Проект «Сен-Гобен» взял «серебро» в номинации «Лучшая AI-технология» в digital-конкурсе Tagline Awards 2024

Cистема контроля качества на основе машинного зрения и нейросетей ML Sense от Nord Clan позволяет производителю строительных товаров экономить миллионы рублей в год на рекламации, а потребителей избавляет от сомнений в качестве товара.

Завод в Челябинске ЗАО «Завод Минплита» (входит в «Сен-Гобен») производит тепло- и звукоизоляционные материалы из каменной ваты под брендом Isover. Дефекты образуются в результате попадания инородных субстанций на минераловатный ковер. Визуально следить за ними непросто — конвейерная лента движется непрерывно.

Чтобы не допустить выпуска бракованных изделий, было решено внедрить систему контроля качества на основе машинного зрения и нейросетей ML Sense от Nord Clan. Это позволяет предприятию экономить миллионы рублей в год на рекламации, а потребителей избавляет от сомнений в качестве товара.

  Nord Clan представил кейс «Сен-Гобен» на крупнейшей digital-премии Tagline Awards 2024 в Европе. Результат — «серебро» в номинации «Лучшая AI-технология: компьютерное зрение».  

Главное о кейсе «Сен-Гобен»:

1. Ручной контроль дефектов на поверхности минваты заменило машинное зрение.
2. Потери от дефектной продукции сведены к нулю благодаря точности распознавания до 99%.
3. Внедрено световое оповещение оператора о дефекте, место его положения автоматически помечается краскопультом.

Как проект изменил жизнь пользователей

1. Сотрудники контроля качества больше не тратят время на сложный визуальный контроль, а следят за дефектами через монитор системы. Руководству больше не нужно надеяться только на внимательность и хорошее зрение оператора отдела качества.
2. Внедрили отечественное ПО, а значит решили вопрос импортозамещения на промышленном предприятии. ML Sense — результат работы российской компании. Входит в реестр отечественного ПО.
3. Повысили экономический эффект. Если раньше завод нес финансовые потери из-за возврата некачественной минваты, то теперь эти затраты свелись к нулю.

Бизнес-задача и ее решение

Производство минеральной ваты происходит на непрерывной конвейерной линии, по которой движется широкое полотно. Дефекты образуются в результате попадания инородных субстанций на минераловатный ковер. Визуально следить за ними непросто, особенно несколько часов. Чтобы не допустить бракованные изделия в продажу, было решено внедрить систему контроля качества на основе машинного зрения и нейросетей ML Sense от Nord Clan.

Как устроена система

Полотно минеральной ваты движется через пост контроля, на котором установлены камеры высокого разрешения и специальное освещение. Нейросеть, которая лежит в основе решения ML Sense, обучена распознавать основные виды дефектов на поверхности, непрерывно анализирует видеопоток с камер.

Если будет замечен дефект, то сработает сигнальная колонна (столб со световыми индикаторами разного цвета). Также боковая поверхность полотна минеральной ваты будет помечена краскопультом в том месте, где систем обнаружила дефект, чтобы его устранили на следующем этапе конвейера.

Крафт (мастерство), реализация, технические детали

Впервые применили уникальное маркирующее устройство с системой управления на основе нейросети. Когда система распознает дефект, краскопульт срабатывает автоматически, чтобы пометить нужный участок.

Как только машинное зрение обнаруживает дефект, она подает сигнал на блок управления прибора. В этот момент активируются пневмоотсекатели, которые в свою очередь подают давление воздуха на краскораспылители. В зависимости от расположения дефекта на ковре, активируется тот или иной маркиратор. Система подает сигнал — и минераловатный ковер маркируется.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Кейс ЗАО «Завод Минплита» компании «Сен-Гобен» — еще один пример того, как можно автоматизировать систему контроля качества продукции с помощью машинного зрения. Даже такой сложный материал, как минеральная вата, можно детектировать на наличие дефектов. Совместно с заказчиком мы выделили основные виды дефектов, на которых обучили нейросеть. Теперь она точно распознает поврежденные участки даже минимальных размеров (от 5 мм).

По нашей оценке, основанной на опыте внедрения ML Sense на других предприятиях, теперь завод экономит от 15 млн рублей в год. Такой экономический эффект удалось достичь благодаря значительным сокращениям финансовых потерь из-за рекламации продукции, а также за счет снижения зарплат специалистов по контролю качества.