Объединенный институт ядерных исследований (ОИЯИ): ML Sense для автоматического контроля дефектов намотки сверхпроводящего кабеля

О клиенте

Объединённый институт ядерных исследований (ОИЯИ) — международный научный центр в Дубне. Специализируется на физике высоких энергий, ускорителях частиц и множестве прикладных, в том числе сверхпроводящих технологий. В частности, ОИЯИ разрабатывает SMES-накопитель (Superconducting Magnetic Energy Storage) — это высокотемпературная сверхпроводящая катушка, которая накапливает энергию и питает магниты ускорителей Бустер и Нуклотрон. Также ОИЯИ будет менять магниты Нуклотрона, прослужившие больше 30 лет, на магниты из ВТСП кабеля.

Проблема

ВТСП-кабель (высокотемпературный сверхпроводящий кабель) наматывается из десятков тонких лент шириной 4 мм. От качества намотки напрямую зависит надёжность всей системы — будь то накопитель энергии или ускоритель частиц. Шаг между витками должен быть строго постоянным, без нахлёстов и заломов: даже один незамеченный дефект невозможно устранить после завершения намотки. При цене $35 за метр ВТСП-ленты и длине в десятки метров, брак даже одного кабеля обходится в сотни тысяч рублей.

Контроль выполняли вручную. На линии работали 6–7 операторов, часть из которых следили исключительно за качеством намотки. Это утомительная работа: нужно непрерывно смотреть на один и тот же участок кабеля и мгновенно реагировать на отклонения. Человеческий фактор, усталость и сложность визуального контроля приводили к ошибкам.

Этот проект стал логичным продолжением нашей предыдущей работы для завода «С-Инновации». Там мы помогали контролировать качество самой ленты — первого этапа производства, где нейросеть научилась выявлять спаи, сдвиги и дефекты с точностью до 95%. Теперь мы перешли к следующему важному этапу — контролю намотки кабеля из этой ленты. Это показывает, что клиенты доверяют нам и что наше решение эффективно работает на разных стадиях производства.

Цели и задачи

Необходимо автоматизировать распознавание дефектов при намотке ВТСП-кабеля и уменьшить процент брака.

Задачи:

• Контролировать однородность намотки на каждом из 5 постов кабельной машины.
• Автоматически фиксировать дефекты: нахлёст, залом, отклонение шага.
• При обнаружении дефектов — подавать сигнал на соответствующую сигнальную колонну и, при необходимости, останавливать линию.
• Обеспечить логирование событий и архив фотофиксации.

Решение

Мы внедрили ML Sense — систему машинного зрения для контроля качества, адаптированную под задачу анализа витков кабеля сверхпроводника.

Этапы реализации

1. Построение сцены в лаборатории

Собрали опытный стенд в лаборатории: пробовали разные камеры, освещение и углы, чтобы добиться устойчивой и точной детекции. Когда нашли оптимальную конфигурацию, передали параметры заказчику — он воспроизвёл сцену на реальной линии.

2. Сбор и разметка данных

Мы собрали датасет из нескольких сотен примеров: равномерная намотка, заломы, нахлёсты, неравномерный шаг. На этом наборе обучили YOLOv5: она не вычисляет метрику шага, а классифицирует участки по принципу «похоже на норму или нет».

При этом вся логика предельно простая и устойчивая. Камера фиксирует участок троса, модель сканирует изображение, и если оно визуально близко к эталонной намотке — на экране зелёный индикатор. Если что-то отклоняется — система помечает зону как дефектную и отправляет сигнал на светозвуковую колонну.

3. Интеграция

Установили камеры на первый пост. Подключили сервер обработки, сигнальные колонны, контроллеры. По мере отладки начали развёртывание на все 5 постов. Система подключена к светозвуковым колоннам и умеет подавать сигнал на остановку установки.

Как работает

1. На каждом из 5 постов установлена камера, направленная на кабель в точке намотки.
2. Видео в Full HD поступает в ML Sense.
3. Система определяет: неравномерный шаг между витками, нахлёсты, заломы.
4. При критических отклонениях загорается световая колонна на соответствующем посту и подаётся стоп-сигнал на установку.
5. Оператор видит изображение с камер и отмеченные дефекты. Может принять решение: продолжать или корректировать намотку.
6. Все события и фото фиксируются в журнале.

Результат

• Точность детекции дефектов — до 99%.
• Высвобождение персонала — минус 3-4 оператора в смене.
• Окупаемость — на первом же крупном магните или серии, хотя проекты пока не коммерческие, а для нужд Объединенного института ядерных исследований.

Стек

Видеоаналитика и хранение данных: Python, C++, OpenCV, сверточные нейронные сети, YOLOv5, YOLOv8, YOLOv10, PostgreSQL, Flask.
Интерфейс оператора: React.