Edge Computing и YOLOv8: распознавание брака на микроконтроллерах

Типичные ошибки при внедрении машинного зрения на производстве

CV-проекты проваливаются по инженерным причинам, а не из-за слабых моделей. Пять самых частых:

• Обучение на «стерильном» датасете. Модель тренируют на кадрах идеального освещения из лаборатории, а в цеху — блики от сварки, вибрация камеры, смена света днем и ночью. Первый же реальный сдвиг условий обрушивает точность. Датасет собирается только с боевых камер во всех режимах работы линии.
• Игнорирование ложных срабатываний. Для контроля брака критична не только полнота детекции, но и доля ложных тревог: линия, которую система останавливает зря каждые десять минут, отключат через неделю. Пороги настраиваются под цену ошибки конкретного производства.
• Железо без учета среды. Обычный мини-компьютер в цеху умирает от пыли, вибрации и перепадов температуры за месяцы. Промышленное исполнение, охлаждение и защита корпуса — статья бюджета, а не опция.
• Отсутствие связи с исполнительными механизмами. Система «видит» дефект и пишет алерт в монитор, который никто не смотрит. Ценность появляется только при интеграции с PLC: остановка линии, сброс детали, звуковой сигнал оператору.
• Нет процедуры дообучения. Продукция меняется, появляется новый тип брака. Без процесса разметки новых кадров и обновления весов точность деградирует за кварталы.

Отдельно про метрики приемки. Формулировка «система должна хорошо находить брак» — это не ТЗ, а почва для спора на сдаче проекта. Мы фиксируем до старта: precision/recall на боевом потоке, допустимую долю ложных остановок, условия съемки (включая ночные смены), поведение при потере связи с камерой. Система принимается по цифрам на испытаниях длительностью не менее двух недель — короткий тест на часах работы линии ничего не доказывает.

Cloud-инференс против Edge: где что применять

Edge не отменяет облако — это инструменты для разных задач. Edge-устройства рядом с камерами дают задержку в единицы миллисекунд, работают без интернета и не гоняют видео по сети: единственный вариант для управления конвейером в реальном времени и для площадок со специфическими требованиями к данным. Минусы — ограниченная вычислительная мощность каждого узла и необходимость физического обслуживания железа.

Облачный инференс уместен там, где задержка в сотни миллисекунд некритична: аналитика потоков покупателей в магазине, контроль качества по архивным снимкам, периодический аудит записей. Плюс облако — эластичность: можно прогнать переобучение модели на десятках GPU ночью и не держать эти мощности в цеху. В наших проектах работает гибрид: YOLOv8 на TensorRT принимает решения на границе сети за миллисекунды, а в облако уходят только метрики, логи и выборочные кадры для дообучения.

Второй аргумент в пользу edge, который CEO часто недооценивает — экономика трафика и приватности. Потоковое видео с десятков камер 4K — это терабайты в сутки: канал, облачные счета за хранение и вопросы к безопасности. Edge-узел отправляет наружу килобайты событий вместо гигабайтов видео, а записи вообще не покидают площадку — это упрощает согласования со службой безопасности и аудиторами до тривиальных.

Сколько стоит система контроля брака на edge?

Бюджет складывается из трех частей: сбор и разметка датасета (самая недооцененная строка), обучение и оптимизация модели, оборудование — промышленные камеры и edge-устройства на каждую точку контроля. Для одной линии с 2-4 камерами это проект уровня нескольких сотен тысяч рублей с окупаемостью около 2 месяцев: снижение доли пропущенного брака с 5-7% до 0.1% напрямую сокращает возвраты и рекламации. Точную смету считаем после аудита линии и замера условий съемки.

Второй источник экономии, который часто забывают учесть: 100% контроль техники безопасности без расширения штата контролеров. Камеры проверяют каски, зоны и СИЗ 24/7, не отвлекаясь и не уставая — каждый предотвращенный инцидент экономит компании суммы, которые несопоставимы со стоимостью всей системы.

Как быстро запускается пилот машинного зрения?

Pilot на одном посту контроля занимает 4-6 недель: неделя на монтаж камеры и сбор данных, две-три недели на разметку, обучение и оптимизацию под целевое железо, остальное — интеграция с PLC и полевые испытания на реальном потоке. Критерий готовности пилота мы фиксируем заранее: целевые метрики точности на боевом потоке и ноль остановок линии по вине системы. Дальше тиражирование на соседние посты идет быстрее — пайплайн обучения и деплоя уже собран.

Что нужно от заказчика на старте: доступ к линии для монтажа, участие технолога (только человек с производства может корректно разметить спорные дефекты) и выделенный электрик для подключения исполнительных механизмов. Без технолога со стороны клиента проект буксует именно на разметке — модель не знает, чем «допустимая раковина» отличается от браковочной, если ей не объяснил ваш главный инженер.

Что делать, если брак редкий и кадров дефектов мало?

Классическая проблема: процент брака 1%, и за месяц набирается пара сотен примеров — маловато для обучения. Решения работают в комбинации. Первое — синтетика и аугментации: дефекты воспроизводятся программно (царапины, сколы накладываются на нормальные кадры с вариациями освещения). Второе — transfer learning: берется предобученный детектор и дообучается на ваших сотнях примеров вместо обучения с нуля. Третье — активный сбор: система на первом этапе помечает подозрительные кадры с перестраховочным порогом, операторы верифицируют их, и датасет растет автоматически. Через два-три месяца такой эксплуатации модель закрывает даже редкие типы дефектов.

Важная оговорка для планирования бюджета: если дефект встречается реже одного случая на несколько тысяч изделий и его пропуск стоит недорого, автоматизация этого конкретного класса может быть экономически неоправданна — дешевле держать выборочный ручной контроль. Мы считаем эту математику на аудите и честно говорим, какие посты автоматизировать, а какие оставить людям. Роботизация должна окупаться цифрами, а не презентацией.