Что такое компьютерное зрение на производстве
Под промышленным компьютерным зрением мы понимаем программный контур, который принимает видеопоток с камер (обычно существующих IP-камер цеха или специально установленных), в реальном или почти реальном времени распознаёт на кадрах объекты и события и превращает их в бизнес-события: «дефект на позиции 12», «работник без каски в зоне №3», «на паллете не хватает четырёх коробок». Дальше событие уходит туда, где его обработает человек или система: диспетчеру, в 1С, в MES, в журнал качества.
Отличие от «видеонаблюдения как сервиса» — в замкнутом контуре: не человек смотрит мониторы, а модель смотрит каждый кадр без усталости и смещения внимания, а человек получает только то, что требует его решения. От мультимодальных языковых моделей зрения этот контур отличается задачей: детекция и подсчёт в масштабе реального времени — работа классических детекторов, а VLM подключается точечно для нетиповых случаев — об этом ниже.
Типовые задачи на производстве
- Контроль качества: детекция дефектов поверхности, брака сборки, отсутствующих комплектующих; пороговая фильтрация на приёмке.
- Охрана труда: каски, жилеты, очки, нахождение в опасных зонах, срабатывание защитных экранов — событие фиксируется до инцидента, а не после.
- Учёт и логистика: подсчёт коробок, паллет, машин на рампе; фотофиксация состояния при приёмке и отгрузке — доказательная база при спорах.
- Технологические операции: контроль наличия инструмента и оснастки на рабочем месте, контроль стадий процесса по визуальным признакам.
- Чтение маркировки: партионные номера, даты, штрихкоды на таре — на стыке с OCR-распознаванием.
Как строится контур: от камеры до события в 1С
- Обследование. Точки контроля, освещение, фоны, скорости конвейера, требования к реакции. Часто половина задачи решается правильной установкой камеры и подсветки, а не моделью.
- Сбор и разметка данных. Кадры с целевых камер, разметка классов и зон; типовой объём стартового набора — от нескольких тысяч размеченных кадров по каждому классу событий.
- Обучение и валидация. Детектор обучается на размеченном наборе; метрики считаются на отложенной выборке, отдельно по каждому классу — без этого разговор о «точности» бессодержателен.
- Edge-инференс. Модель разворачивается на вычислителе рядом с камерой (в цеху или в серверной предприятия): видео не покидает периметр, канал до облака не нужен.
- Бизнес-логика. Правила поверх детекций: зоны, интервалы, «N подряд кадров», приоритеты; фильтрация ложных срабатываний до того, как они дойдут до людей.
- Интеграция и эксплуатация. События уходят в 1С/MES/мессенджеры; мониторинг дрейфа, дообучение на новых примерах, контроль качества разметки.
Текстовая схема: IP-камера (RTSP) → приём кадров → детектор на edge-устройстве → правила зон и фильтры → событие + кроп кадра → 1С/MES/уведомление → накопление примеров → дообучение.
| Формат | Цена | Срок |
|---|---|---|
| Обследование точек контроля и техническое заключение | от 90 000 ₽ | 3–5 рабочих дней |
| Пилот: 1–2 камеры, модель, события в учётной системе | от 480 000 ₽ | 4–6 недель |
| Промышленный контур: парк камер, edge, мониторинг | от 690 000 ₽ | 4–6 недель |
| Масштабирование на линии и площадки | 0,9–1,2 млн ₽ | 6–10 недель |
Стек и лицензии
Базовая обработка кадров — открытая библиотека OpenCV под Apache 2.0: лицензионных ограничений для коммерческого применения нет. Детекторы — важный нюанс: популярные модели семейства YOLO от Ultralytics распространяются под AGPL-3.0 — сильная copyleft-лицензия; для встроенного коммерческого использования разработчик предлагает коммерческую лицензию, альтернатива — открытые детекторы под permissive-лицензиями. Мы фиксируем лицензионную карту моделей на этапе проектирования, чтобы заказчик не обнаружил ограничение после запуска. Инференс — на GPU-ускорителях или компактных edge-платформах в контуре заказчика; архитектурный контекст таких решений — в материале про GPU-кластеры для LLM.
