Производство · новое направление

Камера видит брак, нехватку СИЗ и остановку линии раньше, чем вы

Камера встаёт над конвейером, постом контроля или проходной — считает продукцию, находит брак, проверяет СИЗ. Результат — сразу в 1С, MES или бригадиру, а не в конце смены. Направление новое: собираем первые пилотные проекты и говорим об этом прямо.

Контроль брака · подсчёт на линии · СИЗ на проходной · данные — в 1С/MES, без миграций
ОБЪЕКТ 96%

Что умеет система уже сейчас

Видит бракСчитает на летуСИЗ на входеВстаёт поверх 1С/MESДанные в вашем периметреЧестно: направление новое

Машинное зрение (Computer Vision, CV) — это технология, которая позволяет системе не просто получать изображение с камеры, а понимать, что на нём происходит: находить объекты, измерять их параметры, распознавать состояния и принимать решения на основании увиденного.

Для компании, занимающейся автоматизацией, это очень перспективное направление. Практически любой процесс, в котором человек сейчас смотрит на объект, оценивает его состояние, считает, сравнивает, измеряет или проверяет, потенциально можно автоматизировать с помощью машинного зрения.

Все возможности ниже разделены на 15 больших направлений плюс отдельная подборка нестандартных задач на стыке CV и автоматизации. В конце — классификация задач по типу алгоритма, схема интеграции в АСУ и технические требования к реализации (железо, данные, локальная модель или внешняя).

1. Контроль наличия, количества и комплектности

Одна из самых понятных и коммерчески востребованных категорий.

Коробки на паллете на складе
ФБР / Wikimedia Commons, public domain
  • Определение наличия товара на полке.
  • Подсчёт количества единиц товара на полке.
  • Проверка, соответствует ли количество товара планограмме.
  • Определение пустых мест на стеллажах.
  • Контроль наличия конкретного артикула среди похожих товаров.
  • Определение отсутствующих деталей в комплекте.
  • Проверка комплектности собранного изделия.
  • Подсчёт деталей на конвейере.
  • Подсчёт коробок на паллете.
  • Подсчёт мешков, бутылок, банок, рулонов.
  • Определение количества свободных мест на паллете.
  • Проверка заполненности контейнера.
  • Контроль наличия этикетки на товаре.
  • Проверка наличия крышки на бутылке.
  • Проверка наличия пломбы.
  • Контроль наличия крепежа (болтов, гаек, шайб).
  • Определение наличия инструмента на рабочем месте.
  • Проверка, все ли компоненты установлены в корпус изделия.
  • Определение количества людей в помещении.
  • Подсчёт автомобилей на парковке.
Пример автоматизации. Камера над зоной комплектации видит коробку, распознаёт её содержимое и проверяет, что внутри находятся все 8 необходимых компонентов.

2. Контроль качества и обнаружение дефектов

Огромное направление, особенно для производства.

Магнитопорошковая дефектоскопия металлической детали
US Air Force / Wikimedia Commons, public domain
  • Обнаружение царапин на металлических поверхностях.
  • Обнаружение трещин.
  • Обнаружение сколов.
  • Поиск вмятин.
  • Обнаружение коррозии.
  • Выявление пятен и загрязнений.
  • Определение неоднородности окраски.
  • Контроль качества сварных швов по изображению.
  • Обнаружение пузырей в лакокрасочном покрытии.
  • Проверка качества полировки.
  • Поиск дефектов стекла.
  • Проверка целостности пластиковых изделий.
  • Обнаружение порезов и разрывов ткани.
  • Поиск дефектов на бумаге и картоне.
  • Контроль качества печати.
  • Выявление непропечатанных участков.
  • Обнаружение повреждённой упаковки.
  • Проверка геометрии деталей на наличие деформаций.
  • Определение неправильной формы изделия.
  • Проверка качества поверхности древесины.
  • Поиск дефектов на пищевой продукции.
  • Определение степени зрелости фруктов и овощей.
  • Обнаружение гнили и повреждений плодов.
  • Выявление посторонних предметов на производственной линии.
Пример. Камера осматривает каждую металлическую деталь после обработки и автоматически отправляет изделия с царапинами или деформациями в брак.

3. Измерения геометрии, размеров и положения объектов

Здесь возможности особенно интересны для автоматизации оборудования, роботов и станков.

Координатно-измерительная машина для контроля геометрии деталей
Turbonut / Wikimedia Commons, CC BY-SA 4.0
  • Измерение длины изделия.
  • Измерение ширины и высоты.
  • Определение диаметра отверстия.
  • Измерение расстояния между отверстиями.
  • Определение угла поворота детали.
  • Определение угла наклона объекта.
  • Определение угла поворота автомобиля на фотографии.
  • Определение положения автомобиля относительно парковочного места.
  • Определение смещения детали относительно заданного положения.
  • Определение координат объекта на конвейере.
  • Определение центра объекта.
  • Определение отклонения от оси.
  • Определение параллельности элементов.
  • Проверка перпендикулярности.
  • Определение радиуса закругления.
  • Измерение зазоров между деталями.
  • Контроль расстояния между элементами конструкции.
  • Определение высоты штабеля.
  • Измерение уровня заполнения ёмкости.
  • Определение угла открытия двери.
  • Определение угла поворота крана или манипулятора.
  • Определение положения стрелы строительной техники.
  • Определение наклона транспортёра.
  • Измерение прогиба конструкции.
  • Контроль деформации изделия.
Пример. Камера определяет координаты и угол поворота металлической заготовки на конвейере, после чего передаёт данные роботу для захвата.
Важный нюанс. Для точных физических измерений часто нужны калибровка камеры, фиксированная геометрия съёмки, а иногда стереокамеры или 3D-сканирование. Обычная фотография не всегда позволяет достоверно определить реальные размеры объекта.

4. Контроль соблюдения техники безопасности и спецодежды

Здесь машинное зрение может выполнять функции автоматического инспектора.

