ГЛАВА 10
Контроль качества и машинное зрение
Из всех «ИИ-историй» на производстве машинное зрение для контроля качества — самая зрелая и самая быстро окупаемая. Точность 98 % и выше, экономия 50-70 % на ручном ОТК (отдел технического контроля), окупаемость 6-18 месяцев на типовой задаче. Это не маркетинг — это технология, проверенная и подтверждённая независимыми источниками (Deloitte 2025, McKinsey, отраслевые отчёты).
Главное правило: 50 % успеха проекта — это не алгоритм машинного зрения, а освещение, крепление камер и качество разметки данных. Если этого не понимать, можно потратить 8 миллионов на «ИИ-систему» и получить точность хуже, чем у бабушки в очках☺.
В этой главе — какие задачи реально решаются машинным зрением, какие нет, Российские игроки 2026, что стоит сколько, и чек-лист пилота, который не превратится в выброшенные деньги.
Боль традиционного ОТК
Ручной ОТК у большинства производственных предприятий имеет одинаковый набор проблем:
- Пропуски дефектов. Усталость, монотонность, текучка кадров. Человек не способен 8 часов подряд внимательно смотреть на одинаковые детали с одинаковой концентрацией.
- Низкая скорость. Линия может выпускать 1000 изделий в час, контролёр успевает посмотреть 200. Остальное — выборочно или вообще никак.
- Утомляемость. Качество контроля падает к концу смены. Самые серьёзные пропуски — в последние 1-2 часа.
- Текучка. ОТК — одна из самых текучих позиций. Найм и обучение нового контролёра — 1-3 месяца, и в это время качество страдает.
- Субъективность. Что один контролёр пропустит, другой забракует. Норматив «годен / не годен» применяется по-разному.
- Дорого. Несколько контролёров на смену — это десятки миллионов рублей в год по зарплате и накладным.
Машинное зрение закрывает все шесть пунктов одновременно. Не идеально, не везде — но в типовых задачах кратно лучше ручного контроля.
Что делает машинное зрение
Базовый сценарий: на линии установлена камера + источник освещения + промышленный компьютер с нейросетью. Камера снимает изделие. Нейросеть классифицирует «годен / не годен» или «отнести к категории дефекта». Сигнал передаётся в линию, отбраковщик скидывает брак.
Типы задач, которые решает машинное зрение в 2026:
1. Поверхностные дефекты на материалах
Прокат, бумага, ткань, стекло, пластик, древесина. Дефекты: царапины, поры, трещины, неровности, посторонние включения, изменение цвета.
Это классическая область применения. Зрелые алгоритмы (CNN на современной архитектуре), типичная точность 95-99 %. Окупаемость лучшая среди всех ML-приложений на производстве.
2. Контроль маркировки и упаковки
Корректность нанесённой маркировки (штрих-кода, QR, текста), читаемость, правильность позиционирования, целостность упаковки, наличие пломб.
Зрелая область. Точность 99+ %.
3. Контроль сборки
Наличие компонентов на сборке, правильность их установки, отсутствие забытых деталей, корректное соединение разъёмов.
Зрелая область для типовой сборки. Сложнее для сложных многокомпонентных сборок.
4. Размерный контроль геометрии
Простой 2D-размерный контроль (длина, ширина, диаметр) — зрелая область, точность ±0,1-0,5 мм в зависимости от настройки.
3D-контроль геометрии (лазерные сканеры, structured light) — отдельный класс, точность ±0,01 мм. Дороже, технологически сложнее. Применяется для прецизионных деталей.
5. Контроль наличия / отсутствия
«Деталь стоит правильно / неправильно / отсутствует». Простейшая задача, точность близко к 100 %.
6. Чтение и сверка данных
Распознавание серийных номеров, дат производства, артикулов с этикеток и шильдиков. Зрелая область (OCR на современных моделях).
Что машинное зрение НЕ решает
Внутренние дефекты
Машинное зрение видит поверхность. Внутренние дефекты (поры в металле, расслоения, трещины внутри детали) — это отдельный класс задач, для них применяется рентген (NDT), ультразвук (УЗК), вихретоковый контроль. Их можно автоматизировать, но это уже не «машинное зрение в обычном смысле».
Сложные сборочные операции с большим числом вариантов
Например, контроль сборки сложного электронного устройства с десятками вариантов конфигурации. Машинное зрение работает на типовых конфигурациях. Чем больше вариативность, тем дороже датасет, тем больше False Positive.
