Система машинного зрения

Когда слышишь 'система машинного зрения', первое, что приходит в голову — это какие-то футуристические камеры, которые сами всё видят и решают. На деле же 80% проблем начинаются с того, что инженеры забывают про банальные вещи вроде вибрации конвейера или бликов от смазки.

Почему готовые решения не всегда работают

В прошлом году мы в ООО Наньцзин Жуцянь Автоматизированное Оборудование столкнулись с классическим случаем: заказчик купил дорогую европейскую систему для контроля брака литья, а она пропускала каждый третий дефект. При разборе оказалось, что проблема не в алгоритмах, а в неправильном угле установки камер — тени от штампов создавали артефакты, которые софт интерпретировал как норму.

Пришлось пересобирать весь оптический тракт с нуля, добавлять поляризационные фильтры и калибровать под специфичное освещение цеха. Это тот случай, когда готовая система машинного зрения требует адаптации под каждый конкретный производственный процесс, сколько бы ни уверяли производители в универсальности.

Кстати, на нашем сайте https://www.rq-automation.ru есть примеры таких доработок — мы специально не выносим их в раздел 'успешные кейсы', потому что там слишком много нюансов, которые клиенты пытаются потом скопировать без понимания физики процесса.

Оборудование vs алгоритмы: что важнее

До сих пор встречаю заказчиков, которые считают, что главное — купить камеру с максимальным разрешением. На деле же для 95% задач контроля деталей хватает скромной 2Мп камеры, но с правильно настроенным стробоскопом и оптикой. Один раз пришлось заменять объектив за 200 тысяч рублей на аналог за 40 тысяч — просто потому, что первый слишком резко контрастировал текстуру поверхности.

В нашей компании как провинциальному высокотехнологичному предприятию приходится постоянно балансировать между стоимостью компонентов и реальными потребностями производства. Иногда выгоднее поставить три простые камеры под разными углами, чем одну 'умную' с обзором 360 градусов.

Особенно это касается контроля сварных швов — там где дорогие системы пытаются анализировать спектр отражения, мы часто используем комбинацию ИК-подсветки и узкополосных фильтров. Дешёво, но требует точной настройки позиционирования.

Типичные ошибки при интеграции

Самая болезненная ошибка — пытаться внедрить систему машинного зрения без изменения технологического процесса. Был случай на заводе автокомпонентов: поставили камеры для контроля резьбы в отверстиях, но не учли, что детали поступают со следами СОЖ. Пришлось добавлять ступень продувки сжатым воздухом — казалось бы очевидная вещь, но на этапе проектирования об этом не подумали.

Другая частая проблема — несоответствие данных в ТЗ. Клиент говорит 'нужна точность 0.1 мм', а по факту допуск на позиционирование детали составляет ±2 мм. В итоге система либо не видит объект, либо требует механических доработок оснастки.

Мы в ООО Наньцзин Жуцянь теперь всегда проводим тестовые съёмки на производстве, даже если заказчик предоставляет образцы. Реальные условия часто отличаются от лабораторных — пыль, вибрация, перепады температуры.

Программные нюансы, о которых редко пишут

Большинство современных библиотек для обработки изображений отлично справляются с идеальными данными. Но в цехе с его пылью, перепадами освещения и вибрацией даже простой алгоритм сопоставления шаблонов может давать сбои. Приходится добавлять препроцессинг — нормализацию гистограмм, фильтрацию шумов, иногда даже адаптивные пороги бинаризации.

Один из наших проектов для пищевой промышленности показал: цветопередача камеры может меняться в зависимости от температуры в цехе. Пришлось вводить ежесменную калибровку по эталонным образцам — автоматически, конечно, но это добавило лишнюю операцию в процесс.

Сейчас экспериментируем с гибридными подходами — где простая система машинного зрения делает первичный отсев, а сомнительные случаи отправляет на проверку оператору. Не идеально с точки зрения автоматизации, зато резко снижает процент ложных срабатываний.

Экономика внедрения: скрытые затраты

Многие недооценивают стоимость обслуживания даже простых систем. Замена источников света, чистка оптики, перекалибровка — всё это требует либо штатного специалиста, либо сервисных контрактов. В некоторых случаях затраты на обслуживание за 3 года превышают первоначальные инвестиции в оборудование.

В нашей практике был показательный проект для фармацевтики: изначально выбрали дорогую камеру с водяным охлаждением, но потом оказалось, что проще и дешевле было бы использовать две обычные камеры с воздушным обдувом — меньше точек отказа, проще замена.

Сейчас при расчётах для https://www.rq-automation.ru мы всегда закладываем коэффициент 1.3-1.5 к стоимости оборудования на адаптацию и пусконаладку. И это ещё без учёта возможных доработок техпроцесса заказчика.

Перспективы и тупиковые направления

Сейчас все увлеклись нейросетями для обработки изображений, но в промышленности их применение часто избыточно. Для стандартных задач типа контроля наличия детали или измерения геометрии традиционные алгоритмы работают и быстрее, и стабильнее. Нейросети же требуют огромных наборов данных для обучения, а собрать достаточное количество бракованных образцов на нормально работающем производстве — та ещё задача.

Более перспективным направлением считаем развитие 3D-сканеров на основе структурированного света — особенно для контроля объёмных деталей. Но тут свои сложности с скоростью обработки и чувствительностью к внешнему освещению.

В любом случае, идеальной системы машинного зрения не существует — всегда будет компромисс между стоимостью, точностью и надёжностью. Главное — не гнаться за модными технологиями, а подбирать решение под конкретную задачу. Как мы обычно и делаем в ООО Наньцзин Жуцянь Автоматизированное Оборудование, интегрируя проверенные компоненты в автоматизированные линии.