Что именно проверила 24 Vision

24 Vision — небольшая чешская компания из сегмента машинного зрения, в которой, по карточке European Digital Innovation Hubs, работает от 10 до 49 человек. Компания хотела перейти от правил вида «если контраст выше порога — это дефект» к классификации дефектов с помощью машинного обучения. Но перед ней стояла более базовая проблема: не было ни репрезентативного набора изображений, ни доказанного ответа на вопрос, какая оптика стабильно показывает дефекты на разных материалах, покрытиях и цветах.

Вместе с EDIH-DIGIMAT компания провела формат Test Before Invest — лабораторную проверку до закупки и разработки промышленной системы. На регулируемом стенде меняли держатели образцов, положение камеры, поляризационный фильтр, геометрию источников света и спектральный диапазон. Сравнивались ультрафиолетовый, видимый и ближний инфракрасный диапазоны.

Для предоставленного набора образцов только видимый диапазон надёжно выделял дефекты на всех типах поверхностей. В результате команда получила структурированный датасет и описанную методику съёмки. Указанная в кейсе теоретическая ошибка измерительной цепочки меньше пикселя относится к оптике и геометрии стенда; это не точность классификатора и не доказательство готовности системы к работе на линии.

Эта оговорка принципиальна. Публичный материал описывает завершённую проверку способа получения данных, но не сообщает производственные показатели: долю пропущенных дефектов, ложную браковку, время цикла, устойчивость к смене партии или экономию на единицу продукции. Поэтому полезный вывод из кейса — не «ИИ уже заменил контроль», а «компания сняла самый ранний технический риск до вложений в модель и оборудование».

Почему модель начинается с освещения

Система визуального контроля фактически состоит из пяти связанных слоёв:

  • стандарта качества: какой дефект считается критичным и кто подтверждает спорный случай;
  • оптической сцены: свет, камера, объектив, фильтры, расстояние и фиксация изделия;
  • данных: изображения, разметка, версия продукта и условия съёмки;
  • модели: обнаружение, сегментация или классификация;
  • производственного решения: пропустить изделие, отправить на повторную проверку или остановить процесс.

Если дефект почти не отличается от фона, модель будет учиться на шуме. Она может показать высокий результат на случайно разделённом датасете и провалиться после замены лампы, поставщика материала или угла детали. Независимые обзоры промышленного зрения также подчёркивают, что свойства поверхности и условия среды влияют на обнаружение, а реальное внедрение надо проверять при изменении освещения, камеры, продукта и редких типов дефектов.

Поэтому хороший пилот начинается не с выбора самой большой нейросети. Сначала нужно сделать дефект видимым, повторяемым и измеримым. Иногда после этого оказывается, что достаточно детерминированного алгоритма. Если же внешний вид дефекта разнообразен, тогда появляется обоснование для модели.

Как перенести подход на небольшое производство

Для малого и среднего предприятия разумна двухконтурная архитектура.

Первый контур — лабораторный. В нём образцы снимаются в нескольких конфигурациях, а технолог или специалист по качеству подтверждает разметку. Здесь важнее не скорость, а возможность быстро менять свет и механику, фиксируя каждую конфигурацию как версию эксперимента.

Второй контур — производственный. После выбора оптики камера и свет закрываются от внешней засветки, параметры экспозиции фиксируются, а контрольный образец используется для регулярной проверки дрейфа. Модель можно исполнять локально на промышленном ПК или сервере внутри предприятия: изображения не покидают контур, задержка предсказуема, а линия не зависит от внешнего API. Но локальность сама по себе не решает вопрос качества — нужны мониторинг, журнал решений и безопасный режим при отказе.

Поток данных выглядит так:

  • триггер линии связывает кадр с изделием или партией;
  • сервис захвата сохраняет изображение и параметры камеры;
  • модель возвращает класс дефекта, область и уверенность;
  • бизнес-правило сравнивает результат с допустимым порогом;
  • спорные случаи попадают оператору, а не автоматически в брак;
  • подтверждённое решение записывается в MES, ERP или журнал качества;
  • новые ошибки возвращаются в датасет только после проверки человеком.

