Услуги · Компьютерное зрение

Внедрение компьютерного зрения на производстве и складах

Ставим камеры на линию или на склад, обучаем модель на ваших данных и связываем её с оборудованием: PLC, сортировщиком, WMS или 1С. Инференс идёт на локальном графическом процессоре прямо в цеху, без выхода в облако.

Не подключаем готовые облачные сервисы распознавания: они не знают вашей номенклатуры, вашего брака и вашего освещения. Модель обучается с нуля под конкретную линию.

Сценарии

Задачи, под которые у нас есть работающие решения или действующие внедрения.

15–25 мс

Контроль качества и детекция дефектов

Камеры над конвейером находят брак в реальном времени и через PLC дают команду сортировщику. Латентность инференса 15–25 мс — линия не останавливается. Контроль этикеток, крышек, недолива, посторонних включений.

± 5 мм

Габаритные измерения паллет и коробок

Груз проезжает под аркой — фиксируются длина, ширина, высота и объём, результат уходит в WMS или 1С. Собственный модуль: лидар и камера в одном корпусе, свой калибровочный код. Точность миллиметровая, эталон в кадре не нужен.

< 50 мс

Зрение для роборуки и палетизации

Робот видит продукцию на инфиде, собирает короб, штабелирует на паллет. Контроль наполнения, идентификация паллета, передача в учётную систему.

live

Учёт складских ячеек и трекинг SKU

Камера на потолочном гэнтри сканирует стеллажи: видит, в какую ячейку встал паллет и сколько свободно. Утилизация склада и поиск SKU считаются в реальном времени и отдаются в ваш WMS.

LIDAR + CV

Автономный внутрицеховой транспорт

Палетовозчик забирает груз и ведёт его через цех на склад. Слежение в реальном времени, безопасные коридоры с разметкой и боллардами.

минуты

Измерение объёма и подсчёт по видео

Там, где ручной обмер занимает смену, видео и модель дают результат за минуты. На лесозаготовке так считаем объём древесины по кадрам с прибывающих машин.

Как проходит внедрение

  1. 01

    Аудит процесса и данных

    Две недели. Смотрим линию или склад, снимаем пилотный видеоматериал, оцениваем, хватит ли данных и какая точность достижима. На выходе — техзадание с метриками успеха, оценкой окупаемости и фиксированной ценой.

  2. 02

    Сбор и разметка датасета

    Снимаем на вашем объекте в рабочих условиях: то освещение, та скорость линии, та номенклатура. Редкие дефекты добираем или моделируем — на них модель обычно и спотыкается.

  3. 03

    Обучение и стенд

    Обучаем модель под задачу, гоняем на отложенной выборке, собираем стенд с реальным железом. Показываем метрику до установки на линию, а не после.

  4. 04

    Интеграция и запуск

    Ставим камеры и edge-серверы, связываем с PLC, WMS или 1С, обучаем вашу службу эксплуатации. Передаём исходный код, веса модели и документацию.

Железо и стек

Подбираем под задачу и бюджет. Ниже то, с чем работаем чаще всего.

YOLO26TensorRTModbus TCPJetson OrinYOLO (дообученная модель)LIDAR + RGBКалибровка датчиковКорпус с 3D-печатью

Когда компьютерное зрение не нужно

Честнее сказать это на аудите, чем продать проект, который не окупится.

Дефект стабильно отличается физически

Если брак отличается по весу, габариту или прозрачности предсказуемым образом, дешевле фотодатчик, весовой контроль или классический алгоритм без обучения. Скажем об этом сразу.

Данных почти нет и брак крайне редкий

Если дефект встречается раз на десятки тысяч единиц и накопленных кадров нет, сначала нужен этап сбора — иначе модель не на чем учить. Это отдельный, более дешёвый этап.

Сцена нестабильна и её нельзя закрепить

Меняющееся освещение, вибрация, произвольное положение объекта решаются оснасткой: подсветкой, кожухом, фиксацией камеры. Если по условиям производства это невозможно, точность будет ниже заявленной, и мы обозначим это до старта.

Что уже сделано

Действующее внедрение и две разработки, которые сейчас доводим до внедрения.

Все отрасли

Расскажите про линию или склад.

Ответим за день. На первом созвоне поймём, решается ли задача зрением и что для этого нужно снять.