Рабочие в касках и защитной одежде на объекте
Deborah Verwey / Wikimedia Commons, CC BY-SA 4.0
  • Определение наличия каски на человеке.
  • Определение наличия защитных очков.
  • Проверка наличия сигнального жилета.
  • Определение наличия спецодежды.
  • Проверка наличия защитных перчаток.
  • Проверка наличия респиратора.
  • Определение наличия защитной обуви.
  • Проверка использования страховочной привязи.
  • Контроль использования средств защиты при работе с оборудованием.
  • Определение нахождения человека в опасной зоне.
  • Обнаружение человека рядом с работающим роботом.
  • Обнаружение человека внутри запрещённой зоны.
  • Определение пересечения опасной линии.
  • Контроль нахождения людей под поднятым грузом.
  • Обнаружение человека на полу (возможное падение).
  • Определение работы без присутствия защитного ограждения.
  • Контроль закрытия защитных кожухов станков.
  • Обнаружение открытых дверей электрощитовых.
  • Контроль соблюдения безопасной дистанции между людьми и техникой.
  • Выявление скопления людей в опасных местах.
Пример. При входе в производственный цех камера проверяет наличие каски, жилета и защитных очков. Если одного элемента не хватает — система отправляет сигнал на контроллер или систему контроля доступа.
Важно. CV может сигнализировать о потенциальном нарушении, но не стоит делать его единственным защитным контуром вместо сертифицированных устройств безопасности.

5. Распознавание действий и анализ поведения людей

Это уже следующий уровень: система определяет не только наличие человека, но и то, что он делает.

Рабочие на производстве выполняют операции
UW Digital Collections / Wikimedia Commons
  • Определение того, стоит человек или сидит.
  • Определение ходьбы и бега.
  • Распознавание падения человека.
  • Определение подъёма тяжёлых предметов.
  • Определение наклона корпуса.
  • Анализ неправильной рабочей позы.
  • Контроль положения рук оператора.
  • Определение выполнения технологической операции.
  • Проверка последовательности действий рабочего.
  • Определение того, пользуется ли оператор инструментом.
  • Определение факта загрузки детали в станок.
  • Определение факта извлечения изделия.
  • Определение бездействия оператора.
  • Определение длительности выполнения операции.
  • Анализ времени нахождения работника на рабочем месте.
  • Определение очередей.
  • Анализ плотности потока людей.
  • Определение направления движения человека.
  • Выявление нетипичных действий.
  • Определение количества одновременно работающих сотрудников.
Пример. Камера наблюдает за сборочным постом и определяет, соблюдает ли оператор последовательность из пяти операций. Если пропущен шаг — система выдаёт предупреждение.
Здесь важно учитывать приватность сотрудников и заранее определять, какие именно производственные показатели действительно необходимо собирать.

6. Распознавание текста, маркировки и документов (OCR)

OCR — Optical Character Recognition, распознавание текста на изображениях.

Сканирование штрихкода на упаковке
IAEA / Wikimedia Commons, CC BY-SA 2.0
  • Чтение серийных номеров изделий.
  • Чтение маркировки на металлических деталях.
  • Распознавание артикулов.
  • Чтение номеров партий.
  • Распознавание даты производства.
  • Чтение срока годности.
  • Распознавание маркировки на упаковке.
  • Считывание штрихкодов.
  • Считывание QR-кодов.
  • Распознавание VIN-номеров автомобилей.
  • Чтение номеров контейнеров.
  • Распознавание номеров вагонов.
  • Чтение показаний аналоговых приборов.
  • Распознавание показаний счётчиков.
  • Считывание показаний манометров.
  • Распознавание шкал и положений стрелок.
  • Чтение маркировки на кабелях.
  • Распознавание надписей на электрических компонентах.
  • Проверка соответствия этикетки содержимому упаковки.
  • Проверка правильности нанесённой маркировки.
  • Определение отсутствующей или плохо читаемой маркировки.
Пример. Камера считывает серийный номер каждой детали и связывает его с записью в MES или ERP.

7. Логистика, склад и транспорт

Погрузка контейнера вилочным погрузчиком на складе
Goterrestrial / Wikimedia Commons, CC BY 4.0
  • Определение свободных складских ячеек.
  • Определение занятости стеллажей.
  • Контроль правильности размещения товара.
  • Проверка соответствия паллеты складской ячейке.
  • Распознавание типа паллеты.
  • Определение высоты паллеты.
  • Контроль правильности укладки коробок.
  • Определение повреждённых паллет.
  • Подсчёт коробок при погрузке.
  • Проверка правильности загрузки автомобиля.
  • Определение свободного объёма кузова.
  • Контроль заполнения контейнера.
  • Распознавание типа грузового транспорта.
  • Определение номера автомобиля.
  • Определение номера контейнера.
  • Контроль въезда и выезда транспорта.
  • Определение направления движения погрузчика.
  • Подсчёт перемещений погрузчиков.
  • Отслеживание перемещения паллет.
  • Определение местоположения груза в зоне отгрузки.
  • Контроль правильности расположения груза в кузове.
  • Определение наличия груза на конвейере.
  • Контроль правильности сортировки посылок.
  • Автоматическая сортировка объектов по типу и размеру.
Пример. На выезде со склада камера проверяет, соответствует ли фактическое количество коробок в грузовике заданию на отгрузку.

8. Автомобили, спецтехника и транспортные средства

Здесь можно делать не только распознавание автомобилей, но и полноценную техническую диагностику по изображениям.

