qualità Tessile компания проверила автоматическое выявление дефектов полотна. Официальная карточка кейса опубликована 14 октября 2025 года.

Задача знакома многим небольшим производствам: оператор монотонно следит за движущейся поверхностью, а ассортимент меняется чаще, чем накапливается размеченный датасет. Пятно, разрыв или сбой рисунка встречаются редко, но пропуск стоит брака, переделки и претензий клиента. Классический проект компьютерного зрения упирается в нехватку реальных дефектов каждого вида.

В пилоте использовали два приёма. Сначала оператор подтверждает чистый участок нового полотна, и система принимает его как текущий образец «нормы». Затем из изображений годной ткани создаются полусинтетические дефекты и маски сегментации. Это позволяет обучать локализацию аномалий без ручной обводки каждой искусственной царапины или дырки.

Что именно сделали в цехе

Официальное описание приводит практичные детали установки. Рядом со станком закрепили GoPro HERO13 Black с макрообъективом и пультом. Камера опиралась на заземлённый конструктивный элемент, а существующую лампу выровняли так, чтобы уменьшить тени. Ткань проходила через поле зрения, снимки делались автоматически каждые пять секунд.

Изображения высокого разрешения обрабатывались скользящими окнами в нескольких масштабах. Модель формировала для каждого пикселя карту аномальности от 0 до 1. В итоговую оценку фрагмента превращался 97,5-й процентиль значений: единичный шумный пиксель не должен был определять весь результат, но заметная локальная аномалия повышала оценку.

У контура есть четыре инженерные части:

  • стабильная оптика, освещение и геометрия съёмки;
  • регистрация артикула, рулона, рисунка, скорости и момента смены рецептуры;
  • эталон годного полотна, подтверждённый оператором;
  • модель, порог решения и рабочий маршрут для предупреждения.

Блик от лампы, вибрация крепления или другой масштаб вязки способны сдвинуть входные данные сильнее, чем настоящая аномалия.

Почему динамический эталон полезен

Для производства с короткими сериями один общий класс «нормальная ткань» слишком широк. Синий меланж, тонкий однотонный трикотаж и контрастный узор имеют разные текстуры. Попытка собрать все варианты в один фиксированный датасет быстро превращает внедрение в бесконечную разметку.

Динамический эталон меняет постановку. После переналадки технолог подтверждает первый участок как годный, система сохраняет его вместе с параметрами партии и ищет отклонения уже относительно конкретного режима. Это не отменяет обучение базовой модели, но уменьшает разрыв между историческими данными и текущим заказом.

Для безопасной эксплуатации подтверждение эталона должно быть отдельным контролируемым действием. Нельзя позволять системе молча принять дефектный старт рулона за норму. Нужны:

  • имя или идентификатор ответственного;
  • фотография и время подтверждения;
  • привязка к партии, артикулу и настройкам машины;
  • возможность быстро отозвать ошибочный эталон;
  • журнал всех смен эталона и версии модели.

Человек здесь не резервный элемент после сбоя ИИ, а владелец определения «годно» для текущей партии.

Зачем синтетические дефекты — и где их предел

Методы обнаружения поверхностных аномалий могут обучаться преимущественно на годных изображениях. Исследование DRAEM показывает подход, в котором искусственные аномалии помогают модели одновременно восстанавливать нормальную поверхность и локализовать отклонение. Полусинтетические примеры особенно полезны, когда реальный дефект редок, а ручная пиксельная разметка дорога.

Синтетика быстро создаёт разнообразие форм и автоматически даёт маски для сегментации. Но генератор воспроизводит только заложенную в него логику. Реальная затяжка нити, загрязнение смазкой, складка или дрожание полотна могут выглядеть иначе. Поэтому синтетические данные нельзя смешивать с контрольным набором и использовать как единственное доказательство качества.

Отложенный тест должен состоять из реальных примеров, которых модель не видела. Соседние фрагменты одного рулона нельзя случайно распределять между обучением и тестом: их фон и структура почти одинаковы, и результат будет завышен. Правильная единица разделения — рулон, партия или производственный запуск.

Как читать заявленные 99,93%

В карточке EDIH описан тест из 200 фрагментов размером 256×256, не использованных при обучении: 100 нормальных и 100 реальных дефектных. Дефектные примеры — разрывы, пятна и нарушения рисунка — были отобраны вручную. Для этого набора сообщаются AUROC 99,93%, AUPRC 99,93% и точность 99,50% при пороге 0,5.

Цифры показывают, что на данном небольшом и сбалансированном наборе модель почти полностью разделила выбранные нормальные и дефектные фрагменты. Но они не отвечают на главный производственный вопрос.

