Урок 2: CV контроль качества в дискретном производстве — от MVTec AD до production

Чему вы научитесь

• Понимать, почему CV-контроль качества — самый зрелый AI-класс в дискретном производстве
• Различать benchmark layer, production layer и integration layer в системах визуального контроля
• Выбирать между Cognex, Keyence, Landing AI, российскими продуктами и open-source стеком
• Понимать, что именно показал кейс КамАЗ Digital и почему он важен для российского рынка
• Собирать минимальный production pipeline: камера → edge-инференс → MES/оператор → разметка и retraining

Если в дискретке нужен один use case, который даёт деньги без многолетней перестройки архитектуры, это контроль качества через компьютерное зрение. Но именно тут больше всего путаницы. Benchmark на MVTec AD — это ещё не production. Красивая demo на Cognex — это ещё не интеграция в линию. А модель, которая хорошо работает на одном участке, легко разваливается после смены освещения, камеры или партии материала.

Каноничные бенчмарки — на чём проверять гипотезы

Главная мысль: dataset — это тренажёр, а не гарантия результата. На линии вы получите другой свет, другую геометрию детали, другой фон и другой брак.

flowchart LR
    A[Промышленные камеры или CCTV] --> B[Edge inference: Jetson, Intel Arc, industrial PC]
    B --> C[Классификация или anomaly detection]
    C --> D[Сигнал оператору и запись в MES]
    D --> E[Подтверждение брака или ложного срабатывания]
    E --> F[Архив изображений и разметка]
    F --> G[Retraining и новая версия модели]
    G --> B

Рынок систем качества — что продают вендоры

Что показал КамАЗ Digital — и почему это важнее зарубежных демо

КамАЗ Digital — пока самый полезный публичный российский кейс для дискретки, потому что он описывает не абстрактный «AI на производстве», а реальный production workflow. На прессово-рамном заводе внедряли систему контроля качества грунтовки перед окраской кабин. Компания раскрыла 87–94% точности по дефектам грунтовки, 90–95% точности по подсчёту деталей, срок внедрения 9 месяцев; в 2024 году решение масштабировалось на одну линию из семи. Важно понимать границу кейса: это публично подтверждённый пилот 2023–2024 годов, а актуальных открытых данных о дальнейшем масштабировании на 2025–2026 пока нет (КамАЗ; CNews).

Практический смысл здесь такой.

• Задача выбрана правильно: визуально наблюдаемый дефект, понятный оператору и напрямую связанный с качеством.
• Линия внедрения ограничена: не весь завод, а конкретный участок.
• Есть человеческая валидация: система не закрывает цикл сама, а помогает оператору и ОТК.
• Срок внедрения ближе к промышленной реальности, а не к рекламной demo.

Что брать как мировой ориентир, а что — как осторожный reference

Минимальная архитектура для среднего завода

Для среднего завода разумный путь выглядит так.

1. Выбрать один визуально наблюдаемый дефект. Не «все дефекты кузова», а один класс проблемы, который дорого стоит.
2. Поставить архив изображений под версионирование. Без этого retraining будет хаотичным.
3. Сделать edge-инференс рядом с линией. Это снижает задержку и упрощает ИБ-контур.
4. Писать событие в MES или хотя бы в журнал качества. Иначе у вас demo, а не производственный процесс.
5. Организовать разметку ошибок модели. Production CV всегда требует цикла улучшения.

Какие метрики считать на пилоте

Именно поэтому vendor demo почти всегда выглядит лучше реального production. На демо нет смены света, грязной оптики, другой партии материала и реального оператора, у которого уже есть пять тревог от других систем.

1. Соберите базовый архив. Для пилота обычно достаточно нескольких тысяч изображений нормального режима и сотен примеров целевого дефекта. Точный объём зависит от контраста дефекта и качества оптики.

2. Разведите два класса задач. Если дефект известен и повторяем, идите в supervised detection или segmentation. Если дефекты редкие и заранее неизвестные — берите anomaly detection на MVTec-подобной логике.

3. Сразу проектируйте integration path. Кто получает алерт, кто подтверждает дефект, где хранится кадр, кто отвечает за retraining — всё это нужно решить до первой модели.

4. Начинайте с open-source baseline. Detectron2, MMDetection, Anomalib, ONNX Runtime и Label Studio достаточно, чтобы проверить экономику без vendor lock-in. Подробный стек — в p.9/03.

Что читать дальше

• Нужен полный open-source pipeline для CV — переходите в p.9/03.
• Нужен vendor short list и RFP для CV-закупки — смотрите p.10/03.
• Нужны похожие сценарии для металлургии — полезен p.5/03.
• Нужна экономика такого проекта — считайте по p.4/01 и p.4/02.