AI-контроль якості: відбракування на лінії
Як AI-моделі класифікують якість овочів, горіхів і чипсів на конвеєрі: камери, навчання моделі, відбракування — реальні приклади й вартість.
AI-контроль якості на конвеєрі — це камера, що бачить дефект, і модель, що приймає рішення за частку секунди. Технологія вже працює на українських лініях переробки овочів, горіхів і снеків. У цій статті розбираємо, як влаштована система відбракування на базі машинного зору, що вона реально дає й скільки коштує.
Як працює AI-інспекція на конвеєрі
Принцип простий за описом і складний за реалізацією. Над інспекційним конвеєром встановлюється камера й рівномірне освітлення. Кожен об’єкт у потоці фотографується, AI-модель класифікує його — «придатний» чи «брак» — і за командою системи виконавчий механізм відводить брак: пневмосопло, скидач або відвідний лоток.
Ключове тут — швидкість. На лінії з продуктивністю кілька одиниць за секунду модель повинна прийняти рішення раніше, ніж об’єкт дійде до точки відбракування. Тому система працює в реальному часі, а конвеєр рухається з постійною, точно відомою швидкістю.
Важлива й механіка самого конвеєра. Об’єкт у момент зйомки має бути в зоні чіткого фокусу, не вібрувати й не перекриватися сусідами. Тому під AI-інспекцію ми проєктуємо ділянку з рознесенням продукту в потоці: вузький транспортер або роликовий конвеєр, який розкладає продукт у один шар. Без цього навіть найкраща модель «бачитиме» зліплені об’єкти й помилятиметься.
Які дефекти бачить AI
Машинний зір розпізнає дефекти, які важко виявити іншими методами. Для різних продуктів критичні різні ознаки.
| Продукт | Що класифікує AI | Типовий результат |
|---|---|---|
| Горіхи | шкаралупа, цвіль, биті ядра | відбракування 95–98% дефектних |
| Овочі | гниль, деформація, колір | сортування за 3–4 категоріями |
| Чипси | підгоряння, розмір, форма | вирівнювання якості партії |
| Сухофрукти | сторонні включення, відтінок | очищення від домішок |
| Ягоди | м’ятість, недозрілість | делікатне сортування |
На відміну від класичного фотосепаратора, що реагує лише на колір, AI-модель навчається на формі, текстурі й комбінації ознак — тому вона ловить складні дефекти, які колірний датчик пропускає.
Освітлення й оптика — половина успіху
Інженери, що вперше стикаються з машинним зором, недооцінюють освітлення. Насправді світло — це половина якості розпізнавання. Нестабільне або нерівномірне освітлення дає тіні й відблиски, які модель сприймає як дефект — і навпаки. Тому над зоною інспекції ми ставимо світлодіодні панелі з постійним спектром і захищаємо ділянку від зовнішнього світла з вікон і цехових ламп.
Для різних продуктів підходить різна оптика. Глянцеві об’єкти — помідори, ягоди — дають відблиски, які гасять поляризаційним фільтром. Для прозорих включень інколи застосовують підсвічування знизу або в інфрачервоному діапазоні. Камеру ми кріпимо на жорсткому кронштейні, ізольованому від вібрації привода: навіть мікротремтіння розмиває кадр на швидкому потоці.
Навчання моделі — головна робота
AI не працює «з коробки». Модель потрібно навчити на конкретному продукті конкретного виробника. Це означає зібрати й розмітити кілька тисяч зображень: де придатний продукт, де брак, де гранична ситуація. Чим якісніша розмітка, тим точніша класифікація.
Окремо варто врахувати: продукт змінюється від сезону до сезону. Горіхи нового врожаю можуть відрізнятися відтінком, овочі — формою. Тому модель не «навчається один раз назавжди» — її періодично донавчають на свіжих даних. Це нормальна частина експлуатації AI-системи, і її варто закладати в план обслуговування разом із чищенням оптики камери та перевіркою освітлення.
Порада від інженера. Не починайте з AI там, де достатньо простішого рішення. Якщо дефект — це чітка різниця в кольорі, класичний фотосепаратор дешевший і надійніший. AI виправданий, коли дефект складний: форма, текстура, комбінація ознак. Спершу сформулюйте, що саме класифікуєте, — і вже потім обирайте технологію.
Скільки це коштує і коли окупається
Система AI-інспекції дорожча за просту інспекційну стрічку з операторами, але окупається на кількох речах: знижує частку браку, що йде до споживача, прибирає людський фактор і вивільняє операторів. На лінії, де раніше сортували вручну 6–8 людей, AI-вузол часто окупається за 12–18 місяців за рахунок зарплат і зниження рекламацій.
Важливо: AI не замінює всю інспекцію повністю. Зазвичай ми залишаємо один пост ручного контролю на нестандартні ситуації. Детальніше про інспекційні рішення — у статтях за тегом інспекція.
Інтеграція AI-вузла в лінію
AI-інспекція — не окрема машина, а вузол, який має органічно стати в потік. На етапі проєктування ми вирішуємо кілька питань інтеграції. По-перше, узгодження швидкості: модель має певний бюджет часу на кадр, і швидкість конвеєра підбирається під продуктивність обчислювача, а не навпаки. По-друге, точка відбракування: пневмосопло чи скидач спрацьовує із затримкою, тому відстань від камери до виконавчого механізму розраховується точно під швидкість стрічки.
По-третє, статистика. Сучасний AI-вузол не просто відсіює брак, а веде облік: скільки дефектів якого типу, у який час, на якій партії. Ці дані ми виводимо на панель оператора — вони показують не лише якість продукту, а й проблеми вище за потоком, наприклад збій на калібраторі чи мийці. Конвеєр із AI-інспекцією стає не тільки фільтром, а й джерелом діагностики всієї лінії.
Висновок
AI-контроль якості на конвеєрі — це реальна, працююча технологія для відбракування складних дефектів, які не бачить колірний датчик. Її ефективність на 80% залежить від якості навчання моделі, а окупність — від обсягу ручної праці, яку вона замінює. Думаєте про автоматичну інспекцію — зв’яжіться з нами, оцінимо, чи виправданий AI для вашого продукту.