Механик проводит осмотр двигателя автомобиля
Shixart1985 / Wikimedia Commons, CC BY 2.0
  • Определение марки и модели автомобиля.
  • Определение типа кузова.
  • Определение цвета автомобиля.
  • Определение угла поворота автомобиля.
  • Определение положения автомобиля относительно разметки.
  • Определение направления движения.
  • Определение положения колёс.
  • Определение угла поворота передних колёс.
  • Определение открытых дверей.
  • Определение открытого капота.
  • Определение открытого багажника.
  • Проверка наличия номерных знаков.
  • Распознавание государственных номеров.
  • Обнаружение царапин на кузове.
  • Обнаружение вмятин.
  • Обнаружение трещин на стекле.
  • Определение повреждений бамперов.
  • Контроль состояния шин.
  • Определение степени износа протектора (при подходящей съёмке).
  • Определение загрязнения автомобиля.
  • Контроль правильности установки колёс.
  • Определение наличия зеркал.
  • Контроль комплектации автомобиля.
  • Определение положения ковша экскаватора.
  • Определение положения стрелы крана.
  • Контроль положения рабочего оборудования спецтехники.
Пример. На въезде в автосервис камера делает снимки машины, определяет её положение, фиксирует существующие повреждения и формирует автоматический акт осмотра.

9. Контроль технологических процессов и оборудования

Очень интересная категория для интеграторов автоматизации: камера фактически становится дополнительным датчиком оборудования.

Станок обрабатывает материал на производственной линии
Shixart1985 / Wikimedia Commons, CC BY 2.0
  • Определение включённого или выключенного состояния станка.
  • Определение наличия детали в рабочей зоне.
  • Контроль положения заготовки.
  • Определение положения подвижных механизмов.
  • Контроль открытия и закрытия клапанов.
  • Определение положения рычагов.
  • Определение положения переключателей.
  • Контроль состояния световых индикаторов.
  • Распознавание сигналов сигнальных колонн.
  • Определение наличия пламени в технологической зоне.
  • Контроль наличия дыма.
  • Определение утечек жидкостей по видимым следам.
  • Контроль капель и подтёков.
  • Определение уровня жидкости в прозрачных ёмкостях.
  • Контроль уровня сыпучего материала.
  • Определение переполнения бункеров.
  • Контроль движения ленты конвейера.
  • Определение остановки конвейера.
  • Обнаружение застрявшего изделия.
  • Определение скопления продукции.
  • Контроль правильности укладки материала.
  • Контроль положения захвата робота.
  • Проверка того, что робот захватил объект.
  • Определение наличия заготовки в пресс-форме.
  • Контроль процесса сборки изделия.
Пример. На оборудовании нет свободных входов для подключения дополнительных датчиков. Камера визуально определяет положение механического переключателя и передаёт его состояние в PLC.

10. Сельское хозяйство и агропромышленность

Яблоневый сад
ahisgett / Flickr, CC BY 2.0
  • Определение количества плодов на дереве.
  • Подсчёт урожая.
  • Определение степени зрелости фруктов.
  • Определение цвета плодов.
  • Обнаружение гнили.
  • Обнаружение повреждений растений.
  • Распознавание сорняков.
  • Определение состояния посевов.
  • Оценка густоты растений.
  • Подсчёт растений на участке.
  • Определение пропусков в посадках.
  • Определение наличия вредителей по визуальным признакам.
  • Определение заболеваний листьев.
  • Контроль качества рассады.
  • Измерение высоты растений.
  • Определение степени развития культуры.
  • Контроль качества сортировки овощей.
  • Определение размера картофеля.
  • Сортировка яблок по размеру и цвету.
  • Определение посторонних объектов при уборке урожая.
  • Подсчёт животных на ферме.
  • Распознавание конкретного животного.
  • Определение положения животного.
  • Обнаружение лежащего животного.
  • Контроль заполненности кормушек.
Пример. Камера над сортировочной линией определяет размер, цвет и наличие повреждений у яблок, после чего система управляет механизмом сортировки.

11. Строительство, здания и инфраструктура

Строительный кран на стройплощадке
Kevin Waterhouse / Wikimedia Commons (geograph.org.uk), CC BY-SA 2.0
  • Определение наличия строительных материалов.
  • Подсчёт кирпичей и блоков.
  • Контроль количества арматуры.
  • Проверка правильности расположения арматуры.
  • Обнаружение трещин в бетоне.
  • Обнаружение трещин на стенах.
  • Контроль состояния фасадов.
  • Определение степени готовности строительных работ.
  • Сравнение текущего состояния объекта с проектным.
  • Определение положения строительной техники.
  • Контроль нахождения рабочих в опасных зонах.
  • Подсчёт работников на объекте.
  • Контроль наличия ограждений.
  • Проверка наличия строительных лесов.
  • Определение открытых проёмов.
  • Контроль правильности монтажа конструкций.
  • Обнаружение протечек.
  • Контроль состояния кровли.
  • Подсчёт парковочных мест.
  • Определение занятости парковок.
  • Контроль движения транспорта на территории.
  • Обнаружение посторонних объектов на путях эвакуации.
Пример. Система ежедневно фотографирует строительный объект и определяет процент выполнения отдельных этапов работ.

12. Энергетика, ЖКХ и инженерные системы

Электросчётчик с показаниями
delgaudm / Flickr, CC BY 2.0
  • Автоматическое считывание показаний электросчётчиков.
  • Считывание водомеров.
  • Считывание газовых счётчиков.
  • Распознавание показаний манометров.
  • Распознавание показаний термометров.
  • Контроль положения стрелок приборов.
  • Определение состояния автоматических выключателей.
  • Контроль положения рубильников.
  • Определение положения вентилей.
  • Контроль состояния задвижек.
  • Обнаружение коррозии труб.
  • Обнаружение протечек.
  • Контроль состояния изоляции.
  • Обнаружение повреждений линий электропередачи.
  • Обнаружение посторонних объектов на ЛЭП.
  • Контроль состояния опор.
  • Обнаружение повреждений солнечных панелей.
  • Определение загрязнения солнечных панелей.
  • Обнаружение горячих точек с помощью тепловизионных камер.
  • Контроль состояния вентиляционных решёток.
  • Определение загрязнения фильтров по визуальным признакам.
  • Контроль наличия льда и снега на оборудовании.
Пример. Камера периодически фотографирует приборную панель котельной, распознаёт показания всех аналоговых приборов и передаёт их в SCADA.