Для первой версии агент не нужен. Здесь ценнее короткий, проверяемый конвейер с явными состояниями. LLM может позднее помогать составлять объяснение или отчёт по смене, но не должна подменять измерительную модель и правило остановки линии.

Какие данные собрать до обучения

Минимальный пакет начинается с реестра дефектов. Для каждого типа нужны фотография, допустимый и недопустимый пример, минимальный размер, цена ошибки и ответственный за решение. Затем требуется матрица вариантов: материал, цвет, покрытие, поставщик, станок, смена, положение детали и состояние освещения.

Выборка должна включать не только красивые дефекты из лаборатории, но и нормальные изделия, загрязнение, блики, царапины от транспортировки и пограничные случаи. Разделять данные на обучение и проверку следует по партиям или датам, а не случайно по соседним кадрам: иначе почти одинаковые изображения попадут в обе части и завысят оценку.

Отдельно сохраняются метаданные съёмки и версия оптической конфигурации. Если свет, объектив или расстояние изменились, это уже новая версия входных данных. Без этой дисциплины команда не сможет понять, ухудшилась модель или изменилась сцена.

Экономика: считать не точность, а принятое решение

Кейс 24 Vision не раскрывает бюджет и срок окупаемости. Его экономический смысл — в избегании преждевременного CAPEX: специализированная оптическая лаборатория понадобилась на этапе выбора, но компании не пришлось сначала покупать все варианты оборудования.

Для собственного пилота полезно считать стоимость одного подтверждённого результата:

`стоимость принятой проверки = (амортизация стенда + вычисления + разметка + повторные проверки + простой) / число решений, подтверждённых контролёром`.

Модельный расчёт можно построить, например, для одной операции, двух критичных дефектов и трёх типовых вариантов изделия. Это допущение для планирования, а не результат 24 Vision. Сначала оценивают текущие затраты на ручной контроль, цену ложной браковки и цену пропуска. Затем в теневом режиме сравнивают решения системы с контролёром, не влияя на выпуск продукции.

Переход к автоматическому действию оправдан, только если верхняя граница риска по пропускам приемлема, ложная браковка не съедает эффект, а время цикла укладывается в такт линии. Иначе пилот может быть технически интересным, но экономически бесполезным.

Ограничения и риски

Главный риск — перенос из лаборатории в цех. Вибрация, пыль, отражения, нагрев, износ источника света и новые партии материала создают сдвиг данных. Результат на одном наборе образцов нельзя автоматически распространять на другую продукцию.

Второй риск — редкие дефекты. Даже большой массив нормальных изображений не заменяет достаточное количество подтверждённых аварийных случаев. Для них нужен консервативный порог и маршрут ручной проверки.

Третий риск — путаница между измерительной точностью и качеством решения. Субпиксельная ошибка стенда ничего не говорит о доле пропущенных дефектов. До промышленного запуска надо отдельно измерить recall по критичным классам, ложную браковку, долю отправки оператору, задержку и стабильность по партиям.

Наконец, лабораторный вывод о видимом диапазоне действует для протестированных образцов. Новый материал или покрытие может снова потребовать сравнения UV, VIS и NIR. Методика ценна именно тем, что позволяет повторить проверку, а не объявить один спектр универсальным.

Практический следующий шаг

За десять рабочих дней предприятие может проверить гипотезу без покупки полноценной линии:

1. Выбрать одну операцию и один дорогой тип ошибки.
2. Согласовать эталон дефекта и правило ручного подтверждения.
3. Собрать реальные образцы из нескольких партий.
4. Снять их при двух-трёх вариантах света и фиксированной геометрии.
5. Оценить контраст и повторяемость до обучения модели.
6. Если сцена устойчива, разметить пилотный набор и провести проверку по отдельным партиям.
7. Запустить теневой режим и считать стоимость подтверждённого решения.

Если после шага 5 дефект нестабилен, менять надо оптику или технологию съёмки, а не модель. Это и есть главный урок кейса: самая дешёвая нейросеть — та, которую не пришлось обучать на плохо видимых данных.