В МАИ прошёл кейс-чемпионат AI Challenge: Engineering. Студенческие команды, в том числе по направлениям подготовки ТОП ИТ, решали прикладные задачи от промышленных партнёров. Один из кейсов был посвящён автоматизации сортировки титановой губки на производственной линии.
Оказывается чтобы получить титан, который широко применяется в авиастроении, нужно сперва хорошо прохлорировать титановую руду и, не вдаваясь в технические подробности, получить эту самую титановую губку. Кому интересно, можно кратко посмотреть тут.
Сейчас значительная часть контроля качества выполняется вручную, причем не только в России. Это тяжёлая и монотонная работа: оператору приходится долго сохранять внимание, а решения могут отличаться в зависимости от опыта и усталости.
Кроме прочего, данная титановая губка ещё и весьма пожароопасна. И в идеале транспортировать и вообще с ней как-то работать лучше в инертной среде, а в этом случае операторы будут уже в других масках.
Поэтому Заказчику было важно снизить влияние человеческого фактора, повысить стабильность контроля и сделать результаты проверяемыми и воспроизводимыми.
Результаты работы команд
К финалу команды показали цепочку обработки изображения, которая подходит для работы на потоке:
1) Сегментация материала на ленте. Система получает изображение с камеры и алгоритм отделяет титановую губку от фона конвейерной ленты. Это базовый шаг, который позволяет дальше считать характеристики только по материалу.
2) Контуры и “геометрия” как основа для измерений. После выделения объектов следующий шаг - контуры: по ним удобнее считать размеры, оценивать форму и собирать статистику по фракциям. Результаты можно дополнительно отображать цветами, чтобы оператору было проще воспринимать информацию. Сегментируются различные виды дефектов и определяется их положение на конвейере. Далее возможно удаление дефектной губки манипуляторами.
3) Дашборд мониторинга линии. Для практического использования команда предложила экран мониторинга: статусы камер, работоспособность конвейера, наличие материала, а также графики и сводки по измеряемым параметрам. Идея простая: оператору должно быть видно не только «картинку», но и то, что система уверенно измеряет процесс и отслеживает изменения во времени.
Чтобы решение было стабильным на производстве, команда указала требования к инженерной части:
камеры промышленного уровня;
контролируемое освещение;
защита оптики от пыли и загрязнений (кожухи, обдув);
синхронизация съёмки с движением конвейера;
по возможности механические элементы, которые стабилизируют положение материала на ленте.
Также было озвучено, что хранение изображений и видеопотока за ограниченный период времени поможет отслеживать спорные случаи и улучшать модель на новых данных.
Идеи и итоги
В конце своего выступления команда предложила направления, которые могут повысить качество контроля, но требуют дополнительных влож��ний, времени и данных:
1) Дополнительные сенсоры для скрытых дефектов: Если дефект не всегда заметен по внешнему виду, можно рассмотреть рентгеновский контроль или методы, основанные на виброакустическом отклике материала.
2) Режимы принятия решения: Для производства важен режим, когда система не только выдаёт вердикт, но и умеет обозначать сомнительные случаи для ручной проверки. Это повышает надёжность внедрения.
3) План внедрения по этапам: Команда предложила внедрение через последовательные стадии: сначала наблюдение и сбор данных, затем помощь оператору, и только после этого переход к автоматическому режиму при стабильных показателях.
По вопросам и комментариям жюри было видно, что им понравился именно системный подход команды. Отметили, что прототип демонстрирует не отдельный алгоритм, а понятную цепочку обработки: от выделения материала на конвейере и получения измеримых параметров до визуализации результатов на дашборде. Важным плюсом стало то, что команда заранее обозначила инженерные ограничения реального производства (условия съёмки, пыль, освещение, интеграция в линию) и показала, как эти риски можно закрывать технически.
Отдельно жюри выделили выступление команды: чёткую структуру, понятное объяснение, почему система устроена именно так, и проработанные идеи развития. Понравилось, что предложения не сводились к общим формулировкам, а были привязаны к конкретным шагам внедрения: сбор датасета на линии, режимы работы с сомнительными случаями и поэтапный переход от наблюдения к автоматизации.
