Короткий вывод

В кейсе, опубликованном интегратором Xylos 31 августа 2026 года, фламандский производитель микрокомпонентов и функциональных добавок для кормов проверяет швы заполненных мешков локальной системой компьютерного зрения. По словам Xylos, рабочий вариант занял 16 недель; целями были обнаружение не менее 90% дефектов, менее 5% ложных тревог и решение менее чем за секунду. Система построена на двух моделях и узлах Raspberry Pi у линии, а не на облачном генеративном чат-боте.

Это содержательный пример для предприятий, где дефект можно увидеть камерой до того, как он станет возвратом, браком или потерянным заказом. Но цифры опубликованы интегратором, клиент не назван, а независимый аудит, стоимость проекта и полная методика подсчёта в открытом кейсе не приводятся. Переносить стоит логику пилота и архитектуру, а не обещанные проценты.

Задача: не пропустить шов, который откроется уже в пути

Компания производит микрокомпоненты и добавки для кормовой отрасли, работает с международными покупателями и объединяет производство, лабораторию, логистику и коммерческую функцию на одной основной площадке. По описанию Xylos, дефект запайки заполненного мешка трудно заметить невооружённым глазом. Иногда проблема обнаруживалась после протечки при перевозке, когда груз уже мог получить отказ на экспортном рынке.

Проверять каждый мешок вручную на нескольких непрерывных линиях было нереалистично; выборочный контроль оставлял шанс пропустить дефект между проверками. Поэтому критерии поставили до разработки: видеть как минимум 90% дефектов, держать долю ложных тревог ниже 5% и выдавать решение меньше чем за секунду — в ритме самой линии.

Важно, что это задача с наблюдаемым физическим признаком, а не с размытым понятием «хорошего качества». Камера может увидеть положение мешка и его шов; производственный персонал заранее определяет, какие отклонения считаются браком и что система должна делать при сомнении. Это гораздо более подходящий первый шаг для машинного зрения, чем просьба «проверять весь завод».

Что именно было построено

Кейс описывает конвейер из двух моделей:

1. YOLOX в реальном времени находит мешок и отслеживает его положение и движение. Это помогает анализировать нужную область, а не весь кадр.
2. EfficientAD ищет аномалии в шве. Модель обучается на изображениях нормальных швов и отмечает отличия, поэтому заранее перечислить и размечать каждый возможный тип дефекта не обязательно.

Модели запущены локально на сети Raspberry Pi с центральным контроллером. Интегратор объясняет выбор edge-архитектуры требованиями по задержке и стоимостью по сравнению с промышленным ПК. Конкретные версии плат, камеры, оптики, освещения, контроллера и общая смета не опубликованы. Поэтому корректный вывод — «в этом проекте использовали локальные вычислительные узлы Raspberry Pi», но не «любая линия справится на таком же комплекте» и не «внедрение всегда дешевле облака».

Система две недели работала параллельно с прежним человеческим контролем: обнаружения сравнивали с решениями инспекторов и настраивали пороги. После этого она стала основным средством проверки, а операторы остались страховочным уровнем. На момент описания кейса, по заявлению интегратора, промышленная эксплуатация продолжалась шесть месяцев.

Такой переход важнее эффектной фразы «ИИ заменил проверку». Режим сравнения даёт команде возможность найти пропуски до того, как автоматическое решение начнёт влиять на выпуск. А человек остаётся рядом, чтобы заметить новый материал, сбой камеры или ситуацию, которую тестовая выборка не покрывала.

Как это устроено на линии

Компьютерное зрение — не один нейросетевой файл. Для рабочего контроля нужна согласованная цепочка:

  • датчик или сигнал сообщает, когда мешок входит в зону контроля;
  • камера снимает шов при повторяемом расстоянии и освещении;
  • модель определяет объект и анализирует нужную область;
  • контроллер получает результат в пределах временного бюджета;
  • механизм отвода или оператор выполняет действие по заранее утверждённому правилу;
  • событие сохраняется так, чтобы технолог мог разобрать спорный случай.

В кейсе Xylos раскрыты модели, локальный запуск и высокоуровневый принцип контроля, но не описаны камера, связь с контроллером линии, интерфейс оператора и хранение кадров. Для следующего предприятия это обязательные вопросы обследования, а не детали, которые можно додумать по странице кейса.

Бюджет задержки тоже следует считать для всей цепочки: экспозиция, передача изображения, обработка, передача решения и время срабатывания отвода. Если мешок движется быстро, «модель отвечает за 300 мс» не гарантирует, что весь участок успеет безопасно убрать его с линии. Порог следует проверять на фактической скорости и реальной геометрии оборудования.

Какие данные потребуются

Для простого контролируемого пилота не обязательно начинать со сложной платформы данных. Но нужно собрать изображения, которые представляют реальный процесс:

  • исправные швы при обычных режимах;
  • дефекты разных размеров и тяжести;
  • мешки после разных смен, партий материала и настроек запайки;
  • нормальные изменения положения, складок и бликов, которые не являются браком;
  • пограничные примеры, по которым инспекторы могут расходиться во мнении.

