13.02.2026

Разработка систем машинного зрения для промышленности: от сенсоров до нейросетей

Разработка и внедрение систем машинного зрения

Машинное зрение — это интеллектуальный контроль вашего производства 24/7 без ошибок и усталости.

Почему промышленность выбирает CV?

Исключение человеческого фактора: Устранение усталости и субъективности.
Экономический эффект: Снижение брака и оптимизация штата.
Скорость реакции: Мгновенный отклик на события на конвейере.

Основные сценарии применения

Направление	Функционал
Контроль качества	Поиск микротрещин, дефектов покраски, комплектность.
Робототехника	Навигация AGV, работа манипуляторов с деталями разной формы.
Безопасность	Контроль касок/СИЗ, обнаружение людей в опасных зонах.

Этапы внедрения

Обследование
Анализ света, вибраций и условий цеха

Датасет
Сбор и разметка тысяч изображений

Обучение
Точность нейросетей выше 99%

Интеграция
Связь с конвейером через АСУ ТП

Промышленное машинное зрение (MV)

Технический анализ: от фотона до алгоритма

Часть 1. Аппаратный комплекс и физика изображения

В отличие от CV общего назначения, в индустрии 70% успеха зависит от качества исходного сигнала.

1.1. Оптическая система

Global Shutter: Исключает эффект «желе» на скоростном конвейере.
Разрешение: Расчет 3–5 пикселей на минимальный дефект (от 0.1 мм).
Монохром vs Цвет: Выбор ч/б сенсоров для максимальной четкости и квантовой эффективности.

1.2. Светотехника (Управление фотонами)

Backlight: Идеальные контуры и габариты.
Dark Field: Поиск царапин под острым углом света.
Coaxial: Осмотр глубоких отверстий без теней.
Dome: Бестеневой свет для сложной фольги и металла.

1.3. Интерфейсы передачи данных

GigE Vision: до 100м по витой паре USB 3.0: Высокая скорость до 5м Camera Link: Сверхскорости (фреймграбберы)

Часть 2. Программная архитектура и алгоритмы

2.1. Классика (Rule-based)

Детерминированность и субпиксельная точность.

Собель/Кэнни: Четкое выделение границ.
Преобразование Хафа: Поиск линий и кругов.
Blob-анализ: Подсчет капель, отверстий, объектов.

2.2. Нейросети (Deep Learning)

Для задач со сложной текстурой (дерево, кожа, дефекты).

YOLOv8/v10: Детекция в реальном времени.
U-Net: Точная сегментация площади дефекта.
Anomaly Detection: Обучение только на "норме" (решение проблемы нехватки брака).

Решение проблемы «Малых данных»

В производстве дефекты — редкость. Мы применяем Augmentation и Anomaly Detection, обучая нейросеть узнавать идеальное состояние изделия. Любое отклонение от эталона мгновенно фиксируется как аномалия.

Метрическая калибровка и математика измерений

Важно: Без калибровки система остается «качественной» (видит брак), но не «количественной» (не может измерить смещение в мм).

1. Модель камеры-обскура (Pinhole Model)

Связь 3D-мира [X, Y, Z] с пикселями [u, v] через матричное уравнение:

s · m' = A · [R | t] · M'

Где A — матрица внутренних параметров (Intrinsic Matrix):

fx 0 cx
0 fy cy
0 0 1

fx, fy — фокусное расстояние в пикселях; cx, cy — оптический центр.

2. Исправление дисторсии линзы

Реальная оптика вносит искажения. Мы устраняем их математически:

Радиальная:

Искажение формы («бочка»). Корректируется рядом Тейлора:
x' = x(1 + k1*r² + k2*r⁴)

Тангенциальная:

Возникает при непараллельности линзы и матрицы. Исправляется коэффициентами p1, p2.

3. Перевод пикселей в миллиметры

Для вычисления «веса пикселя» (GSD) используется подобие треугольников:

k = H / f
H — дистанция; f — фокусное расстояние

Применяются калибровочные шаблоны (шахматные доски) для получения точности до микрона.

4. Субпиксельная точность

Мы анализируем градиент яркости и аппроксимируем пик кривой Гаусса. Это позволяет достичь точности 1/10 — 1/20 пикселя.

