Сначала ткань, затем модель

Для небольшой текстильной фабрики дефект на рулоне — не абстрактная ошибка классификатора. Это испорченный материал, позднее обнаружение брака и время сотрудника на повторный осмотр. Итальянская Staff Jersey производит трикотажные и жаккардовые ткани; вместе с EDIH ER2Digit и технологическим партнёром Centro Qualità Tessile компания испытала компьютерное зрение для поиска визуальных аномалий. Описание пилота опубликовано European Digital Innovation Hubs Network в октябре 2025 года. Это разбор существующего проекта, а не новость о запуске модели сегодня.

Главный практический вывод удивительно земной: прежде чем спорить о нейросети, нужно обеспечить одинаковые свет, ракурс, масштаб и эталон «нормальной» ткани. В кейсе камера сначала стояла далеко от полотна, затем её приблизили примерно на 15 см и согласовали освещение с поверхностью, чтобы уменьшить тени. Крепление на неподвижной части машины помогло избежать артефактов от вращения. Если изображение скачет из-за света или движения, модель начинает честно находить «аномалии» в работе лампы.

Как устроен эксперимент

По опубликованному описанию, для пробного захвата использовали GoPro HERO13 Black с макрообъективом. Снимки делали через каждые пять секунд. На изображениях заведомо годной ткани выделяли небольшие фрагменты. К части фрагментов программно добавляли синтетические дефекты различной формы, цвета и фактуры; поскольку место вставки известно, маска для обучения получается автоматически. Отдельно изучали реальные дефекты, чтобы искусственные примеры были ближе к производству.

Вторая часть подхода — сравнение с образцом конкретной ткани. При смене материала оператор подтверждает, что первый участок годен; система использует его как новую точку отсчёта. Это важнее универсального обещания «одна модель узнает все виды брака»: рисунок, цвет и фактура меняются от партии к партии. Алгоритм выдаёт карту подозрительных областей, а человек определяет, допустим ли найденный участок по требованиям заказчика.

В источнике описан прототип и оценка возможности внедрения на пилотной линии. Не следует приписывать ему подтверждённую круглосуточную работу на всех станках Staff Jersey. При интервале съёмки пять секунд надо отдельно доказать, что скорость полотна и поле зрения камеры дают нужное покрытие поверхности. В публикации нет скорости движения и доли проверенной площади, поэтому вывести их из частоты кадров нельзя.

Что означают красивые 99,93%

Для теста разработчики собрали 200 фрагментов 256×256 пикселей из изображений, не использованных при обучении: 100 с реальным дефектом и 100 без него. Сообщены AUROC и AUPRC по 99,93%, а при пороге 0,5 — точность классификации 99,5%. Такие числа показывают, что выбранная тестовая выборка хорошо разделялась по оценке аномалии. Они не означают, что система найдёт 99,93% дефектов на каждом рулоне.

Причины ограничения конкретны. Доля дефектных фрагментов в тесте искусственно равна половине, тогда как на исправной линии она может быть гораздо ниже. При другой доле меняется практический смысл ложных тревог и показателя precision. В источнике нет результатов по отдельным партиям, сменам освещения, типам ткани и размеру самых мелких дефектов. Нет также опубликованной матрицы ошибок для рабочего порога. Точность 99,5% на 200 фрагментах означает одну ошибку в этом тесте, но без её типа нельзя понять, пропущен ли дефект или задержан годный материал.

Независимая работа исследователей MVTec о наборе AD 2 подчёркивает именно эту проблему переноса: изменение света, высокая вариативность нормальной фактуры и мелкие дефекты делают реальные сценарии сложнее привычных контрольных наборов. Это не оценка системы Staff Jersey. Это причина проверять её на новых производственных условиях, а не переносить лабораторную метрику в договор о качестве.

Архитектура для небольшого цеха

Производственный пилот можно строить без гигантской платформы. Сначала инженер и контролёр качества определяют, какой участок ткани нужно видеть, минимальный недопустимый дефект и что происходит после тревоги. Затем выбирают камеру, объектив, свет и механическое крепление. Приём изображений, отметка времени, номер партии, модель и версия порога должны сохраняться вместе: без этого нельзя восстановить причину спорного решения.

Дальше локальный сервис получает кадр, сравнивает его с подтверждённым эталоном этой ткани, формирует карту аномалий и предлагает координаты для осмотра. Оператор видит оригинальный кадр и выделенную область, подтверждает дефект или отклоняет ложное срабатывание. В MES или учётную систему отправляются только проверенные события. Автоматическая остановка станка — отдельный, гораздо более рискованный этап, который нельзя включать на основании красивого тестового AUROC.

Здесь уместна локальная модель: изображения производства и параметры заказов остаются в контуре фабрики, задержка обработки предсказуема, а связь с внешним сервисом не становится частью цепи контроля качества. Но локальное размещение не лечит плохой свет и не отменяет оператора. RAG и языковой агент не нужны для обнаружения пиксельного дефекта; они могут пригодиться позже, чтобы поднимать технологические инструкции и оформлять проверенный отчёт, но это уже другой процесс.

Как посчитать пользу, не выдумывая окупаемость

Источники описывают улучшение раннего обнаружения и сокращение повторяющейся ручной проверки, но не публикуют стоимость владения и подтверждённую денежную отдачу. Для своего цеха считайте отдельно: часы визуального контроля, метры материала, потерянные из-за позднего обнаружения брака, стоимость ложных остановок, труд по разметке и расходы на камеру, освещение, вычислитель и поддержку.

Пример расчёта — только модельный. Если линия теряет 20 метров ткани в месяц из-за позднего обнаружения, метр стоит 400 рублей, а пилот предотвращает половину таких потерь, потенциальная экономия материала — 48 000 рублей за год: 20 × 400 × 12 × 50%. Это не результат Staff Jersey. Из суммы ещё вычитаются ошибки, обслуживание и цена оборудования; если фактические потери меньше, проект может не окупиться. Важнее заранее зафиксировать базовую частоту дефектов и стоимость конкретных видов брака.

Следующий шаг: пилот на реальных партиях

Выберите один станок и один тип ткани. Соберите кадры годного полотна и реальные дефекты за несколько смен, включая изменения света и настройки оборудования. Разделяйте обучение и проверку по партиям, а не случайными соседними фрагментами одного снимка. На контрольной выборке, которую разработчик не видел, измерьте не только AUROC, но и число пропущенных критичных дефектов на рулон, ложные тревоги за смену, время оператора и долю площади, реально попавшей в кадр.

Первые недели оставьте систему советчиком: человек принимает решение, а журнал помогает найти причины ошибок. Только после устойчивого результата на разных партиях обсуждайте автоматические действия. Кейс Staff Jersey показывает ценность синтетических примеров и сменного эталона, но коммерческое решение начинается с света, данных и стоимости ошибки — не с процента на одном тесте.