Машинное зрение для контроля качества: поиск дефектов на линии

При контроле качества машинным зрением изделие проверяют по изображению, которое снимает промышленная камера на линии. Программа выделяет деталь на кадре, измеряет размеры, углы и цвет, смотрит, цела ли поверхность, и считывает код или маркировку. Если параметр вышел за норму, система отмечает отклонение, а годное изделие подтверждает и передаёт данные дальше в контур управления.

Здесь речь идёт о 2D-контроле. Большинство камер для инспекции матричные: они делают плоский снимок целиком. Линейная камера строит двумерное изображение строка за строкой, пока изделие движется мимо. Высоту, объём и положение детали в пространстве плоский кадр не покажет, для этого берут камеры глубины или стереозрение. Контроль дефектов входит в семейство применений, где машинное зрение на производстве проверяет, измеряет и сортирует продукцию.

Зачем отдавать камере то, что умеет человек? В обзоре литературы по визуальному контролю, который Sandia National Laboratories выпустила в 2012 году, приведена частая оценка: на разных видах проверок контролёры ошибаются в 20–30 % случаев. Сплошной контроль, когда проверяют каждую единицу продукции в партии, проблему не снимает: и при нём находят не все дефекты, причём человек чаще пропускает брак, чем бракует годное.

Камера с правильно подобранными разрешением и оптикой проверяет сотни и даже тысячи деталей в минуту и различает детали, которые глаз не видит. Линия при этом не замедляется, а если выпуск растёт, людей на контроль пропорционально добавлять не нужно.

Cognex делит задачи машинного зрения на четыре группы: наведение, идентификацию, измерение и инспекцию. Для контроля качества важны три последние. От задачи зависит всё остальное: оптика, подсветка и алгоритм.

Измеряя деталь, система считает расстояния между точками детали и сравнивает их с допуском. Если размер вышел за допуск, контроллер машины получает сигнал «брак», и отбраковщик снимает изделие с линии.

В фармацевтике камера проверяет таблетки на дефекты и следит, чтобы препарат попал в свою упаковку. Камера продукта не касается и не повреждает его, а лишние люди не заходят в чистые помещения и не загрязняют их. Как собирают станцию под фармпроизводство, описывает решение «машинное зрение для контроля качества в фармацевтике».

Станцию собирают из камеры, объектива, подсветки, датчика запуска, вычислителя и программы. Датчик ловит момент, когда изделие проходит нужную точку конвейера, и камера делает снимок. Кадр разбирает промышленный компьютер или встроенный блок рядом с оборудованием. Результат уходит в PLC, SCADA, MES или прямо в роботизированную ячейку, а на простой линии хватает сигнала отбраковщику.

Камеры, объективы и интерфейсы как оборудование разобраны на странице «система машинного зрения». Здесь важнее, как эти узлы работают вместе на участке.

Система анализирует не сам объект, а отражённый им свет. Поэтому схему подсветки подбирают под дефект: она подчёркивает одни признаки и гасит другие. Контровой свет сзади даёт силуэт и подходит, когда нужны только наружные размеры и края.

Тёмное поле уводит зеркальный блик от камеры, а в кадр попадает рассеянный свет от рельефа поверхности. Его берут для малоконтрастных задач и поиска дефектов поверхности. Купольная подсветка светит равномернее всего и прячет неровности, которые только сбивают проверку. Стробоскоп «замораживает» быстро движущееся изделие и убирает смаз.

Матричная камера снимает кадр целиком. Линейная выигрывает там, где продукт движется непрерывно. Она обычно даёт более высокое разрешение, помещается между роликами конвейера и разворачивает поверхность цилиндра в плоскую картинку, если деталь вращать перед ней.

Классический подход собирает проверку из правил. Бинаризация делит кадр на объект и фон и отвечает, на месте ли деталь. Поиск контуров измеряет геометрию. Сопоставление с шаблоном сравнивает изделие с эталоном и отмечает отклонение, если расхождение превысило порог, а OCR читает серийные номера, дата-коды и штрихкоды. Для простой задачи вроде проверки диаметра этого хватает. Царапины, неравномерную окраску и микротрещины правилами описать трудно, и без обученной модели здесь не обойтись.

Ошибиться можно в обе стороны. Если простую задачу решать слишком сложно, сроки растягиваются, а поддержка дорожает. Жёсткие правила там, где нужна гибкая модель, дают ложные срабатывания.