1 пиксель = 0.1 мм

→

Точность 0.005 мм

Резюме: Математическая калибровка превращает камеру в измерительный прибор. В машиностроении это единственный способ гарантировать отсутствие ошибок на краях кадра.

MV Engineering Calc

1. Оптика и Матрица

Дистанция (WD), мм

Фокус (f), мм

Пиксель, мкм

Диафрагма (F#)

2. Динамика и Экспозиция

Скорость, мм/с

Выдержка, мкс

FOV: --- мм

GSD: --- мм/пкс

DOF: --- мм

Motion Blur: --- пкс

---

Инженерное резюме: Скорость vs Свет

Проблема выдержки

Для конвейера со скоростью 2000 мм/с требуется сверхкороткая выдержка (экспозиция) — около 100-200 мкс. При обычном освещении матрица просто не успеет накопить фотоны.

Световой дефицит

Недостаток люксов на матрице приводит к цифровому шуму, который "съедает" мелкие дефекты. Увеличение усиления (Gain) — не выход, так как падает качество данных.

Профессиональное решение: Стробоскопы

Единственный способ эффективно «заморозить» движение — использование импульсных осветителей. Они выдают колоссальную яркость (десятки тысяч люкс) в виде короткой вспышки, синхронизированной с затвором камеры.

Итог: Идеальная четкость без смаза и шума.

Интеграция подобных решений требует точного расчета таймингов и освещенности.

Расчет калькуляторы разработчика

Часть 3. Алгоритмический стек и обработка данных

Гибридный подход: объединение классической математики и нейросетей

3.1. Предварительная обработка

• CLAHE: Адаптивное выравнивание яркости при нестабильном свете.
• Метод Оцу: Автоматический поиск порога для бинаризации объекта.
• Морфология: Очистка кадра от мелкого "шума" и битых пикселей.

3.2. Классические дескрипторы

• Canny Edge: Поиск границ с субпиксельной точностью.
• Hough Transform: Мгновенный поиск центров отверстий и валов.
• Pattern Matching: Поиск детали при любом угле поворота.

3.3. Глубокое обучение (Deep Learning / CNN)

Применяется там, где правила невозможно описать математически (дефекты кожи, древесины, ткани).

YOLOv8 / v10
Детекция объектов на скорости до 5 м/с за 10 мс.

Autoencoders
Anomaly Detection: обучение на "идеале" при дефиците брака.

U-Net
Попиксельная сегментация для расчета площади повреждения.

Часть 4. Программная реализация

Уровень	Технологии и фреймворки
Ядро системы	C++ / C# (Runtime), Python (R&D)
Библиотеки CV	OpenCV, Halcon, VisionPro
Оптимизация ИИ	TensorRT (NVIDIA), OpenVINO (Intel)
Связь с ПЛК	Modbus TCP, EtherNet/IP, Profinet

Часть 5. Интеграция в производственную линию

1 Триггер: Оптический датчик видит деталь → Сигнал на GPIO камеры.

2 Захват: Мгновенное фото со стробоскопической вспышкой.

3 Inference: Обработка кадра нейросетью (Результат: Годен/Брак).

4 Action: Команда на ПЛК → Срабатывание пневмотолкателя (отбраковка).

Кейс: Контроль таблеток в блистере

Схема: Камера с подсветкой "на просвет" (Backlight).
Логика: Blob-анализ считает количество, нейросеть ищет сколы.

Цикл: 40 мс
на 1 блистер

Часть 6. Экономика внедрения: Расчет ROI и рисков

Внедрение систем машинного зрения — это переход из CAPEX в снижение OPEX. Система должна окупаться.

6.1. Прямая экономия (Замена ручного труда)

S_year = (W * N) - M_year

Где W — зарплата с налогами, N — кол-во сотрудников, M_year — обслуживание системы.

6.2. Косвенная экономия

Штрафы: Исключение рекламаций за некондицию.

Логистика: Отсутствие затрат на возврат брака.

Защита: Предотвращение аварий оборудования (цена ошибки — миллионы).

Средний срок окупаемости системы: 12 – 18 месяцев

Часть 7. Чек-лист для внедрения

Аудит освещенности: Замер фонового света в разное время суток (учет люксов).

