Задача: от выборочного контроля к сплошному
Типовая ситуация на производственном предприятии: линия выдаёт тысячи изделий в смену, контролёр ОТК визуально проверяет выборку — единицы процентов потока. Усталость, монотонность, ночные смены: часть дефектов уходит к заказчику, часть годных изделий бракуется «на всякий случай». Когда пропуск дефекта стоит рекламаций, а иногда и потери контракта, формулируется задача: проверять каждое изделие и поднимать сигнал о браке в момент появления, а не на складе готовой продукции.
Второй типовой мотиватор — скорость реакции. Если серия брака началась из-за износа оснастки, важно поймать её на первых десяти изделиях, а не после тысячи. Выборочный контроль в принципе не рассчитан на такую реакцию: он фиксирует проблему постфактум.
Почему это сложно
Классическое компьютерное зрение «под новый дефект — новая разметка и переобучение» на производстве ломается о три факта. Первый: дефекты редкие и меняются — царапина, смещение этикетки, непрокрас появляются в разных комбинациях, а собирать тысячи примеров каждого вида невыгодно. Второй: условия съёмки плавают — освещение смены, блики, положение изделия; модель, обученная на идеальных кадрах, в цеху деградирует. Третий: цена ошибки асимметрична — ложное срабатывание останавливает линию и стоит денег, пропуск брака стоит репутации; баланс между ними подбирается индивидуально.
Именно поэтому современный типовой контур строится не на «одной большой нейросети», а на связке: мультимодальная модель, которой дефект можно описать словами и показать несколько примеров, плюс жёсткое правило принятия решения поверх её вердикта. О том, как такие модели применяются в бизнес-задачах, — в обзоре «Мультимодальные VLM на практике».
Архитектура: контур контроля
Архитектура ИИ-контроля качества (текстовая схема)
Камеры над линией (2–4 точки съёмки на линию)
│ синхронизация с тактом линии, захват кадра на изделие
▼
Препроцессинг: выравнивание, ROI-кадрирование, контроль экспозиции
▼
VLM-детектор дефектов: описание дефектов словами + few-shot примеры
│ выход — строгий JSON: {дефект: да/нет, тип, координаты, уверенность}
▼
Правило принятия решения (порог уверенности под баланс «пропуск/ложняк»)
├──► годен ──► поток продолжает движение
├──► дефект, уверенно ──► сигнал отбраковки / маркировка
└──► спорный кадр ──► очередь контролёру (человек в контуре)
│ разметка контролёра
▼
Пополнение выборки ──► периодическая донастройка
Сервинг: vLLM (пропускная способность) в Kubernetes (масштабирование)
Три инженерных узла определяют успех. Первый — структурированный вердикт: модель обязана отвечать строго схемой JSON, а не текстом «вроде есть царапина»; как это делается технически — в обзоре «Структурированные выходы LLM». Второй — сервинг: на такте линии модель должна отвечать за десятки миллисекунд, поэтому типовое решение — vLLM для пропускной способности и Kubernetes для горизонтального масштабирования по числу линий. Третий — контур донастройки: спорные кадры с разметкой контролёра возвращаются в выборку, и модель адаптируется к новым видам дефектов без полного переобучения.
Этапы внедрения
| Этап | Что получается | Бюджет | Срок |
|---|---|---|---|
| Аудит линии и номенклатуры дефектов | карта точек контроля, реестр дефектов с примерами, требования к камерам и свету | от 90 000 ₽ | 1–2 недели |
| Датасет и стенд | монтаж точек съёмки, сбор кадров, разметка эталонной выборки, выбор модели | входит в пилот | 2–3 недели |
| Пилот на одной линии | работающий контур на одной точке контроля, замер доли пропусков и ложных срабатываний | от 480 000 ₽ | 4–6 недель |
| Промышленный контур | все линии и точки контроля, интеграция с ASC/MES, дашборд, регламент донастройки | 0,9–1,2 млн ₽ | по ТЗ |
| Сопровождение | мониторинг деградации модели, пополнение выборки, донастройка под новые дефекты | по регламенту | — |
Бюджеты — прайс НЬЮ-ССТ на сентябрь 2026, «от», без НДС (УСН, п. 2 ст. 346.11 НК РФ). Сроки — типовые вилки проектов этого класса.
Типовые метрики «до/после»
Ниже — типовые вилки результатов внедрений этого класса, а не отчёт конкретного завода. Реальные цифры фиксируются на пилоте: до старта замеряется базовая линия (сколько дефектов пропускает выборочный контроль), после — доля пропусков и ложных срабатываний на эталонной неделе.
- Пропуск дефектов: типовой результат внедрений этого класса — снижение на 30–60% против выборочного контроля; сплошной контроль покрывает 100% изделий.
- Ложные срабатывания: после калибровки порога — 1–5% потока; выше — контролёры перестают доверять системе.
- Время реакции на серийный брак: типовое сокращение на 40–70% — сигнал на первом десятке изделий вместо разбора на складе.
- Загрузка контролёров: смещается с рутины на разбор спорных кадров и причину брака; типично 10–30% кадров требуют человека.
Безопасность и защита ИИ-актива
Кадры продукции и реестр дефектов — производственная тайна, поэтому типовой контур разворачивается on-premise, без внешних API. Обученная под ваши дефекты модель — это ИИ-актив компании: к моменту промышленного контура в неё вложены данные и инженерные часы, и её стоит защищать по 243-ФЗ — инвентаризация, контроль доступов к весам модели и датасетам; наш типовой контур такой защиты — в кейсе «Защита ИИ-активов по 243-ФЗ». Если в кадр попадают люди (смена на линии) — работает 152-ФЗ: обезличивание или зоны контроля без персонала.
Об этом разборе. Это обезличенное типовое внедрение из нашей практики проектирования — без имён заказчиков и выдуманных цифр: названные клиенты не раскрываются (NDA), метрики даны как типовые вилки класса проектов. Метрики конкретного внедрения фиксируются в КП и на приёмке.