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.

Ассортимент компании включает 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.

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:

• Текстурный анализ: построение гистограмм яркости для выделения различий в текстурах.
• Фильтр Габора: выделение регулярных паттернов и сглаживание шума. Этот метод помог лучше рассматривать детали поверхности.
• Анализ цветовых пространств HSV (англ. Hue, Saturation, Value — тон, насыщенность, значение) Это цветовая модель, в которой координатами цвета являются: Hue — цветовой тон, например, красный, зелёный или синий. Saturation — насыщенность. Чем больше этот параметр, тем «чище» цвет, поэтому этот параметр иногда называют чистотой цвета. А чем ближе этот параметр к нулю, тем ближе цвет к нейтральному серому (или белому, или черному, в зависимости от яркости). Value — значение яркости цвета. При максимальной яркости это заданный цвет (с учетом насыщенности), при минимальной (нулевой) – это черный цвет.

Обучение нейросети

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

Если на поверхности изделия появляется царапина или скол — система фиксирует это автоматически и в реальном времени.
Качество продукции растет — дефектные изделия исключаются ещё до выхода к заказчику.

Операторы тратят меньше времени на ручной осмотр, снижается риск ошибки человеческого фактора.
Программный комплекс zool.ai может работать как сервис (SaaS), так и устанавливаться на сервер предприятия.

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.