Тест на «грязных» данных: Обучение ИИ на кадрах с реальной пылью и вибрацией.

Выбор архитектуры: Смарт-камера (простые задачи) vs PC-based (тяжелые нейросети).

Пилотный запуск: Работа системы «в параллель» с человеком для сбора статистики.

Заключение

Разработка СМЗ — это единственный способ обеспечить 100% контроль качества на скоростях, недоступных человеческому глазу. Это синергия оптики, математики и ИИ.

Промышленное машинное зрение (MV)

Технический анализ: от фотона до алгоритма

Часть 1. Аппаратный комплекс и физика изображения

В отличие от CV общего назначения, в индустрии 70% успеха зависит от качества исходного сигнала.

1.1. Оптическая система и выбор сенсора

Global Shutter: Исключает эффект «желе» на скоростном конвейере.
Разрешение: Расчет 3–5 пикселей на минимальный дефект (от 0.1 мм).
Монохром vs Цвет: Выбор ч/б сенсоров для максимальной четкости и квантовой эффективности.

Мы используем модули на базе промышленных сенсоров:

Onsemi AR0234
OmniVision OG02B10

Эти сенсоры с технологией Global Shutter идеально подходят для высокоскоростных задач.

1.2. Светотехника (Управление фотонами)

Backlight: Идеальные контуры и габариты.
Dark Field: Поиск царапин под острым углом света.
Coaxial: Осмотр глубоких отверстий без теней.
Dome: Бестеневой свет для сложной фольги и металла.

1.3. Интерфейсы передачи данных

GigE Vision: до 100м по витой паре USB 3.0: Высокая скорость до 5м Camera Link: Сверхскорости (фреймграбберы)

Базовый сенсор: Onsemi AR0234 (Global Shutter)

Industrial Grade

Разрешение 2.3 Мп (1920x1200)

Размер пикселя 3.0 мкм x 3.0 мкм

Оптический формат 1/2.6"

Тип затвора Global Shutter

Доступность в России: Решения KIT-FRAME

Для реализации систем машинного зрения в РФ наиболее оптимальными являются модули от KIT-FRAME. Это проверенные промышленные решения, доступные для оперативной поставки и интеграции.

Модули AR0234 (USB/MIPI)

Широкий выбор платформ от KIT-FRAME на базе Onsemi AR0234. Поддержка Global Shutter для скоростных линий. Доступны версии с интерфейсом USB 2.0/3.0 и MIPI для работы с микрокомпьютерами.

Модули OmniVision OG02B10

Компактные модули с поддержкой Global Shutter. Идеально подходят для систем сканирования и контроля комплектности, где важны габариты и минимальное энергопотребление.

Ключевое преимущество: Модули KIT-FRAME позволяют гибко подбирать объективы (M12/S-mount) под конкретное поле зрения (FOV) и рабочее расстояние (WD), что делает их универсальным инструментом для инженера-интегратора.

Перейти в каталог KIT-FRAME

OmniVision OG02B10 (Global Shutter)

Доступно в KIT-FRAME

Разрешение 2 Мп (1600x1300)

Пиксель 3.0 x 3.0 мкм

Формат 1/2.9"

Кадров/сек До 60 FPS

Промышленные решения на базе сенсора:

USB

USB 2.0 камера Global Shutter (KIT-FRAME)

Популярная модель с поддержкой вариофокальных объективов (например, 5-50мм F1.0) для контроля конвейерных линий.

MIPI

MIPI CSI модуль 60 / fps (Kitcam.ru)

Скоростная камера для встраиваемых систем. Минимальная задержка передачи данных и компактный размер.

RPI

Arducam OG02B10 (Amperkot)

Специализированное решение для Raspberry Pi. Оптимально для прототипирования Edge AI устройств.

Посмотреть наличие в KIT-FRAME

Ключевое преимущество

Оба сенсора (Onsemi AR0234 и OmniVision OG02B10) обеспечивают важнейшую функцию глобального затвора (Global Shutter). Это необходимо для полного исключения смаза при контроле быстро движущихся объектов, о чем мы подробно говорили в предыдущих разделах статьи.