Техническое зрение для контроля качества
Обнаружение дефектов: царапины, заусенцы, непровары, пропуски, неверная сборка, загрязнения. С определением зоны дефекта и выдачей результата в линию или оператору.
Контроль качества и позиционирование
Машинное зрение
для производства.
Системы машинного зрения для производства: подбор камеры машинного зрения, оптики и освещения, контроль дефектов, измерения и позиционирование деталей.
Сначала данные.
Потом алгоритм.
Система машинного зрения решает конкретную задачу контроля: обнаружить дефект, измерить геометрию, прочитать маркировку, распознать положение детали для захвата. Возможность решения определяется не моделью нейросети, а качеством данных, стабильностью освещения и тем, насколько чётко описан критерий «годен / не годен».
Разрабатываем системы машинного зрения для производства и робототехники: контроль дефектов, измерения, распознавание и позиционирование деталей, чтение маркировки. Подбираем камеру машинного зрения, оптику и освещение под условия участка, пишем алгоритмы обработки изображения и связываем систему с оборудованием. Машинное зрение для контроля качества работает прямо на линии: система выдаёт «годен/брак» и передаёт данные в учётный контур. Отдельное направление — машинное зрение для роботов.
Что можем проработать
Измерения и контроль геометрии
Размеры, положение, соосность, плоскостность, наличие и правильность установки элементов. Точность ограничена оптикой, разрешением и условиями съёмки — это оценивается на образцах, а не обещается заранее.
Распознавание и позиционирование
Определение объекта и его положения для робота-манипулятора или манипулятора подачи: детали в бункере, на конвейере, в таре, с разной ориентацией.
Чтение кодов и маркировки
Штрихкоды, QR, Data Matrix, текст, гравировка. Проработка трассируемости: привязка результата контроля к изделию или партии.
Оптика, освещение, установка
Подбор камер, объективов, осветителей и способа установки — нередко именно свет решает задачу, а не алгоритм. При необходимости проектируем кронштейны и защитные корпуса.
Связь с оборудованием и учёт результата
Интерфейс с контроллером линии, отбраковка, журнал проверок, статистика по дефектам, передача данных на верхний уровень.
Что нужно для оценки
- Примеры изделий: годные и бракованные, лучше в количестве, достаточном для проверки гипотезы.
- Описание дефектов: как выглядят, минимальный размер, критичность, допустимая доля пропуска и ложного срабатывания.
- Условия съёмки: освещение, место установки, скорость движения изделия, вибрация, загрязнение оптики.
- Что делать с результатом: отбраковка, сигнал оператору, запись в журнал, остановка линии.
- Целевую производительность: сколько проверок в минуту требуется.
Что считаем результатом
- На исследовании — проверенный на образцах подход и оценка достижимых показателей.
- На проектировании — состав системы: камеры, освещение, вычислитель, интерфейсы, алгоритм.
- На внедрении — работающий стенд или участок контроля с проверкой на реальной продукции.
- На сопровождении — корректировка алгоритма при изменении номенклатуры и условий, обучение персонала.
Порядок работы
От образцов
до работающего контроля.
01
Разбор критерия
Формулируем, что считается дефектом и с какой критичностью. Без этого любой процент точности бессмысленен.
02
Эксперимент на данных
Снимаем образцы, проверяем гипотезу на реальных изображениях, оцениваем ограничения оптики и света.
03
Стенд и интеграция
Собираем систему, подключаем к оборудованию, настраиваем отбраковку и журналирование.
04
Проверка на потоке
Сопоставляем результат с ручным контролем, фиксируем показатели и границы применимости.
Проект машинного зрения — на стадии проектирования
В портфолио Fast Core машинное зрение представлено как разрабатываемое направление: прототип и испытания впереди. Мы не показываем его как готовое внедрение и не обещаем показатели без проверки на ваших образцах.
Проекты и текущий статус →Границы применимости
Зрение работает там, где дефект различим оптикой и условия съёмки повторяемы. Если дефект виден только на ощупь, внутри материала или при нестабильном свете, сначала нужно менять способ съёмки, а не алгоритм. Мы говорим об этом до начала работ, чтобы не тратить бюджет на заведомо ограниченное решение.
Перед обращением
Частые вопросы.
С чего начинается внедрение машинного зрения?
С объектов и критерия годности: что считается дефектом, какого размера, насколько критично пропустить брак. Затем снимаются образцы и проводится эксперимент на реальных данных.
Какая точность распознавания возможна?
Показатели зависят от оптики, освещения и стабильности условий. Реалистичная оценка даётся после проверки на ваших образцах; универсальных процентов не существует.
Нужна ли нейросеть или хватит классической обработки?
Для измерений и стабильных условий часто достаточно классических алгоритмов — они проще и предсказуемее. Обучение модели оправдано там, где объект сложно описать формально.
Можно поставить систему на существующую линию?
Да. Проектируем установку камер и освещения с учётом места, скорости и условий, подключаем результат контроля к контроллеру линии или оператору.
Что делать, если номенклатура часто меняется?
Заранее закладываем настройку под новые типы изделий и предусматриваем доработку алгоритма при изменениях. Это отражается в регламенте сопровождения.
Связанные задачи.
Запрос в Fast Core
Опишите задачу —
вернёмся с оценкой.
Укажите исходные данные. Уточним требования и предложим следующий шаг. Файлы можно отправить на почту; закрытые материалы — после согласования условий.