13. Пищевая промышленность и общепит

Завод по розливу напитков
Ryan Glenn / Wikimedia Commons, CC BY 2.0
  • Определение степени прожарки продуктов.
  • Контроль цвета готовой продукции.
  • Определение размера порций.
  • Подсчёт продуктов на подносе.
  • Контроль правильности комплектации блюда.
  • Определение наличия ингредиентов.
  • Проверка правильности укладки продукции в упаковку.
  • Обнаружение посторонних предметов.
  • Контроль уровня наполнения бутылок.
  • Контроль уровня наполнения банок.
  • Проверка наличия крышек.
  • Контроль правильности запайки упаковки по видимым признакам.
  • Определение деформации упаковки.
  • Контроль качества нарезки.
  • Определение размера кусков мяса.
  • Сортировка продукции по цвету.
  • Определение степени зрелости овощей.
  • Контроль внешнего вида хлебобулочных изделий.
  • Подсчёт готовой продукции.
  • Контроль чистоты производственных поверхностей.
  • Определение заполненности витрин.
  • Контроль наличия ценников и маркировки.
Пример. Камера на линии сборки готовых блюд проверяет, что в каждом контейнере присутствуют все компоненты и их количество соответствует рецептуре.

14. Торговля, коммерческие помещения и сервис

Пустые полки в продуктовом магазине
waitscm / Flickr, CC BY 2.0
  • Контроль выкладки товаров.
  • Проверка соответствия планограмме.
  • Определение пустых полок.
  • Подсчёт посетителей.
  • Анализ потока посетителей.
  • Определение наиболее посещаемых зон.
  • Подсчёт людей в очереди.
  • Оценка времени ожидания в очереди.
  • Определение занятости касс.
  • Контроль наличия товаров в холодильниках.
  • Определение открытой двери холодильника.
  • Контроль состояния витрин.
  • Определение пустых мест в торговом автомате.
  • Распознавание товара, взятого покупателем.
  • Проверка правильности комплектации заказа.
  • Контроль наличия ценников.
  • Проверка соответствия ценника товару.
  • Контроль выкладки рекламных материалов.
  • Определение наличия рекламных стендов.
  • Контроль чистоты торгового зала.
Пример. Камера наблюдает за холодильником магазина, определяет количество бутылок каждого вида и автоматически формирует задачу на пополнение.

15. Нестандартные и интересные кейсы

Задачи, которые не всегда сразу приходят в голову, но могут оказаться интересными для разработки специализированных решений.

Промышленные роботы-манипуляторы на сборочной линии
jurvetson / Flickr, CC BY 2.0

Распознавание положения и состояния объектов

  • Определить, лежит предмет или стоит.
  • Определить, перевёрнут ли объект.
  • Определить, находится ли предмет вверх ногами.
  • Определить, правильно ли ориентирована деталь.
  • Определить, какой стороной обращён объект.
  • Определить, закрыт ли контейнер.
  • Определить, насколько открыта крышка.
  • Определить, перекошен ли предмет.
  • Определить, соприкасаются ли два объекта.
  • Определить, находится ли один объект внутри другого.
  • Определить, правильно ли вставлена деталь в другую деталь.

Манипуляции и робототехника

  • Поиск случайно расположенных деталей в контейнере (Bin Picking).
  • Определение точки захвата объекта роботом.
  • Определение оптимальной ориентации захвата.
  • Определение свободного пространства для захвата.
  • Контроль правильности захвата.
  • Определение выпавшей детали.
  • Определение наличия объекта в захвате.
  • Контроль положения инструмента относительно изделия.
  • Определение препятствий на пути робота.
  • Определение свободной зоны для размещения объекта.

Контроль окружающей среды

  • Обнаружение луж на полу.
  • Обнаружение разлитых жидкостей.
  • Обнаружение мусора.
  • Контроль чистоты пола.
  • Обнаружение посторонних предметов.
  • Определение наличия снега.
  • Определение наличия льда.
  • Обнаружение дыма.
  • Обнаружение пламени.
  • Определение запотевания стекла.
  • Контроль запылённости оборудования по видимым признакам.

Определение событий

  • Определение факта столкновения объектов.
  • Определение факта падения груза.
  • Определение факта опрокидывания тележки.
  • Определение факта разрыва упаковки.
  • Определение факта открытия двери.
  • Определение факта проникновения в помещение.
  • Определение факта прохождения объекта через контрольную зону.
  • Определение факта загрузки и выгрузки.
  • Определение факта остановки движения.
  • Определение необычного поведения оборудования.

Управление процессами

  • Автоматический выбор следующего изделия для обработки.
  • Определение типа поступившей заготовки и выбор программы станка.
  • Управление сортировкой продукции.
  • Управление пневматическими толкателями по результатам распознавания.
  • Выбор точки захвата роботом.
  • Определение заполненности накопителя и управление подачей.
  • Автоматическое управление освещением по присутствию людей.
  • Управление вентиляцией по визуально обнаруживаемому состоянию процесса.
  • Управление транспортными потоками на территории предприятия.

16. Ещё 20 задач на стыке машинного зрения и автоматизации

Кейсы, где CV может заменить несколько обычных датчиков или добавить оборудованию новые возможности.

№Что определяемЧто можно автоматизировать
1Есть ли деталь в захвате роботаРазрешение на перемещение
2Правильно ли установлена детальЗапуск следующего этапа
3Есть ли оператор перед станкомЗапрет автоматического цикла
4Закрыта ли защитная дверцаКонтроль состояния
5Какое положение у рычагаПередача состояния в PLC
6Горит ли красный индикаторСигнализация аварии
7Какое значение показывает стрелочный приборПередача измерений в SCADA
8Есть ли материал в бункереУправление подачей
9Насколько заполнен накопительУправление конвейером
10Есть ли затор на конвейереОстановка подачи
11Правильно ли расположена тараКорректировка позиционирования
12Есть ли крышка на ёмкостиОтбраковка
13Правильно ли соединены два элементаРазрешение сборки
14Есть ли посторонний предмет в зоне обработкиОстановка процесса
15Какая именно деталь поступила на станокВыбор программы обработки
16Сколько продукции накопилось после станкаРегулирование производительности
17Открыта ли заслонкаКонтроль технологического состояния
18Есть ли утечка маслаУведомление о неисправности
19Какова степень износа инструмента по видимым признакамПланирование обслуживания
20Есть ли повреждения после обработкиАвтоматическая отбраковка

Как классифицировать задачи машинного зрения технически

Все перечисленные кейсы сводятся к нескольким типам алгоритмов. Это помогает оценивать новые проекты и понимать, насколько сложной будет реализация.