Вариативная продукция малыми партиями
Если у вас 50 разных моделей детали и каждой выпускается по 100 штук в месяц — машинное зрение становится дорогим: на каждую модель нужен датасет, разметка, валидация. Эффективнее ручной контроль или гибрид «человек на сложных, машинное зрение на типовых».
Контроль вкуса, запаха, тактильных свойств
Это другие модальности, не зрение. Машинное обоняние существует, но это нишевая технология.
Российские игроки 2026
| Вендор | Сегмент | Особенности |
|---|---|---|
| Cognitive Pilot (Cognitive Technologies) | Машинное зрение для промышленности и техники | Один из лидеров рынка, реальные внедрения в металлургии, агропроме |
| Visillect | Промышленное машинное зрение | Сильный профиль, много референсов |
| VizorLabs | Промышленное и ритейл-зрение | Активный игрок |
| Malivar | Машинное зрение | Нишевые проекты |
| AGT (Группа компаний АГТ) | Машинное зрение | Промышленные кейсы |
| VisionLabs | Больше про распознавание лиц, но есть и промышленные кейсы | Известный российский бренд |
| Computer Vision Systems | Промышленное зрение | Точечно |
| Cognex, Keyence | Те, кто внедрил до 2022 | Параллельный импорт оборудования, поддержка проблемная |
Источники: TAdviser, открытые источники, отраслевые конференции.
Российский рынок машинного зрения относительно зрелый — десятки реальных внедрений, не пилоты. Это одна из областей, где импортозамещение фактически уже состоялось.
Архитектура решения
Состав:
- Камеры: обычно 1-4 на одной позиции, разные ракурсы / разные типы освещения.
- Освещение: специализированное промышленное (LED-кольца, LED-панели, импульсное освещение). 50 % успеха проекта.
- Промышленный компьютер: с GPU для нейросетей (NVIDIA Jetson, либо серверная GPU). Сейчас актуально для значимых критическая информационная инфраструктура (КИИ) — отечественные GPU/NPU (НТЦ Модуль, Элвис), но они существенно слабее.
- Нейросеть: предобученная под класс задачи + дообучение на ваших данных. Это и есть «модель».
- Интеграция с линией: сигнал отбраковщику, контроль скорости линии, синхронизация с MES (система оперативного управления производством).
CAPEX и окупаемость
| Сценарий | CAPEX (капитальные затраты) | Срок до запуска в эксплуатацию | Окупаемость |
|---|---|---|---|
| 1 позиция контроля (1-4 камеры + софт + интеграция) | 2-8 млн ₽ | 3-6 мес | 6-18 мес |
| 3-5 позиций контроля в составе одной линии | 8-25 млн ₽ | 6-9 мес | 9-18 мес |
| Сложный 3D-контроль геометрии | 10-30 млн ₽ | 6-12 мес | 18-24 мес |
| Программа на 10+ линий | 50-200 млн ₽ | 18-30 мес | 18-30 мес |
Машинное зрение — самая быстро окупаемая ML-история на производстве (Deloitte 2025: vision systems — топ-1 приоритет инвестиций у 28 % опрошенных производителей).
Источники: SmartDev, IntuitionLabs 2025, Deloitte Smart Manufacturing 2025.
Эффект на типовой задаче:
- Точность 95-99 %.
- Пропуск дефектов: -90 %.
- Скорость контроля: ×2-10 (зависит от линии).
- Сокращение штата ОТК на узких операциях: 30-70 %.
- Претензии заказчиков: −20-60 %.
Вопрос освещения и другие тонкости не затрагиваю — это инженерия, правильный подход дает +50% к успеху. Не машинное обучение, не «ИИ (искусственный интеллект)». Промышленная инженерия с зональной автоматизацией. И когда вендор машинного зрения говорит «мы поставим вам систему», важно понимать: ставит ли он только софт (и тогда камеры, освещение, крепления — на вас), или ставит под ключ.
Под ключ — обычно дороже, но качественнее. Лоскутно — дешевле, но риски выше.
Разметка данных
Второй главный фактор успеха. Нейросеть учится на размеченных примерах. На вашем оборудовании, на вашем сырье, на ваших дефектах. Готовая «универсальная» модель работает на 70-80 %. Чтобы выйти на 98-99 % — нужна разметка ваших данных.
Что это значит на практике:
- Собрать 5 000–50 000 примеров изображений ваших изделий (в зависимости от типа задачи и вариативности).
- Каждое изображение разметить (выделить дефект, классифицировать тип).
- Это либо силами разметчиков (внешний сервис), либо силами своих сотрудников ОТК.