Отдельный класс нейросетей ищет аномалии. Ручная разметка такой модели не нужна: она учится на снимках годных изделий и отмечает на новых кадрах всё, что от них отличается. По данным MVTec, для обучения хватает небольшого числа снимков, а находит модель и деформированные детали, и пропущенные компоненты, и дефекты поверхности. Так проверяют печатные платы и качество печати на этикетках и упаковке.

В июле 2024 года «Северсталь» сообщила, что поставила систему инспекции полосы собственной разработки на агрегат непрерывного горячего цинкования Череповецкого металлургического комбината. Нейросети в ней находят дефекты поверхности проката и относят их к нужному классу.

Горячекатаный и холоднокатаный оцинкованный прокат внешне сильно различаются, и одна модель на оба вида могла бы распознавать хуже. Поэтому в основе системы две нейросети, которые сменяют друг друга по технологическим параметрам продукции. Снимки цветные, а найденные дефекты видны онлайн, а не после выпуска партии.

Разрешение считают от поля зрения и самого мелкого дефекта, а не от мегапикселей в каталоге. Предельная частота, которую различает матрица, по критерию Найквиста соответствует двум пикселям, то есть одной паре тёмной и светлой линии. Важен и контраст: чем сильнее отличаются по яркости соседние участки, тем легче системе их разделить. Размер матрицы считают через размер пикселя и число пикселей, а отношение матрицы к полю зрения даёт увеличение системы.

Плоский кадр отвечает на вопрос «годен или брак» по внешнему виду. Когда вопрос другой, работают соседние применения:

• изделия нужно не отбраковать, а развести по сортам, размерам или цвету: это сортировка продукции машинным зрением;
• важна форма целиком и сравнение с цифровой моделью: нужно 3D-сканирование;
• деталь лежит навалом в таре, и роботу нужна точка захвата: эту задачу решает bin picking с 3D-камерой;
• допуск по геометрии строже, чем позволяет плоская картинка: деталь отправляют на координатные измерения;
• проверить нужно работу изделия, а не вид: кнопки и сенсорные панели в конце линии проверяет EOL-тестирование.

Те же камеры и нейросети распознают и вторсырьё на ленте, но автоматическая сортировка мусора — отдельная задача со своими требованиями к захвату и потоку.

По оценке VisionLabs, которую в октябре 2025 года привёл Forbes, российский рынок компьютерного зрения в 2024 году составил 22,6 млрд ₽. На промышленность пришлось 2,27 млрд ₽. Здесь решения ищут дефекты на производстве, проверяют, соблюдён ли регламент операций, и ведут автоматический фотоконтроль. Больше всего денег пока приносят видеоаналитика, распознавание документов и проекты безопасного города.

Опрошенные Forbes участники рынка отмечают, что частный сектор интересуют точечные внедрения, которые окупаются за один-два года, и контроль дефектов на производстве среди них.

Проект начинают с задачи, а не с выбора камеры. Заказчик и подрядчик договариваются о цели и измеримых критериях: допустимом проценте ошибок, скорости обработки, ожидаемом эффекте. Затем инженеры смотрят участок: скорость линии, поверхность продукции, освещение, вибрации. Если кадр нестабилен, добавляют подсветку или меняют угол установки камеры.

Систему настраивают на снимках разных партий с реальной линии и гоняют на той скорости, с которой линия работает. После этого она проходит опытную эксплуатацию параллельно с действующим контролем и только потом переходит в штатную работу. Разработку под конкретную линию описывает страница о том, как идёт внедрение машинного зрения.

• Качество кадра. Даже дорогая камера не компенсирует плохо настроенную подсветку или вибрацию оборудования, поэтому место под камеру готовят так же тщательно, как алгоритм.
• Блестящие поверхности. Направленный свет даёт на глянцевых и отражающих деталях блики и пересвеченные пятна; приходится переходить на рассеянную подсветку.
• Положение детали. Почти любая проверка начинается с поиска детали в кадре. Если программа не нашла её точно, она не сможет ни измерить, ни проверить.
• Плоская картинка. 2D-камера не измеряет высоту, объём и перепады поверхности: для них нужны камеры глубины или стереозрение.
• Смена продукции. Сменилась упаковка, тип товара или освещение, и систему приходится перенастраивать. Если это не заложено в бюджет и процессы, показатели проседают.
• Предел разрешения. Структуру мельче пары пикселей на детали матрица не различит, а низкий контраст дефекта ухудшает и этот предел.