Тип технологииЧто умеетПример
Object DetectionНаходит объекты и их количествоСколько коробок на паллете
ClassificationОпределяет класс объектаБрак / не брак
SegmentationВыделяет объект по контуруПлощадь загрязнения
Object TrackingОтслеживает движениеПеремещение паллеты
OCRРаспознаёт текстСерийный номер
Pose EstimationОпределяет положение и ориентациюУгол поворота автомобиля
Keypoint DetectionНаходит ключевые точкиПоложение суставов человека
Anomaly DetectionИщет отклонения от нормыНеобычный дефект поверхности
3D VisionОпределяет глубину и объёмВысота штабеля
Optical FlowАнализирует движение в кадреСкорость движения материала

Эти технологии можно комбинировать. Например, система контроля комплектации может одновременно использовать распознавание объектов, подсчёт, OCR и проверку пространственного положения.

Подробнее о технических возможностях — у производителей специализированного ПО: MVTec, Basler, KEYENCE.

Архитектура интеграции в АСУ

Машинное зрение необязательно должно заменять существующие датчики. Оно может стать дополнительным источником информации для уже работающей системы автоматизации.

КамераПолучение изображения
→
Система машинного зренияРаспознавание, измерение, классификация
→
PLC / SCADA / MESПередача результата: координаты, количество, статус
→
Исполнительное оборудованиеРобот, конвейер, толкатель, станок, сигнализация

На выходе система машинного зрения может передавать:

  • Boolean — объект найден / не найден.
  • Integer — количество объектов.
  • Float — угол, расстояние, размер, координата.
  • String — распознанный текст или тип объекта.
  • Enum — состояние объекта.
  • Массив координат — положение нескольких объектов.

Для интеграции могут использоваться Ethernet/IP, PROFINET, Modbus TCP, OPC UA, REST API и другие интерфейсы — в зависимости от оборудования и программной платформы.

Какие кейсы рассматривать в первую очередь

Не все задачи одинаково просты в реализации. Например, определить наличие красной крышки на фиксированной позиции обычно значительно проще, чем обнаружить любую возможную царапину на произвольной поверхности.

КейсСложностьКоммерческий потенциал
Наличие / отсутствие деталиНизкаяВысокий
Подсчёт продукцииНизкая–средняяВысокий
Чтение маркировкиНизкая–средняяВысокий
Проверка комплектностиСредняяВысокий
Определение положения деталиСредняяВысокий
Контроль спецодеждыСредняяВысокий
Подсчёт товара на полкахСредняяВысокий
Чтение аналоговых приборовСредняяВысокий
Контроль сложных дефектовВысокаяВысокий
Распознавание действий человекаВысокаяСредний–высокий
3D Bin PickingВысокаяВысокий
Прогнозирование неисправностей по изображениюОчень высокаяПотенциально высокий

Ориентировочная оценка, а не универсальная шкала: реальная сложность зависит от освещения, скорости линии, разнообразия объектов, качества камеры и требуемой точности.

Для первого знакомства с направлением — четыре совершенно разных задачи: подсчёт и распознавание объектов; контроль комплектности и качества; определение координат и углов поворота объектов; распознавание состояний оборудования и действий людей. Они дадут понимание практически всех основных возможностей CV. И не стоит ограничивать поиск проектов заводами — те же технологии применимы на складах, в логистике, автосервисах, сельском хозяйстве, торговле, строительстве и ЖКХ.

Технические требования к реализации

Три вопроса, которые нужно закрыть на этапе оценки любого CV-проекта: какое железо нужно для инференса, сколько данных нужно собрать для обучения, и где должна жить модель — на площадке клиента или во внешнем облаке/API.

Какое оборудование нужно для распознавания

Требования к железу определяет не «CV в целом», а конкретная связка: тип алгоритма (classification легче всего, segmentation/pose/anomaly detection — тяжелее), число камер/потоков, требуемый FPS и допустимая задержка, разрешение кадра, точность вычислений (FP16/INT8 на edge-модулях работает заметно быстрее FP32). Три практических уровня:

Уровень 1 — простая логика, 1–2 потока

Наличие/отсутствие объекта, подсчёт при фиксированном ракурсе, чтение штрихкода/маркировки, классификация «брак / не брак». Хватает недорогого edge-модуля (NVIDIA Jetson Orin Nano или аналог) либо мини-ПК с простым USB/IP-ускорителем. На Jetson Orin Nano лёгкие детекторы (RF-DETR и подобные) идут на уровне ~25 FPS на один поток RTSP — для задач с низкой частотой событий (сработал конвейер, прошла деталь) этого более чем достаточно.

Уровень 2 — несколько потоков, детекция, измерения, OCR

4 камеры и больше, детекция+подсчёт на лету, измерение геометрии, OCR на потоке. Нужен модуль уровня Jetson Orin NX или настольный GPU (RTX 4060 / NVIDIA T4) — ориентир из практики: порядка 30 FPS на поток при 4 потоках 720p одновременно на Orin NX-класса железе. На более старом/слабом железе (Jetson Nano, лёгкие модели типа YOLOv4-tiny) реалистичный потолок — около 25 FPS при заметно сниженной точности, а полноразмерные модели на том же чипе падают до ~8 FPS — так что «слабое» железо подходит только для простых одноклассовых задач.

