машинное зрение для контроля качества труб на линии резки

Клиент — одна из производственных площадок АО «НПО «Аконит». Компания производит конвейерные системы и конвейерное оборудование для транспортировки насыпных грузов и запасные части к ним. Продукция АО «НПО «Аконит» эксплуатируется более чем в 80 регионах России и востребована в металлургии, химии, угольной, энергетической и цементной промышленности.

На производственной линии АО «НПО «Аконит» происходит резка металлических труб для изготовления конвейерных роликов. Ежемесячно через линию проходит 600-800 тонн труб.

Качество поставляемых труб сильно варьируется: продукция поступает от разных заводов, и не все поставщики выдерживают требуемые стандарты. Из-за этого в партию регулярно попадают трубы с браком. При транспортировке труб внутри предприятия также могут появляться дефекты.

Если труба с браком попадает в зону резки, она вызывает поломку станка (клин фрезерного узла), остановку линии и экстренный ремонт. Простой линии может стоить до 1 млн рублей в день.

Ранее контроль качества осуществлялся вручную — оператор визуально осматривал трубы перед подачей в станок. Но при объёмах в 600–800 тонн в месяц такой подход оказался недостаточно надёжным: человеческий фактор, усталость и ограниченное время на осмотр приводили к пропуску дефектов.

Предприятию необходимо было минимизировать простой оборудования и затраты на ремонт, исключив попадание бракованных труб в резку. Внедрить автоматизированный контроль качества.

Задачи

1. Своевременно и точно выявлять производственные дефекты труб до попадания их во фрезерный узел.
2. Обеспечить автоматическое оповещение и остановку линии при обнаружении брака.

Особенности линии

• Объем входящих труб — 600–800 тонн в месяц
• Диаметры труб: от 76 мм до 219 мм
• Толщина стенки: 3–8 мм (основная — 3,5 мм)
• Длина труб: 11,7–12 метров
• Линия имеет накопитель на 4 тонны, из которого трубы выкатываются по одному

Мы предложили клиенту внедрить систему ML Sense.

Мы начали с выезда на площадку для предпроектного обследования. Изучили участок от накопителя до подающих роликов — именно здесь труба должна проходить проверку, прежде чем попадёт в зону резки. Задача была чёткая: встроить систему в существующую линию без изменений в конструкции.

Для охвата всей поверхности трубы мы спроектировали модуль из 4 камер, которые обеспечивают полный круговой контроль, независимо от диаметра трубы. Добавили настраиваемую локальную подсветку, чтобы обеспечить чёткое изображение даже при нестабильном цеховом освещении.

Клиент предоставил фотографии бракованных труб. Мы разметили ключевые дефекты: заусенцы, трещины, вмятины, поперечные швы, загрязнения. На их основе обучили нейросеть ML Sense — с учётом различных ракурсов, размеров и условий съемки.

Провели монтаж камер и освещения, серверного блока и интеграцию в управляющую систему линии. Все компоненты защищены от пыли и механических воздействий — с учётом условий тяжёлого производства.

1. В зоне подачи труб на резку установлена точка контроля с четырьмя камерами — каждая контролирует свою сторону трубы.

2. Система анализирует поверхность трубы на наличие дефектов до подачи во фрезерный узел, когда труба еще находится в накопителе или движется по роликам. Детектируется 5 видов дефектов: заусенец, вмятина, масло, вертикальный шов, трещина шва.

3. При обнаружении дефекта срабатывает светозвуковая колонна, и линия автоматически останавливается до вмешательства оператора.

4. Для удобства контроля предусмотрен операторский интерфейс: в нём отображается видеопоток с камер в реальном времени, а все выявленные дефекты отмечаются визуально прямо на изображении. Это позволяет оператору быстро оценить ситуацию, подтвердить дефект и принять решение — убрать трубу или продолжить подачу.

5. Оператор извлекает трубу до попадания в зону резки.