Компьютерная дефектоскопия и поиск дефектов на поверхности труб на основе компьютерного зрения

Существующий процесс контроля труб и организация рабочего места контролеров существенно трудоемкий и сокращает проходимость участка выходного контроля и затрудняет контроль 100% поверхности труб в ручном режиме по причине ограниченного доступа персонала к центральной части трубы, а также высоких требований по производительности, что влечет за собой риск выпуска бракованной продукции, получения рекламаций от клиентов и излишних издержек при компенсации клиентам затрат от некачественной отгруженной продукции .

Основная цель проекта – разработка системы распознавания дефектов на внешней поверхности труб, выпускаемых ТПЦ №2, для автоматизации выявления дефектов в режиме реального времени, сокращения трудозатрат на проверку одной единицы продукции, и увеличения пропускной способности рабочего места. В рамках проекта разработана принципиальная схема, разработан проект промышленной системы, а также исследована возможность внедрения без существенных изменений действующей производственной линии и в условиях ограничений, существующих в ТПЦ №2.

1. Осуществлен сбор датасета, необходимого для обучения baseline-модели. Из-за существующих ограничений использованы в том числе технологии 3D-моделирования объектов съемки.

2. Обучена модель распознавания трех типов дефектов, достигнуты целевые для этапа метрики качества. Подтверждена гипотеза о том, что существующие технологии CV позволяю эффективно решить поставленную задачу автоматизации.

3. Разработан проект реализации промышленной версии системы, в том числе детально проработан необходимый состав оборудования и способы его установки в условиях цеха.

1. Главной сложностью реализации являлся сбор достаточного количества данных для обучения моделей, т.к.:

- появление дефектов не поддается прогнозированию, также нет возможности , намеренно выпустить некондиционную продукцию в рамках действующего производства;

- дефектная продукция оперативно отправляется на доработку с целью устранения дефектов и последующего выпуска, при этом для целей проекта необходимо было хранить дефектную продукцию для правильного накопления (фотографирования и фиксации) данных, при недостатке места в цеху.

2. Для покрытия 100% поверхности трубы разработан алгоритм, производящий склейки изображений с нескольких камер расположенных под разными ракурсами.

3. разработан проект установки оборудования таким образом, чтобы не нарушить существующий производственный процесс, обеспечить стабильность работы системы в сложных условиях цеха.

4. Отсутствие возможности отслеживания каждой трубы ограничивает функциональные возможности промышленной системы, а также существенно усложняет сбор данных для обучения модели, требует разработки дополнительных узлов и программных компонентов для маркировки труб.

Проект можно разделить на три крупных этапа:

Сбор данных

Из-за специфики задачи и производства основную сложность составил этап сбора данных. Для получения достоверных результатов по проверке базовой гипотезы необходимо было получить репрезентативную выборку кадров с реальными уникальными дефектами. Т.к. образование дефектов на готовой продукции процесс непрогнозируемый, сбор данных проводился в течение 6 месяцев. Для получения выборки были задействованы все имеющиеся возможности:

- съемка дефектах выявленных в трубах «из потока» в условиях непрерывности технологического процесса силами специалистов ТМК и rdl.

- обрезка и сбор образцов дефектных участков труб для последующей съемки «на полевой» комплект оборудования

- использование 3D-моделирования для создания реалистичных синтетических данных.

В результате совместной работы ТМК и rdl были собраны снимки 264 уникальных дефектов трех типов, из которых был подготовлен датасет объемом 1836 кадров.

Одновременно со сбором данных были собраны и детально проработаны требования к промышленному решению, которые учитываю все существующие запросы производства к проектируемой системе, и которые легли в основу проекта промышленного решения.

Обучение модели / проверка гипотезы

Для решения задачи обнаружения дефектов наружной поверхности труб были

исследованы ряд архитектур сверточных нейронных сетей для решения задачи

семантической сегментации. В результате обучения были достигнуты целевые метрики точности модели, для решения задачи автоматизированного поиска дефектов в производственных условиях.

Проектирование промышленного решения