Уровень 3 — тяжёлая нагрузка, реальное время, много камер 4K

Сегментация дефектов, pose estimation, высокое разрешение, жёсткие требования по задержке для управления оборудованием (сигнал в PLC должен прийти за миллисекунды, а не после сетевого round-trip). Здесь нужен серверный GPU на линию (RTX 4090 / L4 / A100-класс) либо отдельный edge-модуль на каждую камеру, работающий полностью локально — зависимость от сети здесь недопустима.

Отдельно: обучение ≠ инференс. Дообучение модели (даже transfer learning) обычно требует GPU с заметно большей VRAM, чем нужно для инференса на площадке — тренировку практически всегда делают не на том железе, что стоит в цеху: на сервере разработчика или в облаке, а на объект поставляется уже готовая, компактная модель под edge-инференс.

Большинство открытых цифр по FPS (включая приведённые выше) не указывают точно разрешение, batch size и точность вычислений — в реальном проекте эти параметры нужно проверять на конкретном железе и конкретной модели, а не ориентироваться на цифры из чужих тестов. Требования по температурному диапазону, пылевлагозащите (IP) и наработке на отказ у промышленного железа часто важнее, чем сырой FPS.

Конкретные конфигурации по задачам

Ориентир «класс задачи → что покупать». Это стартовая точка для расчёта, не точная спецификация — финальный выбор уточняется под конкретные камеры, модель и требуемую задержку.

Класс задачиПримеры кейсовЖелезо (инференс)RAMКамеры / потокиЦена модуля/карты в РФ, ₽
Уровень 1
простая логика
наличие/отсутствие, штрихкод/QR, показания счётчика, брак/не брак Jetson Orin Nano (8 ГБ) · мини-ПК + Hailo-8L (13 TOPS) · Raspberry Pi 5 + AI-камера 4–8 ГБ 1–2 камеры, 2–5 Мп точную цену на российских площадках не нашли (ChipDip, Ozon — 403/редирект при проверке); закладывать 15 000–40 000 ₽ за модуль/комплект как грубый ориентир, уточнять у поставщика
Уровень 2
детекция, OCR, измерения
подсчёт на потоке, измерение геометрии, OCR, контроль СИЗ на проходной, комплектность Jetson Orin NX (16 ГБ) · видеокарта актуального поколения (8–16 ГБ VRAM) · NVIDIA T4 (16 ГБ) 16–32 ГБ 4–8 камер, 720p–1080p @30 fps RTX 5060 8 ГБ — от ~55 000 ₽ (regard.ru, 11.2026); Orin NX — цену в рознице не нашли, под заказ у дистрибьютора
Уровень 3
тяжёлая нагрузка, реальное время
сегментация дефектов, pose estimation, безопасность на множестве камер 4K, управление роботом в реальном времени видеокарта верхнего уровня на линию; или A100/H100-класс при большой нагрузке; либо Jetson AGX Orin отдельно на каждую камеру 64–128+ ГБ (сервер) 4K, много потоков, задержка <50 мс RTX 5060 Ti 16 ГБ — ~92 000 ₽, RTX 5070 12 ГБ — ~113 000 ₽ (regard.ru) · Jetson AGX Orin 64 ГБ — 967 200 ₽ (serverflow.ru, НДС 7%, под заказ, 40–60 рабочих дней, нигде на складе нет) · A100/H100 обычно не покупают, а арендуют (см. ниже)
Обучение / дообучение
отдельно от инференса
тренировка под новую задачу, дообучение на новом классе/дефекте 1 GPU с большим объёмом VRAM для большинства задач; больше — для тяжёлой сегментации или больших датасетов — на период обучения дешевле арендовать в облаке, чем покупать 32–64 ГБ — (работа с датасетом, не с живым потоком) аренда в облаке РФ (Selectel/Cloud.ru/Yandex Cloud): точную ставку A100 за час на сайтах не нашли (калькуляторы на JS, цена считается только после выбора конфигурации) — известно, что у Selectel цены указаны с НДС 22%, а карта классом ниже (RTX PRO 6000) там стоит от ~290 ₽/час; закладывать похожий или более высокий порядок для A100/H100

Проверено 12.11.2026 на реальных российских площадках, а не по западным прайсам. Подтверждённый факт: Jetson AGX Orin 64 ГБ в РФ (serverflow.ru) стоит 967 200 ₽ — это примерно в 3 раза больше западной цены производителя ($2999 на ноябрь 2026) на тот же модуль: разница — параллельный импорт, наценка дистрибьютора и то, что позиции почти везде «под заказ», а не на складе. RTX 4060/4090 в проверенной рознице (regard.ru) уже не встретились — похоже, в РФ они вытесняются линейкой RTX 50-й серии, и именно её стоит закладывать в расчёт для уровня 2–3, а не западные цифры по 40-й серии. Для позиций, которые не удалось найти напрямую (Hailo-8L, Raspberry Pi 5, Jetson Orin Nano/NX в рознице — сайты блокируют автоматическую проверку цен), перед сметой проекта нужен звонок/запрос конкретному поставщику (ChipDip, Serverflow, профильные интеграторы embedded-плат), а не ориентир по западным $ из предыдущей версии этой таблицы.

Если нужно хранить видео для разбора инцидентов или аудита (а не только текущий результат распознавания) — это отдельная статья: сервер с NVR/RAID и расчёт объёма по формуле «битрейт × число камер × срок хранения». Для простого статуса «есть/нет объект» хранить видео обычно не нужно — достаточно лога результатов.

Сколько материала нужно для обучения модели

Единого правила нет, но практические ориентиры (при дообучении готовой модели — transfer learning, а не обучении с нуля):

  • Для первой рабочей модели — достаточно начать с ~50 представительных изображений на класс, дальше донабирать данные именно там, где метрики на валидации слабые, а не увеличивать выборку равномерно.
  • Плато качества для многих задач — в районе 150–500 изображений на класс; для максимальной точности ориентир — около 2000 изображений на класс.
  • Старое правило «1000 изображений на класс» (из эпохи ImageNet) автор сам называет неточным — transfer learning — главное исключение из этого правила: готовый backbone (например, COCO-pretrained YOLO) резко снижает потребность в данных по сравнению с обучением с нуля.
  • Чем проще и однороднее сцена (фиксированный ракурс, одинаковое освещение, конвейер) — тем меньше данных нужно. Чем разнообразнее объект и условия съёмки (ракурсы, фон, освещение меняются) — тем больше.
  • Segmentation и anomaly detection требуют больше данных и заметно дороже в разметке, чем простая детекция или классификация: разметка контуров/масок вручную — трудоёмкая работа, которую трудно делегировать массово.