Стоимость разметки: 5-20 ₽ за изображение для типовой задачи, до 100 ₽ для сложной. Объём 5 000 изображений × 10 ₽ = 50 000 ₽. Объём 50 000 × 50 ₽ = 2,5 млн ₽. Цена разметки часто сравнима с ценой самой модели.
Это надо знать на этапе бюджетирования.
Кейсы
ММК (Магнитогорский металлургический комбинат)
Поверхностный контроль проката. Заявленное сокращение возвратов от клиентов и снижение количества дефектов «уход». Один из крупнейших российских кейсов машинного зрения в металлургии. Источник: mmk.ru, отраслевые конференции.
Северсталь
Машинное зрение на стане 2000. Контроль поверхностных дефектов в реальном времени, интеграция со SCADA (диспетчерское управление и сбор данных). Кейс публичный, цитируется на ЦИПР. Источник: severstal.com.
Магнит / Х5
Контроль выкладки и фасовки на распределительных центрах. Это уже ритейл, но логика та же.
Cognitive Pilot
Кейсы в металлургии, агропроме, на машиностроительных линиях. Источник: cognitive.ru, презентации на конференциях.
Чек-лист пилота машинного зрения
| # | Пункт | Что значит | ✓ |
|---|---|---|---|
| 1 | Класс задачи определён точно | Поверхностный дефект / маркировка / сборка / размер. Не «контроль качества вообще» | |
| 2 | Изделие и линия выбраны | Не «начнём с чего-нибудь», а конкретная линия с конкретным изделием | |
| 3 | Текущая статистика дефектов известна | Точность ручного контроля, типы дефектов, их относительная частота. Без этого нечего сравнивать | |
| 4 | Целевые KPI (ключевой показатель эффективности) определены с числами | Точность ≥ N %, скорость контроля ≥ M шт/мин, окупаемость ≤ K мес | |
| 5 | Бюджет включает разметку данных | Не «забыто». Разметка часто сравнима со стоимостью модели | |
| 6 | Условия освещения спроектированы | Тип, спектр, защита от внешнего света. Не «купим лампу попроще» | |
| 7 | Крепления и виброзащита проработаны | Не «прикрутим к раме» | |
| 8 | Интеграция с линией (отбраковка) в плане | Не «потом подумаем» | |
| 9 | Интеграция с MES (учёт брака) в плане | Чтобы данные машинного зрения попадали в FPY (выход годного с первого предъявления) и аналитику | |
| 10 | Объём датасета для обучения определён | С учётом вариативности продукта. Минимум 5-10 тыс. примеров для базовой задачи | |
| 11 | План валидации модели | Как проверять точность в эксплуатации, частота валидации | |
| 12 | Процесс реакции на False Positive / False Negative | Что делает оператор, как сигналит назад в систему обучения | |
| 13 | Пилот спланирован на 1 позиции | Не «сразу на 5 линиях» | |
| 14 | Контрольная точка go/no-go после пилота | Если точность не достигнута — что делать дальше | |
| 15 | План тиражирования в случае успеха пилота | Не «потом разберёмся» |
Антипаттерны
Антипаттерн 1. «Купим коробку, дообучим сами». Если у вас нет ML-инженеров в штате и нет опыта работы с нейросетями — самостоятельное дообучение превратится в долгий мучительный процесс. Лучше платить вендору за разметку и адаптацию.
Антипаттерн 2. «Освещение не критично, у нас и так хорошо видно». Главная ошибка. Из-за неправильного освещения проваливается каждый второй пилот.
Антипаттерн 3. «Внедрим на самой сложной операции — там самый большой эффект». Начинать надо с типовой задачи (поверхностный дефект, маркировка), а не с самой сложной. На сложной — больше рисков, дольше окупаемость, выше вероятность провала пилота и потери доверия к технологии.
Антипаттерн 4. «Машинное зрение заменит весь ОТК». В большинстве случаев — нет. Машинное зрение покрывает 70-90 % типовых задач. Сложные, неоднозначные, новые типы дефектов — всё равно ручной контроль или гибрид.
Антипаттерн 5. «У нас всё одинаковое — модель сразу будет работать». «Одинаковое» с точки зрения человека не означает «одинаковое» для камеры: освещение меняется, поверхность чуть-чуть разная, ракурс плавает. Калибровка под конкретное место установки — обязательна.
Связанные главы
- 02. Чек-лист готовности предприятия — данные и инфраструктура.
- 08. Производство: MES, IIoT, OEE — интеграция с MES.
- 12. ИИ и генеративный ИИ — общий контекст по ИИ.
- 15. Экономика: ROI, TCO, NPV — расчёт TCO (совокупная стоимость владения) с учётом разметки.