Ariston Thermo Group (Аристон Термо Русь) (Nord Clan: ML Sense)

2024: Машинное зрение для контроля качества бытовой техники: внедрение на заводе Ariston

Завод электрических водонагревателей Ariston во Всеволожске выпускает более 600 тысяч приборов в год. Иногда на производстве сталкиваются с проблемой: специалисты не замечают мелкие дефекты на трубках водонагревателей. Чтобы не допустить выпуск бракованной продукции, было решено применить технологию машинного зрения.

Задача от Ariston: автоматическое выявление брака в трубках забора горячей воды водонагревателя с помощью технологии машинного зрения.

Особенности требований заказчика к системе контроля дефектов

1. Конвейер должен автоматически останавливаться, как только система обнаружит дефект: отсутствие вставки в трубке водонагревателей или заусенцы. При этом должна срабатывать звуковая и световая сигнализация.
2. В зависимости от модели, расстояние между трубками и высота водонагревателя на конвейере может меняться. И водонагреватели могут быть радиально смещены на конвейере.
3. Задачу решить под ключ: сконструировать мачты крепления и установить необходимое оборудование: камеры машинного зрения с подсветкой, серверное оборудование с монитором, светозвуковые колонны для уведомления оператора о дефектах.

Этапы автоматизации контроля качества бытовой техники

1. Тестовое видео на производстве, чтобы определить точки контроля для установки/оборудования. Важно было оценить факторы, которые влияют на работу системы ML Sense — уровень освещения, наличие вибраций, радиальное смещение водонагревателей на конвейере, разницу по высоте между водонагревателями и предполагаемой камерой.

2. Подбор камер, которые справятся с поиском дефектов на трубках водонагревателей. Подбор осветительных приборов со светодиодами высокой интенсивности, чтобы получать четкие снимки высокой контрастности для распознавания нейросетью.Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft 2.1 т

3. Тестирование системы контроля качества трубок водонагревателей ML Sense в собственной лаборатории.

4. Моделирование виртуальной 3D сцены на основе замеров с производственной линии. Расчет оптимального расстояния для установки камер, светильника и подготовка чертежей мачты для крепления оборудования. Изготовление конструкции.

5. Обучение нейросети на распознавание типовых дефектов трубок. Для этого собрали датасет из фотографий, где каждый вид дефектов размечен и классифицирован: на этой трубке есть вставка, на этой есть заусенец.

Для быстрого оповещения сотрудников о дефектах внедрили коробочную систему оповещения. Присвоили дефектам три класса оповещения: красный — отсутствие вставки на трубке, желтый — заусенец на трубке, зеленый — бак без дефектов. Как только система «видит» дефект, срабатывает звуковой сигнал и конвейер останавливается. Контролер может снять с конвейера бак, у которого отсутствует вставка на трубке, или отрезать заусенец.

Произвели монтаж оборудования на заводе Ariston во Всеволожске. Установили мачты, закрепили камеры, установили ПО на пост контроля, обучили персонал работать с системой ML Sense. Завершили пусконаладку.

Уже на производстве в ходе работы выявили новый вид втулки — металлическая. В техзадании заказчика этого вида втулки не было, поэтому мы изначально обучали систему только на типовой эмалированной втулке. Но поскольку мы всегда за то, чтобы решение работало и приносило пользу, то доработали систему и дообучили нейросеть.

Результат внедрения

Система в 100% случаев видит дефект, оповещает оператора о том, какой вид брака обнаружен, звуковым и световым сигналом, останавливает конвейер.

Оператор конвейерной линии избавлен от рутинного труда и работает быстрее. Сотруднику остается только снять дефектную продукцию с конвейера, отправить ее на доработку, либо исправить дефект вручную.

В результате повышен экономический эффект — больше не нужно рисковать рублем за рекламацию бракованной продукции и репутацией компании из-за человеческого фактора.