Машинное зрение для контроля качества труб для АО «НПО "Аконит"»

• Своевременно и точно выявлять производственные дефекты труб до попадания их во фрезерный узел.

• Обеспечить автоматическое оповещение и остановку линии при обнаружении брака.

Для этого: внедрить систему машинного зрения для оперативного определения брака на трубах до их попадания в зону резки и остановки конвейера при обнаружении брака 

Внедрена автоматизированная система контроля качества труб до их попадания в зону резки. Исключено попадание бракованной трубы в станок.

• Минимальный размер детектируемого дефекта: 1 мм.

• Снижение аварий на линии резки на 80%.

• Предотвращение простоев (1 день простоя — до 1 млн рублей).

Программное обеспечение: платформа «ML Sense» (входит в Реестр отечественного ПО).

Оборудование: четыре промышленные камеры для полного кругового контроля трубы; настраиваемая локальная подсветка для стабильного изображения; серверный блок обработки данных; контроллеры для связи камер с линией резки и управляющим механизмом; светозвуковая колонна для сигнализации; компоненты защищены от пыли, механических воздействий и вибраций.

При проектировании системы ключевым вызовом стало то, что контроль качества необходимо было встроить в уже существующую линию резки без ее изменений. Это требовало высокой точности проектирования модуля и компактного размещения оборудования в ограниченном пространстве.

Дополнительной сложностью были нестабильные условия цеха: переменное освещение, высокая запылённость и вибрации. Для стабильной работы мы использовали специализированные камеры, локальную подсветку и защитные кожухи, чтобы исключить влияние внешних факторов и добиться высокой точности распознавания.

На конвейерной линии одной из производственных площадок АО «НПО «Аконит» ежемесячно обрабатывается 600–800 тонн труб диаметром от 76 до 219 мм и длиной до 12 метров. Качество поставляемых труб варьируется: продукция поступает от разных производителей, и не все соблюдают стандарты. Также дефекты могут появляться при транспортировке внутри предприятия. Ранее контроль осуществлялся вручную — оператор визуально осматривал трубы, но такой подход был ненадежным и медленным.

Для решения этой проблемы мы внедрили ML Sense — платформу для промышленного контроля качества в реальном времени с помощью машинного зрения и нейросетей.

Этапы внедрения

1. Анализ производственной линии

Мы начали с выезда на площадку для предпроектного обследования. Изучили участок от накопителя до подающих роликов — именно здесь труба должна проходить проверку, прежде чем попадёт в зону резки. Задача была чёткая: встроить систему в существующую линию без изменений в конструкции.

2. Разработка модуля контроля

Для охвата всей поверхности трубы мы спроектировали модуль из 4 камер, которые обеспечивают полный круговой контроль, независимо от диаметра трубы. Добавили настраиваемую локальную подсветку, чтобы обеспечить чёткое изображение даже при нестабильном цеховом освещении.

3. Сбор и обучение на реальных данных

Клиент предоставил фотографии бракованных труб. Мы разметили ключевые дефекты: заусенцы, трещины, вмятины, поперечные швы, загрязнения. На их основе обучили нейросеть ML Sense — с учётом различных ракурсов, размеров и условий съемки.

4. Интеграция системы на линии

Провели монтаж камер и освещения, серверного блока и интеграцию в управляющую систему линии. Все компоненты защищены от пыли и механических воздействий — с учётом условий тяжёлого производства. 

Как работает система на производстве

1. В зоне подачи труб на резку установлена точка контроля с четырьмя камерами — каждая контролирует свою сторону трубы.

2. Система анализирует поверхность трубы на наличие дефектов до подачи во фрезерный узел, когда труба еще находится в накопителе или движется по роликам. Детектируется 5 видов дефектов: заусенец, вмятина, масло, вертикальный шов, трещина шва.

3. При обнаружении дефекта срабатывает светозвуковая колонна, и линия автоматически останавливается до вмешательства оператора.

4. Для удобства контроля предусмотрен операторский интерфейс: в нём отображается видеопоток с камер в реальном времени, а все выявленные дефекты отмечаются визуально прямо на изображении. Это позволяет оператору быстро оценить ситуацию, подтвердить дефект и принять решение — убрать трубу или продолжить подачу.

5. Оператор извлекает трубу до попадания в зону резки.

Республика Татарстан