Наш клиент — предприятие по розливу пива, ежедневно выпускающее сотни жестяных и стеклянных бутылок. Предприятие оборудовано конвейерной лентой с различными станциями, каждая из которых отвечает за определенную часть процесса розлива: правильное размещение бутылок, наливание пива, консервирование или закупоривание бутылок, наклеивание этикеток и т. д.
Розлив любого напитка — длительный процесс, состоящий из ряда последовательных действий, каждое из которых зависит от качества предыдущего. Если что-то пойдет не так на любом этапе процесса, не только неисправная бутылка должна быть утилизирована, с высокой долей вероятности придется утилизировать всю партию. Например, если бутылка не будет должным образом запечатана на консервной станции, переливающийся напиток будет мешать процессу маркировки. В результате этого бутылки будут либо нечитаемыми, либо немаркированными.
Отбор проб с линии розлива или ежечасные проверки случайно выбранных бутылок неэффективны. Требуется много времени, чтобы выбрать бутылки среди десятков контейнеров, оценить правильность наполнения, размещение этикетки, правильность установки крышки и т. д. Некачественные бутылки могут легко ускользнуть от глаз инспектора, что снижает удовлетворенность пользователей и приводит к денежным потерям для компании.
К нам обратились с просьбой разработать систему компьютерного зрения, которая бы использовала камеры видеонаблюдения для обнаружения неисправных бутылок на различных станциях, сигнализируя, если что-то идёт не так.
Система должна работать в режиме реального времени, анализируя кадры с камер безопасности и обнаруживая заранее определенные события. Кроме того, система должна иметь удобный интерфейс, удобный для использования рядовым работником, а также предоставлять ежедневные и ежемесячные отчеты в режиме реального времени.
Использовать те камер видеонаблюдения, которые уже были установлены на объекте, не представлялось возможным, поскольку для высококачественного распознавания видео требовался определенный ракурс и освещение.
Объект был оборудован комплектом из трех камер наблюдения, которые были установлены на нескольких станциях вдоль конвейерной ленты и размещены таким образом, чтобы обеспечить хороший обзор бутылок. Также был установлен пыле-влагозащищенный сервер для обработки изображений, снятых камерами.
Поскольку наш клиент никогда раньше не использовал систему мониторинга и не имел видеозаписей конвейерной ленты крупным планом, нам пришлось подготовить и разметить набор данных для обучения модели машинного обучения. Сначала камеры использовались для сбора видеоматериалов и фотографий как дефектной, так и качественной продукции. А наша команда проанализировала изображения и разметила их.
Модель машинного обучения, обученная на наборе данных, способна обнаруживать различные события на разных станциях в режиме реального времени. Система контролирует три станции конвейерной ленты: наполнение, консервирование и этикетирование.
Линии наполнения отвечает на вопрос “сколько жидкости в бутылке”. Уровень может быть как слишком низким, так и слишком высоким, в зависимости от характера аварии: деформированная бутылка, поврежденный гидрозатвор и т. д. Система может определить, когда бутылка не заполнена должным образом, и предупредить персонал.
Процесс консервирования состоит из двух частей: на бутылку надевается крышка, после чего на нее нажимает аппарат, чтобы закрыть бутылку. Иногда из-за перелива жидкости, деформированной бутылки или неисправности оборудования крышка устанавливается неправильно или вообще не устанавливается. Бутылка оказывается не запечатанной, что влияет на процесс розлива в дальнейшем – смачивание этикеток делает их нечитаемыми. Это как минимум неприятно, как максимум - может повредить здоровью потребителя, если невозможно разобрать срок годности.
Наша система определяет, правильно ли установлена крышка и правильно ли закрыта бутылка.
Систему можно использовать не только для обнаружения неисправных бутылок, но и для оценки состояния оборудования, выявляя ранние признаки поломки.
Например, недостаточный уровень наполнения тары обычно сигнализирует об износе или поломке гидрозатвора, что может привести к полной остановке производства и значительным денежным потерям. Наша система может обнаружить такие проблемы на ранней стадии и сообщить клиенту, что оборудование необходимо проверить.
Система также может обнаруживать ранние признаки неисправности на основе ненормального движения оборудования, повышенной вибрации, грязи или ржавчины.
Ежедневные и ежемесячные отчеты помогают диагностировать, увеличивается ли количество неисправных бутылок с течением времени и какие станции производят больше всего брака. Клиент может легко получить доступ к этим показателям через удобную панель инструментов как на мобильном, так и на компьютере.
Нейросеть также была обучена находить различные дефекты кодов data matrix, расположенных на готовой бутилированной продукции, чтобы иметь возможность перемаркировать такую продукцию.
DataMatrix – это двухмерный матричный штрихкод, который представляет собой набор четных черно-белых элементов или элементов различной степени яркости. Это своего рода цифровой паспорт, который содержит всю основную информацию о конкретном продукте и партии товара. И для некоторых продуктов наличие маркировки data matrix является обязательным условием для поставки продукта в розничную торговлю.
Иногда маркировка печатается с дефектом (изображение смазано, искажено, с полосами и пр.). Такой код отлавливается камерами компьютерного зрения на заводе, чтобы продукт удовлетворительного качества не был списан, как испорченный, поскольку он не будет считываться в магазинах сканерами на кассах.
После такой проверки мы исключаем потери на всех этапах конвейерной ленты.
После внедрения системы мы получили исключительно положительные отзывы от нашего клиента. Система мониторинга и профилактического обслуживания полностью работоспособна и уже доказала свою эффективность по сравнению со стандартными процедурами оценки качества.
Профилактическое обслуживание помогло нашему клиенту обнаружить ранние признаки износа оборудования и вовремя отреагировать до того, как произойдет капитальная неисправность. Время простоя оборудования из-за поломок снижено с 3% до 0,1%, а количество забракованных партий уменьшено до 0.