Компания (название под NDA) специализируется на разработке, производстве и поставке разнообразных металлических конструкций и деталей.

Предприятие использует современные технологии и оборудование для изготовления изделий из металлов, включая сталь, алюминий и их сплавы.

В ассортименте компании как стандартные изделия — металлоконструкции, детали для машин и оборудования, так и индивидуальные заказы с учетом специфики клиента.

Некачественный контроль на производственной линии приводил к выпуску изделий с дефектами, что увеличивало расходы на переделку и снижало доверие клиентов. Сотрудники тратили много времени на ручной контроль.

Автоматизировать контроль качества продукции, исключить ошибки в оценке качества, связанные с человеческим фактором, ускорить процесс контроля.

Анализ признаков Харалика

Мы начали исследование с анализа признаков Харалика — метода изучения текстур изображений. Этот подход позволяет оценить однородность, контраст, количество и природу границ на поверхности.
Для проверки были выбраны изделия с дефектами и без них.

На примере изделий с царапинами мы увидели, что определенные признаки Харалика значительно меняются в зонах дефекта:

• одни показатели увеличивались, фиксируя появление неровности;
• другие, наоборот, резко снижались.

Однако в ходе эксперимента стало понятно, что метод может давать ложные сигналы: он реагировал на разные искажения самого изображения. Поэтому мы приняли решение комбинировать его с другими методами и применять локально — к небольшим фрагментам поверхности.

Метод выделения контура

Мы применили метод компьютерного зрения и выделения контуров. Метод основан на анализе резких перепадов яркости изображения, где проявляются границы и формы.

Изображение с камеры мы обрабатываем с помощью математических алгоритмов, чтобы оставить только черно-белое изображение, на котором белым отображаются контуры объектов.

Далее с помощью нейросети на полученном изображении ищем какие-либо отклонения в контурах объекта. Если дефектом является царапина или другой дефект поверхности — он также выделяется своим контуром. Благодаря этому можно найти довольно мелкие дефекты.

После предобработки изображений дефекты стали заметны через разрывы в линиях световых бликов. Особенно это проявлялось в нарушении геометрии и обрывах контуров. Таким образом, мы смогли фиксировать дефекты, даже если они были малозаметны визуально.

Применение горизонтального и вертикального градиента

Следующим шагом стало применение горизонтального и вертикального градиента. Эти методы анализируют различия в яркости соседних пикселей: горизонтальный — между левыми и правыми, вертикальный — между верхними и нижними.

На практике градиенты позволили выявить дефекты на поверхности металлических изделий. Однако при тестировании на образцах без повреждений иногда происходили ложные срабатывания. Мы сделали вывод: для повышения точности нужно фильтровать результаты по размеру дефекта.

Дополнительные методы анализа

Чтобы повысить надежность, мы исследовали дополнительные подходы:

1. Текстурный анализ: построение гистограмм яркости для выделения различий в текстурах.
2. Фильтр Габора: выделение регулярных паттернов и сглаживание шума. Этот метод помог лучше рассматривать детали поверхности.
3. Анализ цветовых пространств HSV (англ. Hue, Saturation, Value — тон, насыщенность, значение) Это цветовая модель, в которой координатами цвета являются:

Обучение нейросети

Ключевым этапом стало обучение нейросети. Мы подготовили более 5000 фрагментов изображений — половина из них содержала дефекты, половина была с качественной поверхностью.

Конфигурация оборудования

В финале мы подобрали оптимальную конфигурацию оборудования для внедрения на производстве клиента. Решение включало:

• Камеру линейного сканирования.
• Источник линейного освещения.
• Ложемент с поворотным механизмом для изделий.
• Систему анализа изображений на базе программного комплекса интеллектуальной видеоаналитики zool.ai

Такая установка позволяет автоматически сканировать поверхность металлических стержней и обнаруживать даже малейшие дефекты.

Проект предусматривает обработку видео в режиме near-real-time, что позволяет анализировать информацию практически в реальном времени.

Все метаданные, полученные в процессе анализа, передаются в MES-систему с помощью HTTP-API. Это обеспечивает беспрепятственную интеграцию с системой безопасности и позволяет оперативно реагировать на изменения.

Раньше оценкой качества продукции занималось четыре человека, сейчас, благодаря автоматизации процесса, достаточно двух сотрудников. Сотрудники, которые раньше занимались оценкой качества, заняли другие роли в компании.