Задача

Разработать систему видеоконтроля качества выпускаемой продукции для конвейерной линии предприятия с применением AI-технологий.

Результаты внедрения

Технологии

PyTorch

Qt

Rapid STP

C++/C

Restful API Backend

JavaScript

Ultralytics YOLO

OpenCV

PostgreSQL

TimescaleDB

Техническое решение

В сотрудничестве с учеными СПбГЭТУ «ЛЭТИ» Cтудия разработала систему обнаружения дефектов упаковки с использованием компьютерного зрения и машинного обучения.

В основе системы: нейросетевая модель, созданная в PyTorch, Ultralytics YOLO для быстрого и точного обнаружения объектов. Интеграция компонентов осуществляется через RESTful API, управление контроллерами — на базе C++ и Rapid STP.

Система установлена на конвейерную линию предприятия и обеспечивает высокую точность обнаружения дефектов.

Архитектура решения

Концептуальная модель

На концептуальной схеме изображены компоненты линии, с которыми интегрирована система видеоконтроля. Описание каждого из компонентов обозначено цифрой.

Процесс работы

Поэтапный процесс работы системы на примере одной производственной линии.

1. Оператор запускает производство, выбирает продукт, сканирует его код и номер заказа.
2. Система активирует процесс оценки и начинает посылать сигналы на общий контроллер управления процессом.
3. Контроллер следит за поступающими данными и запускает процесс отбраковки дефектной продукции.
4. В фоновом режиме система наблюдает за состоянием датчиков, чтобы остановить линию в случае аварии.

Схема системы контроля

Точка контроля расположена непосредственно на участке конвейера и является составной частью системы видеоконтроля. Она посылает сигналы, длительность которых настраивается на этапе интеграции.

Бесперебойность работы системы

Для адаптации системы к реальным производственным условиям, где возможны сбои в работе камер, ухудшение освещения и изменение угла наклона, мы провели серию съемок, максимально имитирующих ситуации на конвейерной линии.

Эксперименты с изменением углов обзора и освещенности помогли донастроить систему и достичь требуемой точности обнаружения дефектов без изменения технических условий на предприятии.

Поиск и цветовая индикация дефектов

Каждый дефект маркируется как GREEN, RED или AMBER в зависимости от отклонения от заданных параметров.

• GREEN — параметры дефекта в пределах нормы.
• AMBER — параметры дефекта выше нормы, но не критичны.
• RED — параметры дефекта сильно выше нормы.

Тестирование в различных условиях освещения