Цифры — ориентиры из практики комьюнити (Roboflow, разборы YOLO-тренировок, классическая статья Pete Warden «How many images do you need to train a neural network?»), а не контролируемые бенчмарки — относиться к ним как к стартовой точке, а не к гарантии.

Локальная модель или внешняя (облачная)?

КритерийЛокальная модель (edge/on-prem)Внешняя/облачная модель
Управление оборудованием в реальном времени (сигнал в PLC, останов конвейера, разрешение роботу)ОбязательнаНепригодна — задержка и зависимость от связи
Видео с людьми (СИЗ, поведение, доступ)ПредпочтительнаЮридический риск — персональные данные (152-ФЗ)
Разовая/офлайн проверка, прототип, MVPИзбыточно на стартеБыстрее и дешевле запустить
Редкий нестандартный кейс под 1–2 клиентовНе оправдывает свою модельЭкономичнее начать с готового API
Постоянная эксплуатация на одной линии, большой объём кадровДешевле на масштабе, нет зависимости от интернетаДороже по счёту за запросы на объёме

Практичный паттерн для интегратора: прототип и первые пилоты — через облачный/внешний API или крупную мультимодальную модель (быстрее сделать, не нужно возиться с железом и сбором датасета). При переходе в постоянную эксплуатацию на конкретной линии — своя обученная модель на edge-железе на площадке клиента: дешевле на масштабе, не зависит от интернета, не отправляет видео с производства или с людьми во внешний сервис.

Вопросы от клиентов и ответы

Типичные вопросы, которые задаёт клиент на этапе обсуждения проекта, и как на них отвечать честно — без переобещаний. Разворачивается по клику.

Сколько это будет стоить и от чего зависит цена?

Три основные статьи: железо (камера + модуль инференса, см. раздел «Технические требования»), разработка и обучение модели под конкретную задачу, и интеграция с вашим оборудованием (PLC/SCADA/MES/1С). Простая задача на фиксированном ракурсе (есть деталь / нет детали) — недорогое и быстрое; сегментация дефектов на разнородных объектах или контроль на нескольких линиях сразу — кратно дороже. Точную цифру даём после короткого обследования объекта: освещение, ракурсы, доступ к сети оборудования.

Сколько времени занимает внедрение — от заявки до работающей системы?

Зависит от того, нужно ли собирать датасет с нуля. Если есть архив фото/видео вашего производства — недели. Если данных нет совсем — добавляется время на сбор представительной выборки (см. ниже, сколько материала нужно) и на обкатку модели на реальном потоке, прежде чем подключать её к управлению оборудованием. Пилот на одном участке — самый быстрый и самый честный способ оценить реальные сроки для остального производства.

Какая будет точность? Система может ошибаться?

Да, может — и любой подрядчик, который обещает 100%, либо не понимает задачу, либо вас обманывает. Реальная точность зависит от того, насколько однородна сцена (один ракурс, стабильное освещение — выше точность) и сколько представительных данных было на обучении. На старте всегда оговариваем целевые метрики (например, не пропустить больше X% дефектов) и предусматриваем, что человек проверяет граничные случаи, а не что система сразу работает автономно на 100%.

Что если на линии пыль, вибрация, меняется освещение (день/ночь, окна)?

Это главная причина, почему точность в реальном цеху ниже, чем в презентации вендора. Решается заранее: фиксированная подсветка независимо от внешнего освещения, защищённый корпус камеры (IP-рейтинг) под пыль и влагу, и — обязательно — обучающие данные, снятые в тех же условиях, что будет видеть система в проде, а не в идеальной лаборатории. Если прислать фото реального участка на этапе обсуждения, это сразу закрывает половину вопросов по точности.

Нужно ли останавливать производство для установки?

Обычно нет — камера монтируется над существующим процессом (конвейер, пост контроля, зона отгрузки) без изменения самого техпроцесса. Остановка может понадобиться только если система должна управлять оборудованием (сигнал в PLC) и нужно врезаться в существующую логику контроллера — это согласуется заранее и делается в окно планового простоя.

Что будет, если камера сломается или сдвинется?

Система не должна становиться единственной точкой контроля там, где отказ опасен или дорог — особенно в задачах безопасности (СИЗ, опасные зоны): CV здесь дополняет, а не заменяет сертифицированные защитные устройства. На отказ камеры/потерю сигнала предусматривается явный статус «нет данных» (а не тихое молчание, которое выглядит как «всё в порядке») и, где это критично, резервная камера или ручной контроль на это время.

Можно ли подключить это к нашему оборудованию — PLC, SCADA, 1С, MES?

Да, это стандартная часть проекта. Система машинного зрения передаёт результат (булево значение, число, координаты, текст) по тому протоколу, который понимает ваше оборудование — Ethernet/IP, PROFINET, Modbus TCP, OPC UA или REST API. Перед началом работ смотрим, что конкретно стоит у вас, и под это выбираем способ интеграции, а не наоборот.

Куда уходит видео с камер? Вы его храните? Не утечёт ли это конкурентам?

Зависит от выбранной архитектуры (см. раздел «Локальная модель или внешняя») — и это обсуждается отдельно и явно, а не по умолчанию. Для задач, завязанных на управление оборудованием или на видео с людьми, рекомендуем обработку и хранение локально, на вашей площадке или на сервере в РФ, без отправки кадров во внешние облачные API. Если для прототипа используется внешний API — это отдельно оговаривается, и обычно передаются только кадры, а не продолжительные записи.