Нельзя ограничиться десятком красивых примеров из лаборатории. На линии меняются свет, скорость, угол мешка, пыль на объективе и свойства плёнки. Обзор исследований промышленного компьютерного зрения подчёркивает, что изменение освещения, камеры, поверхности и производственной партии может ухудшить результат, а качество снимка иногда важнее выбора более крупной модели. OECD также отмечает для производственных ИИ-систем проблемы с доступностью и разметкой данных, устаревшей инфраструктурой и высокой стоимостью оснащения.

Поэтому протокол пилота должен отделять обучающие изображения от проверки на новых партиях и сменах. Иначе система просто запомнит фон и освещение конкретного дня. При изменении поставщика упаковки, камеры, объектива, света или скорости линии контроль нужно повторить; это не обязательно означает переобучение, но требует проверки на новых примерах.

Пилот, который не остановит производство

Практичный запуск можно построить поэтапно:

1. **Описать цену ошибки.** Посчитать последствия пропуска дефекта, ложного отвода, простоя и ручной перепроверки. Согласовать с качеством, что именно считается дефектом.
2. **Выбрать один участок.** Зафиксировать продукт, линию, скорость, тип упаковки, камеру и освещение. Не расширять проект на весь ассортимент до первых результатов.
3. **Собрать базовую выборку.** Проверить обычные и дефектные образцы вместе с технологом и инспекторами. Пометить источник каждого примера и условия съёмки.
4. **Сначала работать в режиме наблюдения.** Система выдаёт метку, но не управляет отводом. Сотрудник независимо фиксирует вердикт, и команда разбирает расхождения.
5. **Проверить заранее заданные показатели.** Считать долю найденных дефектов, ложные тревоги, задержку всей цепочки и стабильность между сменами.
6. **Включать ограниченное действие.** Разрешить автоматический отвод только для проверенного класса дефекта, оставить оператору разбор пограничных случаев и предусмотреть быстрый обходной режим.
7. **Назначить владельца эксплуатации.** Кто очищает оптику, сверяет пороги, реагирует на дрейф и сохраняет спорные кадры? Если это никто не делает, даже хороший пилот со временем станет непредсказуемым.

В кейсе двухнедельное параллельное сравнение предшествовало переходу к основному автоматическому контролю. Для другой линии две недели могут быть недостаточны, если за это время не встречаются редкие дефекты или сменные условия. Продолжительность определяется разнообразием реальных событий, а не календарём интегратора.

Модельная экономика — не оценка кейса

Xylos не раскрывает цену проекта и размер предотвращённых потерь, поэтому ROI компании по открытой публикации посчитать нельзя. Для внутреннего обсуждения можно использовать прозрачную модель. Допустим, линия выпускает 20 000 мешков в месяц, историческая доля дефектов — 0,5%, система действительно обнаруживает 90% этих дефектов, а предотвращаемые расходы на один протёкший мешок условно равны 800 ₽.

Тогда модельный валовой эффект от найденных дефектов до прочих расходов составит:

20 000 × 0,5% × 90% × 800 ₽ = 72 000 ₽ в месяц.

Это не фактическая экономия и не результат кейса. В расчёте не учтены стоимость камер и освещения, установка, интеграция с линией, ложные тревоги, повторная проверка, обслуживание, амортизация, редкие тяжёлые случаи и то, какая доля потерь уже предотвращается существующим контролем. Подставьте свои данные и считайте диапазон. Если окупаемость возникает только при идеальных предположениях, сначала улучшите базовый процесс контроля, а не покупайте систему.

Где локальный ИИ уместен — и где нужна осторожность

Локальный компьютерный модуль подходит, когда решение требуется в жёстком временном цикле, изображение связано с технологическим процессом или отправлять производственные кадры во внешний сервис нежелательно. Но «локально» не означает «бесплатно» или «не требует сопровождения»: остаются камеры, свет, крепления, вычислительный узел, связь с контроллером, замены и проверка обновлений.

Эта задача не требует RAG: сведения о процедуре проверки важны для инструкций оператору, но сам шов оценивается по кадру, а не поиском по документам. И генеративный агент не должен самостоятельно менять параметры линии. Для объяснения решения, подготовки журнала или поиска инструкции можно отдельно применить языковую модель, но контур управления качеством должен оставаться детерминированным и проверяемым.

Если изготовитель меняет упаковку, качество камеры падает или система начинает чаще отправлять исправные изделия на повторную проверку, должен быть ясный сигнал и безопасный возврат к ручной инспекции. «Модель уверена» не заменяет технологическое подтверждение.

Что взять руководителю

У этого кейса полезны не только результаты, но и порядок действий: сначала нашли измеримую и дорогую ошибку, затем согласовали критерии качества, поставили локальный контроль на одном процессе, две недели сравнивали его с человеком и только после этого сделали автоматическую проверку основной.

Поставщик сообщает о достижении 90% обнаружения, менее 5% ложных тревог и решении менее чем за секунду, однако клиент не назван и независимая проверка не представлена. Используйте кейс как перечень вопросов к собственному пилоту, а не как обещание такого же эффекта.

**Что взять руководителю:** попросите производство и качество выбрать один повторяемый дефект, показать реальные образцы и заранее оценить стоимость пропуска и ложного отвода. Затем запускайте машинное зрение в режиме наблюдения на одной линии — до подключения автоматического управления.