Автоматический контроль качества котлет с помощью машинного зрения

Проблема

На производстве выпускается 16 видов котлет различной формы, веса и структуры:

• Вес — от 45 г до 300 г
• Форма — круглая, фигурная, квадратная
• Поверхность — гладкая или перфорированная

Скорость конвейера может достигать 0,33 м/с. На разных линиях производительность варьируется:

• до 900 котлет в минуту для 45-граммовых (6 шт. в ряд)
• до 280 котлет в минуту для 150-граммовых (4 шт. в ряд)

Контроль качества ранее осуществлялся вручную. Операторы «на глаз» отбраковывали дефектные котлеты, что приводило к субъективности оценки, пропуску дефектов и неэффективному использованию рабочего времени.

Бизнес-цель

Заменить ручную проверку автоматизированной системой, уменьшить фонд оплаты труда, сократить брак и рекламации. По оценке заказчика, экономическая эффективность проекта сопоставима с затратами на персонал, осуществляющий ручной контроль.

Задача

Автоматически выявлять и отбраковывать дефектную продукцию на четырёх производственных линиях. Система должна работать в реальном времени 24/7. На первом этапе — работа с 16 основными видами котлет, в дальнейшем — расширение до 40.

Решение

ML Sense — ИИ-платформа для контроля качества продукции на производствах конвейерного типа. Российская разработка. Входит в реестр отечественного ПО.

Система ML Sense устанавливается непосредственно на производственную линию, в корпусе из нержавеющей стали, что соответствует требованиям пищевого производства.

• Камера фиксирует каждую котлету на движущейся ленте.
• Алгоритмы машинного зрения анализируют изображение.
• При обнаружении дефекта подаётся сигнал на отбраковщик.
• Дефектная котлета автоматически удаляется с линии.

Особенности реализации

На этапе обучения мы обрабатывали все 16 видов котлет отдельно: для каждой собирали изображения с разными типами дефектов и обучали модель. Алгоритмы машинного зрения учатся находить тип дефекта (например, трещину) вне зависимости от точного размера котлеты. Например, если система научилась определять трещину на котлете 90 г, она сможет распознать её и на 150-граммовой — поскольку форма у них одинаковая, отличается только масштаб.

Чтобы ускорить тестирование и запуск в эксплуатацию, мы объединили котлеты в группы по массе и форме. Это позволило сократить количество уникальных комбинаций с 144 (16 видов × 9 типов дефектов) до 59 и упростить проверку качества при запуске.

Система позволяет задавать критичность дефектов. Можно включать или отключать отбраковку по конкретным параметрам. Например, если дефекты типа «хлопья» не считаются критичными для конкретного заказчика — отбраковка по ним не производится. Также можно задавать минимальные размеры дефекта. Если дефект меньше - считается некритичным и пропускается.

Все выявленные дефекты фиксируются в журнале событий. Система ведёт архив видео- и фотофрагментов с дефектными котлетами. Оператор или инженер-технолог может в любой момент:

• выбрать нужный временной диапазон,
• просмотреть список срабатываний системы,
• проанализировать частоту, типы и причины брака.

Это даёт дополнительный инструмент контроля, позволяет находить системные сбои в производстве и отслеживать динамику качества по сменам и линиям.

Результаты

• Точность выявления дефектов — до 96%
• Обнаружение дефектов — от 1 мм
• Производительность — до 900 котлет в минуту
• Автоматическая отбраковка без участия человека
• Гибкость — настройки под конкретную продукцию и клиентов
• Снижение затрат на ФОТ и устранение человеческого фактора
• Стабильное качество — меньше возвратов и претензий
• Масштабируемость — применимо на любом производстве полуфабрикатов (тефтели, зразы, биточки и др.)