ML Sense для ОИЯИ: автоматический контроль намотки сверхпроводящего кабеля с помощью компьютерного зрения

Главное о кейсе

Внедрили систему машинного зрения ML Sense на ОИЯИ для контроля качества намотки сверхпроводящего кабеля. Исключили ручной контроль, снизили потери дорогостоящей ленты и высвободили 3 операторов в смене.

Как проект изменил жизнь пользователей

Точность детекции дефектов — 99%
Высвобождение 3–4 операторов в смене
Проект окупается с первой полноценной партии магнита
Снижение рисков брака при производстве ВТСП-кабелей

Бизнес-задача и ее решение

ПРОБЛЕМА

ВТСП-кабель (высокотемпературный сверхпроводящий кабель) наматывается из десятков тонких лент шириной 4 мм. От качества намотки напрямую зависит надёжность всей системы — будь то накопитель энергии или ускоритель частиц. Шаг между витками должен быть строго постоянным, без нахлёстов и заломов: даже один незамеченный дефект невозможно устранить после завершения намотки. При цене $35 за метр ВТСП-ленты и длине в десятки метров, брак даже одного кабеля обходится в сотни тысяч рублей.

Контроль выполняли вручную. На линии работали 6–7 операторов, часть из которых следили исключительно за качеством намотки. Это утомительная работа: нужно непрерывно смотреть на один и тот же участок кабеля и мгновенно реагировать на отклонения. Человеческий фактор, усталость и сложность визуального контроля приводили к ошибкам.

Этот проект стал логичным продолжением нашей предыдущей работы для завода «С-Инновации». Там мы помогали контролировать качество самой ленты — первого этапа производства, где нейросеть научилась выявлять спаи, сдвиги и дефекты с точностью до 95%. Теперь мы перешли к следующему важному этапу — контролю намотки кабеля из этой ленты. Это показывает, что клиенты доверяют нам и что наше решение эффективно работает на разных стадиях производства.

ЦЕЛЬ
Необходимо автоматизировать распознавание дефектов при намотке ВТСП-кабеля и уменьшить процент брака.

ЗАДАЧИ
- Контролировать однородность намотки на каждом из 5 постов кабельной машины.
- Автоматически фиксировать дефекты: нахлёст, залом, отклонение шага.
- При обнаружении дефектов — подавать сигнал на соответствующую сигнальную колонну и, при необходимости, останавливать линию.
- Обеспечить логирование событий и архив фотофиксации.

РЕШЕНИЕ

1. Построение сцены в лаборатории

Собрали опытный стенд в лаборатории: пробовали разные камеры, освещение и углы, чтобы добиться устойчивой и точной детекции. Когда нашли оптимальную конфигурацию, передали параметры заказчику — он воспроизвёл сцену на реальной линии.


2. Сбор и разметка данных

Мы собрали датасет из нескольких сотен примеров: равномерная намотка, заломы, нахлёсты, неравномерный шаг. На этом наборе обучили нейросеть: она не вычисляет метрику шага, а классифицирует участки по принципу «похоже на норму или нет».


При этом вся логика предельно простая и устойчивая. Камера фиксирует участок троса, модель сканирует изображение, и если оно визуально близко к эталонной намотке — на экране зелёный индикатор. Если что-то отклоняется — система помечает зону как дефектную и отправляет сигнал на светозвуковую колонну.

Нейросеть выявляет дефекты, а цифры показывают степень её уверенности в правильности распознавания.


3. Интеграция

Установили камеры на первый пост. Подключили сервер обработки, сигнальные колонны, контроллеры. По мере отладки начали развёртывание на все 5 постов. Система подключена к светозвуковым колоннам и умеет подавать сигнал на остановку установки.

Крафт (мастерство), реализация, технические детали

ML Sense — система машинного зрения для контроля качества, адаптированная под задачу анализа витков кабеля сверхпроводника.

Модель нейросети обучалась на размеченном датасете: три класса дефектов (нахлёст, залом, сбивка шага) + отдельный класс «равномерная намотка». Таким образом, модель решает задачу не классификации всей сцены, а локального распознавания: мы не интерпретируем точный шаг между витками, а определяем, визуально ли текущий участок отклоняется от эталонной структуры.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

КАК РАБОТАЕТ СИСТЕМА НА ПРОИЗВОДСТВЕ

1. На каждом из 5 постов установлена камера, направленная на кабель в точке намотки.
2. Видео в Full HD поступает в ML Sense.
3. Система определяет:
- неравномерный шаг между витками,
- нахлёсты,
- заломы.
4. При критических отклонениях загорается световая колонна на соответствующем посту и подаётся стоп-сигнал на установку.
5. Оператор видит изображение с камер и отмеченные дефекты. 6.Может принять решение: продолжать или корректировать намотку.
7. Все события и фото фиксируются в журнале.

Скриншоты