Кейс 24 Vision: сначала проверить оптику, потом инвестировать в AI-классификатор

Небольшая чешская компания 24 Vision хотела перейти от правил оптического контроля к классификации дефектов с помощью ИИ. До разработки модели ей не хватало не «ещё одного алгоритма», а базовых ответов: какие изображения собирать, как поставить камеру, какое освещение выбрать и получится ли увидеть дефекты на разных материалах и поверхностях.

Вместе с EDIH-DIGIMAT компания провела этап Test Before Invest в оптической лаборатории. Проверили варианты съёмки в UV, видимом диапазоне и NIR, собрали представительную выборку и зафиксировали методику для дальнейшей разработки. В опубликованном кейсе указано, что видимый диапазон оказался единственным из испытанных, который надёжно выделял дефекты на всех образцах. Это не результат внедрённой производственной системы и не опубликованный процент снижения брака; ценность работы — в проверенных исходных условиях и снижении неопределённости до следующего вложения.

Что именно проверяли

24 Vision — малая компания в области машинного зрения. Она хотела развить существующую инспекцию на основе правил так, чтобы система могла классифицировать дефекты на изображениях разных изделий. Для обучения и проверки модели требовались репрезентативные изображения, но заранее было неясно, какая оптическая конфигурация будет работать на разных материалах и отделках.

Лаборатория EDIH-DIGIMAT дала доступ к оборудованию и специалистам, которых небольшой разработчик не обязан постоянно содержать у себя. В кейсе описана экспериментальная установка с промышленной камерой, объективом, поляризационным фильтром, регулируемым держателем образцов и несколькими типами источников света. Команда систематически меняла условия съёмки, а не подбирала параметры на глаз для одного удачного примера.

Испытывали ультрафиолетовый, видимый и ближний инфракрасный диапазоны, разные геометрии освещения, материалы, цвета и отделки поверхности. В кейсе указано, что для рассмотренных образцов только видимый диапазон надёжно проявлял дефекты. Итогом стали представительная коллекция изображений и документированная оптическая методика; команда также сообщила о теоретической погрешности меньше одного пикселя для проверенной цепочки съёмки. Это характеристика настройки камеры и получения изображения, а не точность обученной модели и не гарантия такого качества на производственной линии.

Почему это важный этап до обучения модели

Классификатор не восстановит дефект, которого нет на входном кадре. Если блик прячет царапину, камера каждый раз смотрит под другим углом или образцы не покрывают реальные варианты поверхности, дальнейший подбор архитектуры модели не устранит причину. Можно получить красивый прототип на узком наборе изображений и всё равно не знать, как система поведёт себя на следующем материале.

Поэтому в машинном зрении «данные» начинаются раньше, чем разметка файлов:

  • положение камеры и рабочее расстояние;
  • спектр и интенсивность освещения;
  • отражения и поляризация;
  • скорость линии и смаз движения;
  • разброс материалов, цветов, текстур и состояния оборудования;
  • правила фиксации положительных и отрицательных примеров.

Эти параметры задают, какие признаки вообще попадают в набор для обучения. Их нужно считать частью архитектуры продукта, а не второстепенной настройкой после выбора модели.

Как малому предприятию повторить подход

Для похожей задачи пилот можно построить как последовательность проверок:

1. **Опишите решение, которое должен поддержать контроль.** Например, остановить линию, отложить деталь на проверку или сообщить оператору о вероятном дефекте. Не начинайте с абстрактного «внедрить компьютерное зрение».
2. **Соберите карту вариантов изделий.** Зафиксируйте материалы, покрытия, цвета, типичные дефекты и нормальные вариации, которые не должны считаться браком.
3. **Определите критерий успешной съёмки.** Договоритесь, какие дефекты должны быть видимы, с каким разрешением, при какой скорости линии и допустимом уровне ложных срабатываний.
4. **Проведите оптический скрининг.** Сравните несколько положений камеры, источников и геометрий света на одном и том же наборе образцов. Зафиксируйте условия для каждого кадра.
5. **Соберите репрезентативную выборку.** Включите разные партии и реальные состояния поверхности; отделите обучающие примеры от контрольных, чтобы оценка не проверяла модель на почти дубликатах обучающих кадров.
6. **Решите, стоит ли идти к модели и продукту.** Если дефект надёжно не виден в кадре, сначала меняйте оптику или процесс. Если виден и данных достаточно, переходите к разметке, базовой модели и измерению ошибок.

Внешняя лаборатория, тестовый центр или партнёр по машинному зрению может быть дешевле покупки камеры, спектрального оборудования и оптики до проверки гипотезы. Ключевой артефакт пилота — не обязательно готовый продукт, а набор образцов, параметры съёмки, датасет и технический вывод о следующем вложении.

Экономика и ограничения кейса

В опубликованной истории не приводятся стоимость этапа, срок окупаемости для 24 Vision или показатели брака после промышленного внедрения. Поэтому нельзя превращать её в обещание «снизить дефекты на X%». Можно утверждать только опубликованное: была проверена оптическая методика, создан представительный датасет, а проект получил основу для дальнейшего обучения и продуктовой разработки.

Для собственной оценки заранее задайте бюджетные ворота:

  • сколько стоит лабораторная проверка и подготовка образцов;
  • сколько времени инженеров потребуется на съёмку и маркировку;
  • какая цена ошибки — пропущенного дефекта и ложного отбраковывания;
  • нужен ли вывод в реальном времени и какой темп линии должен выдерживаться;
  • как быстро меняются материалы, поставщики и освещение;
  • кто будет повторно калибровать систему и обновлять контрольный набор.

Сравнивайте стоимость пилота не только с покупкой оборудования, но и с ценой преждевременной разработки на неверной оптике. При этом результат лаборатории нельзя автоматически переносить на каждую производственную линию: вибрация, пыль, температура, скорость и обслуживание способны изменить картину.

Где здесь ИИ — и где его пока нет

Это кейс промышленного машинного зрения и подготовки данных, а не внедрение генеративного чат-бота. Оптические параметры, камера и тестовый набор образцов предшествуют обучению модели. По данным EDIH-DIGIMAT, результат этой стадии позволил компании структурировать выборку и методику и разблокировал дальнейшую разработку AI-классификатора; статья не заявляет, что классификатор уже стал серийной системой.

Для других малых компаний урок переносим не как готовый рецепт камеры, а как порядок инвестиций: сперва проверить измеримость сигнала и собрать корректные данные, затем обучать и оценивать модель, и только после этого решать вопрос о производственной интеграции. Подписчики наш робот уже готов рассмотреть каждый пиксель под лупой, но инженер всё равно решает, какие пиксели действительно важны.

OECD в обзоре внедрения ИИ малыми и средними предприятиями отдельно называет данные, вычислительные ресурсы, навыки и финансирование ключевыми условиями принятия решений. Кейс 24 Vision хорошо показывает один практический способ закрыть часть этих ограничений: получить доступ к специализированной инфраструктуре на этапе проверки, не покупая её заранее и не выдавая результат пилота за доказанное промышленное улучшение.