Машинное зрение ML Sense для контроля качества труб на линии резки

Главное о кейсе

На одном из производственных участков АО «НПО «Аконит» была внедрена система машинного зрения ML Sense, которая автоматически выявляет производственные дефекты металлических труб до того, как они попадают в зону резки. Решение позволило избежать аварий, остановок линии и дорогостоящего ремонта оборудования. В результате — снижение аварий на линии на 80% и возврат инвестиций менее чем за 6 месяцев.

Как проект изменил жизнь пользователей

Снижение аварий на 80%: система успешно предотвращает подачу дефектных труб в зону резки.

Минимальный дефект — от 1 мм, включая трещины и заусенцы.

Окупаемость проекта — менее 6 месяцев.

Рост стабильности производства и снижение нагрузки на операторов.

Бизнес-задача и ее решение

Проблема
Предприятие ежемесячно перерабатывает до 800 тонн металлических труб, поступающих от разных поставщиков. Качество труб варьируется, и в партии регулярно встречаются дефекты — вмятины, заусенцы, трещины и загрязнения.

Ранее контроль осуществлялся вручную — оператор визуально осматривал трубы перед подачей в станок. Но при таких объёмах и высокой плотности производства человеческий фактор часто приводил к пропуску брака.

Если дефектная труба попадала во фрезерный узел, это приводило к заклиниванию, остановке линии и дорогостоящему ремонту. Один день простоя обходился предприятию в до 1 миллиона рублей.

Цель
Исключить попадание труб с дефектами в зону резки
Автоматизировать визуальный контроль и снизить зависимость от человеческого фактора
Сократить количество аварий и связанных с ними простоев

Решение
На линии резки внедрена система ML Sense — система машинного зрения для производств конвейерного типа, которая в реальном времени анализирует поверхность трубы и обнаруживает брак ещё до начала резки.

Крафт (мастерство), реализация, технические детали

Ключевые этапы:
Анализ производственной линии.
Специалисты провели обследование участка — от накопителя до роликов подачи. Система была встроена в существующую инфраструктуру без изменений конструкции.

Разработка аппаратного модуля.
Установлен блок из четырёх камер с настраиваемым освещением — он обеспечивает круговой обзор труб независимо от их диаметра.

Сбор и обучение модели.
На основе реальных изображений с площадки была собрана обучающая выборка. Модель обучалась на детектирование заусенцев, трещин, вмятин, швов и загрязнений.

Интеграция и запуск.
Камеры, сервер и интерфейс оператора были интегрированы в систему управления линией. Все компоненты защищены от пыли и вибрации, соответствуют условиям тяжёлого производства.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Как работает система
Каждая труба проходит точку контроля до подачи во фрезерный узел.

Камеры фиксируют поверхность, система ML Sense в реальном времени выявляет дефекты размером от 1 мм.

При обнаружении брака линия автоматически останавливается, загорается светозвуковой сигнал.

Оператор видит изображение дефекта в интерфейсе и принимает решение: удалить трубу или продолжить подачу.

Скриншоты