Автоматизация промышленной покрасочной камеры с помощью искусственного интеллекта

Клиент — одно из ведущих российских предприятий, специализирующихся на создании роботизированных производственных решений для машиностроения и смежных отраслей. Компания развивает компетенции в области промышленной автоматизации и внедряет технологии компьютерного зрения и искусственного интеллекта на реальных производственных площадках.

В рамках строительства нового производственного цеха предприятие столкнулось с задачей полной цифровизации покрасочного участка.

Речь шла не о модернизации старой линии, а о создании автоматизированной покрасочной камеры нового поколения — где все операции выполняются роботами, а контроль обеспечивается с помощью систем машинного зрения.

Задача стояла комплексная:

• создать систему, которая определяет тип детали и ее текущее состояние (грунтовка, окраска, ремонт и т.д.);
• автоматически подбирать программу покраски и передавать команды роботу-манипулятору;
• обеспечивать безопасность работы — камера должна фиксировать присутствие человека и блокировать покраску при его появлении в зоне.

Фактически речь шла о создании системы машинного зрения, способной в реальном времени обеспечивать и качество, и безопасность производственного процесса.

Мы предложили клиенту внедрить систему ML Sense.

Процесс в покрасочной камере выглядит так:

1. На рельсах в камеру завозится деталь.
2. Система машинного зрения сканирует ее и определяет:

• тип детали (сейчас поддерживается 3 вида, можно обучить систему на любое количество видов деталей);
• состояние поверхности (новая, загрунтованная, окрашенная, ремонтная и т.п.).

3. На основании полученных данных выбирается программа покраски. Для каждой комбинации типа и состояния детали предусмотрен свой сценарий.
4. Управляющий сигнал передается роботу-манипулятору, который выполняет операцию.

Покрасочная камера оснащена двумя модулями видеонаблюдения ML Sense. Первая камера контролирует положение и состояние детали, вторая — отслеживает возможное присутствие оператора в рабочей зоне. При обнаружении человека система немедленно блокирует процесс покраски и подаёт световой и цифровой сигнал о срабатывании защиты.

Для работы в агрессивной среде покрасочной камеры потребовались специальные решения:

• камеры установлены с классом защиты 1Ex db IIC T6 Gb X / Ex tb IIIC T80°C Db X, соответствующих стандартам IP66/IP68;
• применены пневматические насадки НП-4 для предотвращения загрязнения стекла за счет обдува воздухом;
• сервер размещен в защитном шкафу.

Ключевым этапом проекта стала подготовка датасета для обучения моделей компьютерного зрения. Поскольку речь шла о новых деталях и уникальных производственных условиях, готовых данных не существовало — их приходилось собирать с нуля. Для этого мы разработали полуавтоматический процесс съемки деталей.

1. Фотосъемка с поворотного стола.

В покрасочной камере установили поворотный стол, на который помещалась деталь. По сигналу от контроллера запускался цикл съемки: стол вращался на 360°, а камеры фиксировали каждый ракурс. Так обеспечивался полный обзор поверхности.

2. Синхронизация с оборудованием.

Мы интегрировали ML Sense с системой управления цеха. По кнопке оператор отмечал готовность к съемке — система переходила в режим фотофиксации и автоматически связывала каждое изображение с кодом детали и ее текущим состоянием.

3. Разнообразие состояний.

Для каждой из трех базовых деталей снимались все производственные состояния:

• до нанесения грунта;
• после грунтовки;
• после первого слоя краски;
• в ремонтном состоянии.

4. Разметка и обучение.

После съемки команда вручную перебирала изображения, уточняла разметку и обучала модель. Таким образом система училась различать как тип детали, так и состояние поверхности.

5. Отдельная нейросетевая модель для безопасности человека.

Помимо деталей, требовалось обучить систему определять присутствие человека в кадре. Для этого мы собрали набор фотографий операторов и обучили отдельную модель, которая фиксирует человека в кадре.

В итоге был создан полноценный промышленный датасет, охватывающий все производственные сценарии. Этот подход позволил достичь точности распознавания в 99% и обеспечить надежную работу системы в реальных условиях.