Разработали и внедрили нейросетевую платформу компьютерного зрения, которая автоматически выявляет производственные дефекты на конвейере в режиме реального времени. Решение сократило время проверки каждой детали с 5 секунд до 0,3 секунды и снизило процент брака на 40%.
Собрали 50 000 изображений деталей и ручно разметили все типы дефектов для обучения модели.
Применили аугментацию (разные углы, шум, освещение) и перебалансировали классы для повышения устойчивости модели.
Использовали YOLOv8 илика для обнаружения дефектов; модель добилась 97% mAP на валидации.
Разработано REST API и модуль встроенного контроллера; модель обновляется без остановки линии.
Добились снижения процента брака на 40% всего через 3 месяца после запуска.
Основали модель на PyTorch и использовали YOLOv8 для детекции дефектов в реальном времени.
Здесь вы можете найти ответы на вопросы которые у вас возникли
Пилотный проект занимает 4–6 недель, после чего возможен поэтапный rollout на все линии.