У нас на линии работают люди — это не нарушает их права и защиту персональных данных?

Если камера распознаёт людей (СИЗ, поведение, нахождение в зоне), это работа с персональными данными по 152-ФЗ — нужно заранее определить, какие именно показатели реально собираются (например, «каска есть/нет» без сохранения лиц и без привязки к ФИО) и уведомить сотрудников. Разумный принцип — собирать производственный показатель, а не досье на конкретного человека, и хранить данные локально, а не во внешнем облаке.

Через полгода у нас появится новый вид детали/товара — придётся всё переделывать и платить заново?

Не с нуля. Если новая деталь похожа на уже знакомые модели (тот же тип задачи — просто другая форма/цвет), обычно достаточно дообучить существующую модель на небольшом наборе новых примеров (десятки-сотни фото, не тысячи — см. раздел про объём данных) без переделки всей системы. Полная переделка нужна только если меняется сам тип задачи (например, раньше считали количество, а теперь нужно искать дефекты).

Вы гарантируете результат?

Мы гарантируем прозрачный процесс и измеримые метрики, согласованные до начала работ — а не слепую гарантию «100% без ошибок», которую никто в индустрии честно не может дать. Поэтому и рекомендуем пилот на одном участке: он показывает реальную точность на вашей сцене и ваших данных, прежде чем масштабировать на всё производство.

Чем это лучше, чем просто поставить обычные датчики или сканер штрихкода?

Там, где задачу реально решает штрихкод или простой датчик присутствия — его и нужно поставить, это дешевле и надёжнее. CV имеет смысл, когда задачу нельзя свести к одному простому сигналу: нужно одновременно посчитать, измерить, распознать состояние или заметить то, что не предусмотрено заранее (неожиданный дефект, нештатная поза человека, незапланированный объект в кадре) — то есть там, где раньше эту оценку делал человек глазами.

Нужен ли нам интернет, чтобы это работало?

Для задач, которые управляют оборудованием в реальном времени, или для постоянной эксплуатации на объёме — нет, и это сделано намеренно: инференс идёт локально на edge-модуле на площадке, без зависимости от связи. Интернет может быть нужен только на этапе обучения/дообучения модели (если это делается в облаке) и для необязательной аналитики/дашбордов поверх уже готовых результатов.

Можно ли сначала попробовать на одном участке, не внедряя сразу всё?

Да, и это рекомендованный путь, а не компромисс. Пилот на одной линии/посте показывает реальную точность, реальные сроки и реальную стоимость переноса на остальные участки — и даёт право передумать или скорректировать подход до того, как потрачен бюджет на весь завод.

Что нужно от нас, чтобы вы обучили модель — откуда брать данные?

Лучший источник — архив реальных фото/видео с вашего производства в тех же условиях (освещение, ракурс, типичный брак), которые уже есть или легко собрать за несколько дней съёмки. Если своих данных нет, стартуем с готовых предобученных моделей (transfer learning) и небольшой выборки — счёт на десятки-сотни примеров на класс, не тысячи, — и донабираем данные уже по месту, где модель ошибается.

Сколько стоит поддержка после того, как систему сдали?

Обычно отдельная статья — переобучение модели при появлении нового вида продукции/дефекта, мониторинг точности в проде (метрики со временем «плывут» — меняется партия сырья, освещение, оборудование), и обслуживание самого железа (чистка объектива, замена камеры при отказе). Объём и периодичность поддержки оговариваются отдельно и зависят от того, насколько стабильна ваша сцена.

Насколько быстро это окупится?

Считается от конкретной задачи: сколько сейчас стоит ручной контроль (часы персонала, пропущенный брак, возвраты от клиентов из-за дефектов), и сколько это будет стоить через автоматизацию. Для понятных задач с высоким коммерческим потенциалом (см. таблицу «какие кейсы брать первыми» — наличие детали, подсчёт, чтение маркировки) окупаемость обычно считается в месяцах; для сложных и редких кейсов — сильно зависит от объёма и может не окупаться на малом масштабе вообще, это стоит проверять расчётом до старта, а не постфактум.

Стоимость

Пилот — от 250 000 ₽

Как и по остальным направлениям: пилот от 250 000 ₽ по фиксированной смете, проект под ключ — 400 000–890 000 ₽. Для машинного зрения итоговая сумма сильно зависит от задачи и железа — называем её после диагностики, а не до неё.

Пилот

от 250 000 ₽

Один участок или одна линия: диагностика сцены, подбор задачи, честная проверка точности на ваших данных до масштабирования.

Условия

Оплата по этапам

Диагностика и подбор задачи → пилот на одном участке → масштаб. После полной оплаты исходный код передаётся вам.

Данные

У вас в периметре

Ставим у вас на сервере или на нашем с хранением данных в РФ — вы выбираете сами.

Обсудить вашу задачу →
Связанные решения

Ещё решения для производства и опта

Машинное зрение закрывает то, что раньше проверялось глазами. Рядом — решения, которые уже работают у клиентов и закрывают соседние задачи учёта и документооборота.

Документы

Распознавание УПД и приёмка

Сверяет распознанные накладные с заказом поставщику и заводит поступление в 1С — соседняя задача учёта на складе.

Склад

Оборот в торговой сети

Точный товарный запас для поставщиков и дистрибьюторов — раскрывает спрятанный спрос по магазинам сети.

Основа

Дашборд бизнес-метрик

Базовый продукт студии: выручка, затраты и воронка в одном экране со светофором отклонений.

Расскажите, как устроен контроль у вас на цехе

Опишите задачу — какой участок, что сейчас проверяется глазами, какое оборудование уже стоит. На бесплатной диагностике честно скажем, подходит ли машинное зрение именно вашей задаче, и если да — с чего начать пилот.

Спасибо, получили. Свяжемся в течение рабочего дня и предложим время.

Все решения студии

Партнёрство

Обсудим сотрудничество — интеграция, со‑разработка, реселл, совместные ивенты.

Спасибо, написали. Ответим в течение рабочего дня.