В условиях современной экономической ситуации, характеризующейся уходом с российского рынка ряда зарубежных поставщиков, особую актуальность приобретает разработка и внедрение отечественных решений в сфере промышленной автоматизации. К нам обратилась компания с целью создания программного обеспечения для высокопроизводительного сканера шпона, предназначенного для обнаружения дефектов и классификации качества на предприятиях, производящих фанеру.
До недавнего времени лидирующие позиции на этом рынке занимала финская компания «Рауте» с их сканерами Mecano. Однако, в связи с изменившейся геополитической обстановкой, поставки данного оборудования в Россию прекратились, что стимулировало российских производителей к разработке собственных аналогов.
Задача
Перед нашей командой стояла задача в сжатые сроки разработать эффективное и конкурентоспособное решение, включающее в себя выбор оптимальных комплектующих, создание модуля для взаимодействия с высокоскоростной промышленной камерой и разработку алгоритмов для оперативного выявления дефектов на листах шпона с одновременной классификацией их качества.
Технологический стек
Для реализации проекта был выбран следующий стек технологий:
Ядро системы: C++, Python
Обработка изображений: OpenCV, Yolo8/PyTorch
Веб-интерфейс: PHP (Laravel), React
База данных: MySQL
Кэширование: Redis
Команда разработчиков
В команду проекта вошли:
2 разработчика
Аналитик
Инженер по тестированию
Менеджер проекта
Сроки разработки
На создание промышленного образца сканера дефектов древесины было отведено 12 месяцев.
Принцип работы и технические требования
Сканер интегрируется в существующую производственную линию, состоящую из конвейера, перемещающего листы шпона со скоростью до 3.5 м/с. Высокоскоростная линейная камера производит непрерывную съемку проходящих листов. Разработанный нами вычислительный блок, на основе полученных данных, в режиме реального времени осуществляет обнаружение дефектов и определяет сорт каждого листа, на основании чего принимается решение о его направлении в соответствующий накопительный карман. Для оператора предусмотрен монитор, отображающий процесс сканирования и позволяющий управлять его параметрами.
Основные сложности проекта
Сжатые сроки: Необходимо было создать конкурентоспособное решение в течение года, в то время как компания «Рауте» потратила на развитие своих технологий более 20 лет.
Разнообразие дефектов: Система должна распознавать более 30 различных типов дефектов, встречающихся на листах шпона.
Высокая скорость и производительность: Необходимо обеспечить обработку изображений со скоростью конвейера до 4 м/с и перерабатывать более 200 МБ матричных данных в секунду.
Высокое разрешение: Система должна поддерживать съемку в разрешении 4K с перспективой перехода на 8K в будущем. Это подразумевало обработку как минимум 100 миллионов числовых значений в секунду, что требовало оптимизации матричных операций с видеоинформацией, поступающей со сканера.
Реализация проекта
Для решения поставленных задач был выполнен следующий комплекс работ:
Научное исследование и выбор алгоритмов: Проведен анализ существующих методов распознавания изображений, показавший, что использование только OpenCV не позволит достичь требуемой производительности и точности в заданные сроки. Было принято решение использовать технологии нейронных сетей для обнаружения объектов на изображениях.
Разработка системы разметки данных: Создана специализированная система разметки датасета для обучения нейронной сети, включающая многоуровневую проверку данных отделом контроля качества и систему мониторинга статистических показателей для контроля процесса разметки.
Сбор и обучение датасета: Сформирован обширный датасет, включающий изображения всех типов дефектов, на основе которого произведено обучение моделей нейронной сети.
Разработка модуля взаимодействия с камерой: Создан программный модуль для получения изображений с промышленной камеры и их предварительной обработки.
Разработка системы обнаружения дефектов: Разработана система обнаружения дефектов на базе нейронной сети, использующая высокопроизводительные алгоритмы, чтобы уложиться в жесткий лимит времени на обработку одного листа – 0.5 секунды.
Разработка пользовательского интерфейса: Создан удобный монитор с системой управления сканером, позволяющий оператору в реальном времени настраивать правила сортировки, просматривать данные сканирования и статистику, а также управлять работой сканера.
Технологии
Python: Язык программирования, используемый для разработки высокоуровневой логики системы, обучения и инференса нейронных сетей.
C++: Язык программирования низкого уровня, используемый для разработки высокопроизводительных модулей обработки изображений и взаимодействия с оборудованием.
OpenCV: Библиотека компьютерного зрения, предоставляющая инструменты для обработки изображений и видео.
Yolo8/PyTorch: Фреймворк глубокого обучения, используемый для обучения и развертывания моделей обнаружения объектов (дефектов).
PHP (Laravel): Фреймворк, используемый для разработки серверной части веб-интерфейса.
React: Библиотека JavaScript, используемая для разработки клиентской части веб-интерфейса.
MySQL: Реляционная база данных, используемая для хранения данных о сканировании и конфигурации системы.
Redis: Кэш данных, используемый для ускорения доступа к часто используемым данным.
В результате проделанной работы был создан прототип интеллектуального сканера дефектов древесины, который соответствует требованиям заказчика по скорости, точности и функциональности. Данное решение, разработанное нашей командой, позволяет заменить импортные аналоги и внести значительный вклад в развитие отечественной фанерной промышленности.
Тестирование и отладка
Разработанная система прошла многоэтапное тестирование на реальном производстве. Особое внимание уделялось проверке стабильности работы при длительной эксплуатации, корректности обнаружения дефектов различных типов и точности классификации листов шпона. Для отладки использовались как автоматизированные тесты, так и ручная проверка экспертами-технологами фанерного производства. В процессе тестирования были выявлены и устранены незначительные недочеты в алгоритмах классификации и интерфейсе пользователя.
Интеграция и внедрение
Прототип сканера был успешно интегрирован в производственную линию предприятия «Нейролес». Процесс интеграции включал в себя настройку параметров сканирования под конкретные условия производства, обучение операторов работе с системой и адаптацию программного обеспечения к существующей инфраструктуре предприятия. Результаты внедрения показали значительное повышение эффективности производства за счет автоматизации процесса контроля качества и снижения количества брака.
Перспективы развития
Разработанное решение имеет значительный потенциал для дальнейшего развития и масштабирования. В планах расширение функциональности сканера за счет внедрения дополнительных алгоритмов анализа данных, интеграции с другими системами управления производством и разработки новых моделей нейронных сетей для распознавания специфических дефектов древесины. Также рассматривается возможность адаптации сканера для других отраслей деревообрабатывающей промышленности.
Импортозамещение и конкурентоспособность
Разработка интеллектуального сканера дефектов древесины является важным шагом в направлении импортозамещения в российской промышленности. Созданное решение не только заменяет зарубежные аналоги, но и превосходит их по ряду параметров, таких как скорость работы, точность классификации и гибкость настройки. Благодаря использованию передовых технологий машинного обучения, сканер дефектов древесины является конкурентоспособным продуктом на мировом рынке.