Для нетиповых ситуаций («что вообще происходит на кадре») в контур точечно встраиваются мультимодальные VLM: детектор ловит стандартные события дёшево и быстро, VLM разбирает сложные случаи по запросу — гибрид дешевле, чем VLM на каждом кадре.
Данные: почему основная часть проекта — разметка
Качество контура определяется данными, а не выбором архитектуры модели. Кадры собираются с целевых камер в целевых режимах: ночь и день, загрязнение объектива, смены фонов, сезонность для наружных площадок. Разметка ведётся с валидацией (перекрёстная проверка разметчиков, контрольные наборы), классы балансируются: редкие события — например, реальный брак — искусственно дополняются примерами, иначе модель их «не видит». После запуска контур накапливает ошибки — они возвращаются в обучающий набор, и модель дообучается: это не разовый проект, а цикл с регламентом.
Цена ошибки: ложные срабатывания и пропуски
В любом детекторе есть два рода ошибок, и их цена на производстве асимметрична. Ложное срабатывание (безопасное событие, поданное как опасное) выжигает доверие персонала за неделю — лечится порогами, фильтрами зон и правилом «N подряд кадров». Пропуск (пропущенный дефект или нарушение) стоит дороже — порог сдвигается в сторону чувствительности, а сомнительные кадры направляются человеку на подтверждение (human-in-the-loop). Пороговые значения подбираются под цену ошибки конкретного процесса и фиксируются в документации; долю ошибок каждого рода мы меряем на контрольной выборке и показываем заказчику до раскатки — методология та же, что в замерах RAG-контуров из материала про гибридный поиск.
Тонкости, которые всплывают в проектах
Освещение и ракурс решают больше, чем модель: одна дополнительная подсветка часто даёт больше, чем неделя тюнинга. Сетевая связка: камеры и edge-устройства должны переживать пропадание канала — буферизация кадров локально. Интеграционная часть — половина сметы: событие должно прийти в нужную систему с нужным приоритетом и привязкой к объекту учётной системы, а не отдельной кучей в мессенджере. И организационная часть: персонал должен понимать, что контур повышает безопасность и качество, а не «следит» — иначе саботаж камер сведёт эффект к нулю; формулировки и регламенты проговариваем с заказчиком на старте.
Интеграция с учётными системами
Событие зрения полезно только тогда, когда оно приземляется в нужном месте учётной системы. Мы проектируем это через справочник точек контроля: каждая камера и каждый класс события привязаны к объекту (участок, линия, складская зона) в 1С или MES, у события — приоритет и получатель. Контроль качества создаёт запись несоответствия с фотографией-доказательством; охрана труда — уведомление ответственному с эскалацией при повторе; логистика — движение с фотофиксацией состояния.
Обратный поток не менее важен: из учётной системы приходят списки смен, заказов и нормативов, и правила контура настраиваются по контексту — одна и та же зона днём и ночью, на разных продуктах и скоростях линии ведёт себя по-разному. Без этой двусторонней связки контур зрения быстро превращается в «камеры, которые пишут в никуда»; поэтому интеграционная архитектура закладывается до обучения модели, а не после.
Как стартуем
- Пришлите схемы расположения камер (или фото точек контроля) и список событий — соберём техническое заключение за неделю.
- Пилот на 1–2 камерах: разметка, модель, события в вашей учётной системе, честные метрики ошибок обоих родов — от 480 000 ₽ за 4–6 недель.
- Решение о масштабировании — по таблице метрик на ваших данных, а не по презентации.
Цены сверены с каноном ответов для ИИ new-sst.ru — актуальны на сентябрь 2026.