AUROC и AUPRC оценивают ранжирование оценок при разных порогах. Они не выбирают момент, когда линия должна предупредить оператора. Accuracy на наборе, где дефекты составляют 50%, также нельзя переносить на поток, где их доля может быть долями процента. На реальной линии тысячи нормальных окон способны породить заметное число ложных тревог даже при высокой специфичности.

Перед внедрением нужны как минимум:

  • полнота по каждому критичному типу дефекта;
  • число ложных тревог на рулон, час и тысячу метров;
  • задержка между появлением дефекта и предупреждением;
  • доля площади или длины полотна, которую камера реально покрывает;
  • результаты отдельно по материалам, рисункам, скорости и сменам;
  • качество на полностью новых рулонах и в естественной частоте брака.

Порог выбирают не по красоте ROC-кривой, а по цене решения. Если пропущенный разрыв уничтожает рулон, чувствительность важнее. Если каждая ложная остановка сбивает режим и создаёт новый брак, порог должен учитывать эту стоимость.

Архитектура локального контура

Для этой задачи не нужна большая языковая модель. Небольшая модель компьютерного зрения может работать на промышленном компьютере или рабочей станции рядом с линией. Высокодетальные изображения ткани, рецептуры и сведения о заказах остаются внутри предприятия.

Практичный контур выглядит так:

  • сервис камеры получает кадры и контролирует экспозицию, резкость и пропуски;
  • реестр партии хранит артикул, рулон, скорость и действующий эталон;
  • локальный сервис режет изображение на окна, выполняет инференс и собирает карту аномалий;
  • правила объединяют соседние окна в одно событие и подавляют повторы;
  • буфер сохраняет несколько кадров до и после тревоги;
  • оператор подтверждает дефект, отклоняет тревогу или отправляет случай технологу;
  • подтверждённые события попадают в журнал качества и набор для следующей версии;
  • мониторинг отслеживает частоту тревог, дрейф освещения и смену распределения оценок.

На первом этапе система работает в теневом режиме и не останавливает оборудование. Автоматический останов допустим только после проверки задержек, отказоустойчивости и стоимости ложной команды. Безопаснее начинать с подсветки зоны и рекомендации оператору.

Экономика: считать не изображения, а метр ткани

Модельный расчёт следует привязать к физическому результату. Допустим, линия выпускает M метров в месяц, средняя маржинальная потеря от незамеченного дефекта составляет L рублей на метр, а пилот сокращает длину брака на долю R. Тогда ожидаемая месячная выгода от предотвращённого брака — M × доля дефектного выпуска × L × R.

Из неё нужно вычесть:

  • стоимость камеры, света, крепления и вычислителя;
  • интеграцию с идентификаторами партий и журналом качества;
  • время технолога на эталоны и разбор тревог;
  • потери от ложных остановок;
  • поддержку, калибровку и переобучение.

Это модель, а не обещание окупаемости. До пилота предприятие должно взять собственные данные за три-шесть месяцев: объём переделки, списания, претензии, время ручного контроля и стоимость остановки. Если этих цифр нет, проект сначала улучшает учёт качества, а уже потом доказывает эффект ИИ.

30-дневный пилот без дорогой интеграции

Первый месяц можно провести без команды на останов линии.

1. Выберите три-пять семейств ткани, 20–30 рулонов и два-три экономически важных дефекта.
2. Зафиксируйте камеру, свет, частоту кадров и связь с идентификатором рулона; измерьте слепые зоны при разных скоростях.
3. Соберите чистые эталоны и реальные дефекты. Разделите обучение и проверку целыми рулонами.
4. Добавьте синтетические аномалии только в обучение и сохраните их происхождение.
5. Запустите систему в теневом режиме. Оператор продолжает обычный контроль, а оценки модели не влияют на решение.
6. Сравните события после смены: пропуски, ложные тревоги на рулон, задержку и время подтверждения.
7. Настройте порог по рублёвой стоимости ошибок и повторите тест на новых партиях.

Успех пилота — согласованный предел пропусков, приемлемое число ложных тревог, нужное покрытие и понятный срок окупаемости. Даже отрицательный результат покажет, где проблема: в оптике, эталоне, данных или модели.

Что взять руководителю

Кейс Staff Jersey показывает реалистичный путь для малого производства: стабилизировать съёмку, дать технологу управляемый эталон нормы, использовать синтетические дефекты для старта и проверять результат на новых реальных рулонах.

Следующий шаг — не закупка сложной платформы. Возьмите одну линию, 20–30 рулонов и месяц теневого теста. Считайте дефекты и ложные тревоги на единицу выпуска, а порог выбирайте по цене ошибки. Тогда красивая метрика превращается в управляемое решение о внедрении.