Работали мы как-то с одним заводом, который выпускает пластиковые детали. Все шло ровно, пока не столкнулись с проблемой скрытого брака. Вроде смотришь – все ок, а через месяц детали ломаются.

Отдел контроля качества вручную проверял каждую партию, но это было долго и не всегда точно. Решили попробовать автоматизировать этот процесс с помощью текстовой аналитики. Ну, точнее, не совсем текстовой, а скорее аналитики изображений, но принцип похожий – выявление аномалий.

Собрали базу фотографий годных деталей и бракованных. Разделили их на типы дефектов: трещины, пузыри, неровности. Затем обучили модель на основе сверточных нейронных сетей.

Первые результаты были так себе, модель путала мелкие царапины с серьезными трещинами. Пришлось докручивать алгоритмы, добавлять больше данных, усиливать веса для определенных признаков. Особенно помогло, когда мы стали анализировать не только саму картинку, но и контекст – например, серийный номер детали, условия производства

В итоге, после нескольких месяцев работы, модель стала распознавать брак с точностью выше 95%. Это позволило сократить процент брака до минимума и сэкономить кучу денег.

Вот такой вот кейс. Иногда стандартные подходы не работают, и приходится искать новые пути.

Фильм Кракен