Машинний зір для інспекції на конвеєрі
Як працює машинний зір для інспекції продукції на конвеєрі: камери, AI-моделі, освітлення, відбракування та орієнтовна вартість впровадження.
Машинний зір замінює людину там, де око втомлюється: на монотонній інспекції продукту, що йде конвеєром зі швидкістю кілька десятків одиниць на хвилину. Камера фіксує кожен об’єкт, алгоритм порівнює його з еталоном, а виконавчий механізм скидає брак. У цій статті розбираємо, з яких вузлів складається така система, як підбирають камеру й освітлення та у скільки обходиться впровадження.
Як працює машинний зір на лінії
Система машинного зору — це чотири пов’язані елементи. Камера фіксує зображення продукту в момент проходження контрольної зони. Освітлення забезпечує стабільну картинку незалежно від цехового світла. Контролер або промисловий ПК обробляє кадр і ухвалює рішення «годен / брак». Виконавчий механізм — пневматичний штовхач, відсікач або клапан — фізично відводить дефектну одиницю з потоку.
Ключова умова коректної роботи — стабільність. Продукт має проходити повз камеру в передбачуваному положенні, з однаковою швидкістю та підсвіткою. Тому камеру майже завжди ставлять над спеціальним інспекційним конвеєром, а не над довільною ділянкою лінії. Перед зоною контролю часто додають вузол розведення продукту в один шар або один ряд — інакше об’єкти перекривають один одного й алгоритм не бачить кожен окремо.
Друга умова — синхронізація. Система має точно знати, у який момент об’єкт перебуває під камерою. Для цього на конвеєр ставлять датчик присутності або енкодер, прив’язаний до приводу. Енкодер дає системі «координату» стрічки, і камера спрацьовує рівно тоді, коли продукт у кадрі, а відсікач — рівно тоді, коли бракована одиниця дійшла до нього.
Камера й освітлення: як підбирають
Тип камери визначає характер дефекту, який треба ловити. Кольорова камера потрібна для контролю стиглості овочів чи кольору обсмаження. Монохромна з вищою роздільністю краще бачить геометрію та сторонні включення. Для дрібних дефектів на швидкому потоці беруть камери з глобальним затвором, щоб уникнути «змазування» зображення під час руху.
Окремо підбирають об’єктив і робочу відстань. Об’єктив задає поле зору й глибину різкості: на швидкій лінії з нерівним за висотою продуктом потрібен запас глибини різкості, інакше частина об’єктів виходить розмитою. Це питання вирішують ще на етапі компонування, бо змінити висоту камери після монтажу буває непросто.
Освітлення часто важливіше за саму камеру. Нестабільне світло — головна причина хибних спрацювань: та сама одиниця в різному освітленні виглядає по-різному, і алгоритм плутається. На наших проєктах застосовуємо:
- Розсіяне світло — для матових продуктів без відблисків;
- Спрямоване бокове — щоб підкреслити рельєф, тріщини, вм’ятини;
- Підсвічування знизу — для контролю силуету та контуру;
- Інфрачервоне — для виявлення включень, невидимих у видимому спектрі.
Освітлення також екранують від цехового світла кожухом — це прибирає вплив сонця крізь вікна й перемикання ламп у цеху.
AI-моделі для класифікації
Класичний машинний зір працює за жорсткими правилами: розмір, колір, площа в заданих межах. Він надійний для простих завдань — контроль наявності кришки, читання дати, перевірка габариту. Така система детермінована: за тих самих умов вона завжди дає однаковий результат, її легко налаштувати й перевірити.
Складніші завдання — сортування овочів за якістю, виявлення гнилі, класифікація горіхів — вимагають моделей машинного навчання. Нейромережу навчають на тисячах розмічених зображень «годен» і «брак», після чого вона узагальнює й розпізнає дефекти, які важко описати правилами. Точність робочої моделі на стабільному освітленні — 95–99%.
Важливо розуміти: AI-модель не «розумна» сама собою — вона рівно настільки точна, наскільки якісно зібрано навчальну вибірку. Якщо в навчальних даних не було певного типу дефекту, модель його не впізнає. Тому ми завжди закладаємо період донавчання вже на реальному потоці: перші тижні роботи система накопичує спірні випадки, оператор їх розмічає, і модель уточнюється під конкретний продукт замовника.
Порада від інженера. Не починайте з AI там, де вистачає правил. Якщо завдання — перевірити наявність етикетки, класична система коштує втричі дешевше, налаштовується за день і не вимагає перенавчання при зміні партії.
Технічні параметри систем інспекції
| Параметр | Класична система | AI-система |
|---|---|---|
| Роздільність камери | 2–5 Мп | 5–12 Мп |
| Швидкість потоку | до 60 од/хв | до 300 од/хв |
| Точність класифікації | 90–95% | 95–99% |
| Освітлення | LED, біле | LED + ІЧ |
| Час налаштування партії | 1–2 години | 15–30 хвилин |
| Робоча температура | 0…+40 °C | 0…+40 °C |
Швидкість потоку залежить не лише від камери, а й від темпу конвеєра та продуктивності відсікача. Тому інспекційну ділянку проєктують як єдиний вузол: інспекційний конвеєр, оптика та виконавчий механізм мають бути узгоджені за тактом.
Скільки коштує впровадження
Бюджет системи складається з трьох частин: обладнання (камера, освітлення, контролер, відсікач), механіка (інспекційний конвеєр під камеру) та налаштування з навчанням моделі. Проста система контролю наявності чи дати окупається швидко — вона прибирає одного оператора зі зміни. AI-система для сортування за якістю дорожча, але вона працює там, де людина фізично не встигає за потоком, і дає стабільний результат без втоми наприкінці зміни.
Орієнтовний термін окупності на наших проєктах — від 8 до 18 місяців залежно від кількості змін і вартості браку, який система перехоплює до відвантаження. У розрахунок варто закладати не лише зарплату оператора, а й вартість рекламацій: одна партія, що пройшла з дефектом до клієнта, нерідко коштує дорожче за всю систему інспекції.
Ще один фактор — стабільність якості. Людина-інспектор на початку зміни й наприкінці працює з різною уважністю; машинний зір тримає однаковий поріг відбракування цілодобово. Для виробництв, що проходять аудити якості, це окремий аргумент: система дає документований і відтворюваний контроль.
Висновок
Машинний зір — це не «розумна камера», а узгоджена система з оптики, освітлення, алгоритму та механіки відведення браку. Починати варто з чіткого опису дефекту, який треба ловити: від цього залежить вибір між класичним підходом і AI. Плануєте інспекційну ділянку чи модернізацію наявної лінії? Зв’яжіться з нами — підберемо конфігурацію машинного зору під ваш продукт і темп виробництва.
