Экспертные заключения: 9
Консультации: 0

Анализатор брака

Описание проекта

Идея проекта:

Разработка программно-аппаратного комплекса (системы машинного зрения) на базе легковесных нейросетевых архитектур для автоматизированной оптической инспекции и классификации дефектов продукции в реальном времени, адаптированного под технологические и бюджетные ограничения предприятий малого и среднего бизнеса (МСП).

Связь НПТЛ:

Проект непосредственно связан с реализацией НПТЛ № 10 «Микроэлектроника» (в частности, п. 10.8.1 «Системы неразрушающего контроля и технической диагностики» / п. 10.8 «Контрольно-измерительное и диагностическое оборудование», а также п. 10.13 «Системы управления с применением искусственного интеллекта»).

Обоснование связи:

• Неразрушающий оптический контроль (п. 10.8.1): Проект направлен на создание отечественного программного решения для бесконтактного и неразрушающего контроля геометрии, целостности и поверхностных дефектов изделий непосредственно на конвейерных линиях в поточном режиме.

• Интеллектуализация производственных систем (п. 10.13): Алгоритмическое ядро строится на нейросетевых моделях компьютерного зрения (Computer Vision), способных функционировать на локальных вычислительных блоках (Edge AI / встроенные микропроцессорные модули) без постоянного облачного подключения, что соответствует курсу на технологический суверенитет и развитие встраиваемых систем управления с ИИ.

Цели проекта:

• Технологическая цель: Разработать и апробировать программный модуль инспекции качества с точностью детекции дефектов не ниже 95% при скорости потоковой обработки до 10–30 кадров в секунду на доступной компонентной базе.

• Экономическая цель: Снизить долю брака, попадающего к конечному потребителю, на 40–60%, устранить риски, обусловленные утомляемостью и человеческим фактором операторов ОТК, и сократить расходы предприятий МСП на рекламации.

• Рыночная цель: Предложить доступную альтернативу дорогостоящим зарубежным промышленным системам машинного зрения за счет модульной архитектуры и минимальных требований к переоснащению конвейера.

Задачи проекта:

1. Анализ производственного контекста и требований: Исследование номенклатуры дефектов (сколы, трещины, деформации, нарушения маркировки) и параметров конвейерных линий целевых производств.

2. Сбор и синтез обучающих датасетов: Формирование базы изображений эталонной продукции и редких дефектов с применением методов аугментации данных и разметки (сегментация, детекция аномалий).

3. Разработка и оптимизация архитектуры ИИ: Обучение и квантование нейросетевых моделей (YOLO-подобные архитектуры, автоэнкодеры для anomaly detection) для стабильного инференса на маломощных вычислителях.

4. Проектирование пользовательского интерфейса и логики алертинга: Создание рабочего места оператора/технолога (Web/Desktop-интерфейс) с дашбордами статистики и модулем мгновенных уведомлений (звуковой сигнал, останов линии, триггер для отбраковщика).

5.Интеграционное и стендовое тестирование: Проведение испытаний прототипа на тестовом конвейерном стенде в условиях переменного освещения и вибраций.

Ожидаемые результаты:

• Функциональный MVP: Работающий прототип системы компьютерного зрения, готовый к развертыванию на пилотной производственной площадке.

• Специализированное ПО: Программный комплекс с понятным интерфейсом для настройки зон контроля и классов дефектов без необходимости привлечения Data Science специалистов.

• Подтвержденный экономический эффект: Оцифрованные метрики сокращения трудоемкости контроля качества, окупаемость внедрения системы в срок до 6–12 месяцев для малого предприятия.

• Научно-технический задел: Размеченный профильный датасет и оптимизированные алгоритмы детекции, готовые для масштабирования на смежные типы производств.

Актуальность

Актуальность проекта «Анализатор брака» обусловлена необходимостью повышения эффективности контроля качества на промышленных предприятиях. Ручной осмотр изделий сотрудниками ОТК требует времени и трудовых ресурсов, а результат проверки может зависеть от человеческого фактора, утомляемости и опыта специалиста. Применение компьютерного зрения позволяет автоматизировать выявление визуальных дефектов по изображениям, сократить трудоёмкость проверки и сделать процесс контроля более единообразным. Разработка доступной и адаптируемой программной платформы особенно перспективна для предприятий, которым необходимо внедрять современные технологии контроля качества без создания сложной специализированной системы с нуля

Бизнес-модель

1. Проблема

  • Высокая трудоёмкость ручного визуального контроля.
  • Риск пропуска дефектов из-за человеческого фактора.
  • Высокая сложность внедрения специализированных систем контроля.

2. Потребительские сегменты

  • Малые и средние промышленные предприятия.
  • Производители электроники и компонентов.
  • Сотрудники ОТК и инженеры по качеству.
  • Инженеры по автоматизации производства.

3. Уникальное ценностное предложение

Доступная и адаптируемая система компьютерного зрения для выявления визуальных дефектов с возможностью обучения на собственных изображениях предприятия.

4. Решение

  • Загрузка и разметка изображений.
  • Обучение и хранение моделей.
  • Классификация изделий «годно / брак».
  • В перспективе — анализ видео и интеграция с камерами.

5. Каналы продвижения

  • Прямые продажи промышленным предприятиям.
  • Пилотные проекты с производителями.
  • Партнёрство с интеграторами автоматизации.
  • Профессиональные выставки и отраслевые мероприятия.

6. Потоки доходов

  • Подписка на использование платформы.
  • Корпоративная лицензия.
  • Разовая настройка и обучение модели.
  • Интеграция с оборудованием и техническая поддержка.

7. Структура затрат

  • Разработка и сопровождение ПО.
  • Вычислительные ресурсы и хранение данных.
  • Сбор, подготовка и разметка изображений.
  • Тестирование моделей и техническая поддержка.
  • Внедрение и интеграция у заказчиков.

8. Ключевые метрики

  • Точность классификации на тестовых данных.
  • Доля пропущенных дефектов.
  • Время проверки одного изделия.
  • Количество пилотных внедрений.
  • Конверсия пилотов в платных клиентов.

9. Скрытое конкурентное преимущество

Возможность объединить подготовку данных, обучение модели и проверку изделий в одном интерфейсе. Дополнительным преимуществом могут стать накопленные отраслевые наборы данных и опыт адаптации системы под конкретные типы продукции.

Ссылка

На страницу проекта

Направление

IT

Рынки

TechNet

Сквозные технологии

Искусственный интеллект