Что проверяли, а не что уже автоматизировали

Хорватское микропредприятие Deltasort изучает роботизированную сортировку отходов. В августе 2026 года сеть европейских цифровых инновационных хабов описала проведённый для него этап «проверь до инвестиций»: специалисты CROBOHUB++ исследовали, как находить предметы на конвейере и выбирать точку захвата вакуумной присоской. Это не история о готовой линии с доказанной экономией. Результатом стали испытания методов на реальных данных, технические отчёты и более осмысленный выбор датчиков и алгоритмов.

Бизнес-задача знакома любому небольшому производству с неодинаковыми объектами: хочется убрать ручную рутину, но ошибка робота дорого обходится. Коробка из-под напитка может быть смята, сложена и частично скрыта другой упаковкой. Для человека её форма понятна; для системы, настроенной по аккуратной картинке из каталога, это уже другой предмет. Внутрик с лупой на нашей обложке, конечно, разглядел бы каждый сгиб. Конвейер ждать его научного восторга не станет.

Почему обычной камеры мало

Задача делится на две части. Сначала нужно отделить предмет от фона и соседнего мусора — получить маску объекта. Затем определить, куда безопасно приложить присоску и где ожидается герметичный контакт. Точка в центре прямоугольной рамки вокруг предмета для этого не годится: она может оказаться на складке, отверстии или поверхности соседней упаковки.

По описанию европейского хаба, команда сравнивала методы сегментации, подходы к поиску плоских поверхностей и выбору точек захвата по обычным RGB-кадрам и RGB-D-данным, где добавлена глубина. Среди проверенных открытых методов названы SuctionNet, KNN, Sobel и RANSAC. Это разные инструменты, а не четыре готовых взаимозаменяемых «ИИ-продукта»: часть опирается на обучение, часть — на геометрию и обработку изображения. Их сочетание зависит от формы отходов и качества съёмки.

В испытании использовали 98 RGB-D-изображений с реальной сортировочной установки. Хаб сообщает также о большой вариативности размера сегментированного облака точек: в среднем 16 265 точек при стандартном отклонении 8 411. Это иллюстрирует неоднородность кадров, но само по себе ничего не говорит о проценте успешных захватов. Такого показателя источник не приводит. Нельзя превращать число кадров или точек в заявление о производительности линии.

Как выглядел бы практический контур

Для пилота на действующем конвейере мы бы разделили систему на пять проверяемых узлов. Это редакционная схема внедрения на основе описанного испытания, а не утверждение о фактической конфигурации Deltasort.

  • Камера с фиксированным освещением снимает область захвата. Если глубина действительно улучшает выбор точки, добавляется RGB-D-датчик; его стоимость и устойчивость к пыли проверяются отдельно.
  • Сегментация выделяет предмет и оценивает уверенность. Неуверенные кадры направляются в ручной поток, а не подталкивают робота к случайному движению.
  • Модуль геометрии ищет плоскую область и допустимую ориентацию присоски; правила исключают края ленты, перекрытия и недоступные зоны.
  • Контроллер робота исполняет только проверенную команду. Срабатывание вакуума, перемещение и отпускание подтверждаются датчиками, а не красивой маской на экране.
  • Журнал сохраняет кадр, решение, исход попытки и тип ошибки. Без этого невозможно понять, что исправлять: оптику, модель, механику или исходный поток отходов.

Большая языковая модель здесь не нужна на горячем пути захвата. Для миллисекундного решения уместнее специализированное компьютерное зрение и геометрия, которые можно исполнять рядом с линией. LLM может помочь позже — суммировать сменные отчёты или искать повторяющиеся причины сбоев в журнале. Но она не должна непосредственно выбирать движение манипулятора по текстовому описанию кадра.

Данные и границы пилота

Главная покупка на старте — не модель, а репрезентативные наблюдения. В выборку должны попасть смятые пакеты, разные материалы, перекрытия, загрязнение, смены освещения и скорость ленты. Изображения следует размечать с участием технолога: что является отдельным предметом, какие поверхности реально захватываются, какие ошибки критичны. Учебные и тестовые кадры нужно разделять по сменам или партиям, иначе почти одинаковые соседние кадры создадут ложное ощущение качества.

На испытательном стенде полезно мерить не одну «точность ИИ», а связку метрик: долю правильно найденных объектов, успешных захватов с первой попытки, ложных захватов, повреждений, пропусков, время цикла и число ручных вмешательств. Отдельно считайте ошибки для наиболее неудобной тары. Для малого предприятия даже высокая средняя точность может не окупиться, если система регулярно останавливается на редком, но частом в реальном потоке типе упаковки.

Методология NIST AI Risk Management Framework полезна как независимая рамка: проверять систему в контексте будущего применения, документировать ограничения и не считать лабораторную оценку доказательством надёжной работы после внедрения. Это не нормативное требование для российского завода, а практическая дисциплина измерений.

Экономика без придуманной окупаемости

Публикация хаба не раскрывает капитальные затраты, длительность цикла, штат до и после автоматизации или стоимость простоя. Поэтому честного расчёта ROI по кейсу нет. Перед закупкой оборудования владелец может построить модель на собственных данных: количество предметов в час × доля успешно автоматизированных захватов × экономия ручного времени, затем вычесть стоимость датчиков, робота, интеграции, обслуживания, электричества и остановок.

Важен не только средний сценарий, но и плохой: грязный объектив, новая форма упаковки, сдвинувшаяся камера, переполненный поток. Если при таких условиях оператору всё равно приходится стоять у линии постоянно, сокращение ручной работы может оказаться минимальным. Пилот должен ответить на этот вопрос до капитального бюджета.

Практический первый шаг — собрать короткую сменную выборку с существующей линии и вместе с технологом составить перечень пяти–семи самых неприятных сценариев. Затем сравнить простой базовый алгоритм, RGB-D и ручной процесс на одних и тех же партиях. Решение о роботе принимайте только после измерения успешных захватов, времени цикла и стоимости отказа. Кейс Deltasort ценен именно этой последовательностью: сначала доказать, что система видит и может взять реальный предмет, и только потом обещать автоматизацию.