Интеллектуальная сортировка продукции в 2026 году: нейросети, спектр и скорость конвейера

Сортировка на производстве - это не про «отделить белое от чёрного». В реальности продукция отличается по микротрещинам, оттенку, составу материала, форме, толщине покрытия. И отличаться должна со скоростью конвейера - сотни объектов в минуту, без остановки.

Ручная сортировка на таком темпе даёт ошибку 3-8% даже после обучения, а на упаковке крепежа или пищевых продуктов это прямые рекламации. Механические сортировщики (сита, вибробункера) работают только по размеру и форме. Оптические фотосепараторы с пороговыми алгоритмами - по цвету, но не видят состав материала и микротрещины.

Нейросетевая сортировка закрывает все эти случаи: один проход конвейера, одна камера (или набор камер), одна модель - и продукция делится на сорта не по одному признаку, а по десяткам. При этом ключевой вопрос - не «может ли нейросеть сортировать», а «какой уровень false reject приемлем для конкретного производства и как его измерить».

Фундамент любой сортировочной системы - камера и свет. Без правильно подобранной оптики и освещения нейросеть не компенсирует плохой кадр.

Камеры для сортировки

Выбор камеры определяется не разрешением «в мегапикселях», а типом сенсора, спектральным диапазоном и скоростью съёмки. Для конвейерной сортировки критичен глобальный затвор (global shutter): при скоростях конвейера 1-3 м/с rolling shutter даёт геометрические искажения объектов, и модель начинает классифицировать не форму детали, а артефакт затвора.

Освещение

Строб-лампы или высокочастотные LED-панели, синхронизированные с затвором камеры через аппаратный trigger и энкодер конвейера. Без стробоскопической синхронизации объект на скорости 2 м/с размазывается на кадре. Время экспозиции подбирается так, чтобы смещение объекта за время кадра не превышало 1-2 пикселя.

Ключевые схемы света:

• Проходящий свет (backlight): для контроля контура, геометрии, сквозных отверстий.
• Направленный свет (bright field): для текстуры поверхности, трещин, царапин.
• Тёмное поле (dark field): для микроцарапин, пыли, тонких дефектов на полированных поверхностях.
• Коаксиальный свет: для контроля плоских блестящих объектов без бликов.
• Поляризационный свет: для подавления бликов на глянцевых и влажных поверхностях.

После того как кадр получен, в дело вступает модель. В 2026 году для промышленной сортировки на конвейере актуальны два подхода: одностадийные детекторы семейства YOLO и детекционные трансформеры.

YOLO26 (Ultralytics, январь 2026)

Последнее поколение самой распространённой архитектуры для реального времени:

• End-to-end без NMS: убран non-maximum suppression как постобработка - предсказания выходят напрямую. Это сокращает latency и делает пайплайн детерминированным: при том же входе всегда тот же выход.
• Улучшенная детекция малых объектов: loss-функции ProgLoss и STAL (Small-Target-Aware Label Assignment) - критично для микротрещин и мелкого крепежа.
• CPU-инференс: YOLO26n на CPU до 43% быстрее YOLO11n. Для задач с умеренной скоростью конвейера это позволяет обойтись без GPU.
• Экспорт: ONNX, TensorRT, OpenVINO, TFLite, CoreML - широкая поддержка edge-устройств.
• Мультизадачность: детекция, сегментация, pose estimation, oriented detection, классификация - одна архитектура для всех задач.

RF-DETR (Roboflow, ICLR 2026)

Детекционный трансформер на backbone DINOv2, построенный через Neural Architecture Search:

• RF-DETR-Nano: 2.3 мс на NVIDIA T4 (TensorRT FP16).
• RF-DETR-Large: 56.5 AP50:95 на COCO при 6.8 мс.
• RF-DETR-2XL: первый real-time детектор, преодолевший 60 AP на COCO.
• Сильная domain adaptation: на RF100-VL (бенчмарк переносимости между доменами) RF-DETR-2XL обгоняет GroundingDINO в 20 раз по скорости.

Когда что выбирать

• YOLO26n/s - для edge (Jetson Orin/Thor) и CPU, когда важна минимальная latency и стоимость.
• RF-DETR-L - для серверного инференса на GPU (RTX 6000 Ada, H200), когда нужно больше точности на сложных классах.
• Гибрид RGB + NIR - две модели: RGB-детектор для геометрии/цвета, NIR-классификатор для материала. Результаты объединяются по координатам объекта.

Отдельный случай - anomaly detection на ограниченных данных. Когда дефектов мало (менее 50 образцов), классический supervised не работает. Подходы: PatchCore, EfficientAD, FastFlow, Reverse Distillation - обучение только на «годных» образцах, детекция отклонений.

Модель выдаёт класс объекта и confidence score. Порог confidence - главный инженерный рычаг, который определяет баланс между false positive (годное ушло в брак) и false negative (брак ушёл клиенту):

• Высокий порог (0.95+) - минимум ложных выбросов годного, но возможны пропуски дефектов. Подходит, когда цена false reject высока (дорогой продукт, низкая маржинальность).
• Низкий порог (0.7-0.8) - ловим почти все дефекты, но часть годного отбраковывается. Подходит для safety-critical применений и высокой стоимости рекламации.
• Адаптивный порог по классам: для критичных дефектов (трещина) - ниже, для косметических (оттенок) - выше.

Исполнительные механизмы

• Пневматические форсунки: отстрел бракованных единиц струёй сжатого воздуха. Время срабатывания - 3-10 мс. Наиболее распространены для сыпучих и мелких объектов.
• Сервоприводы: механический сдвиг в разные лотки/ручьи. Точнее пневматики по позиционированию, но медленнее (50-100 мс).
• Сбрасывающие клапаны/шиберы: для крупных объектов и низкоскоростных конвейеров.

Управление через PLC по OPC UA, Modbus TCP или дискретным сигналам. Задержка от кадра до срабатывания форсунки - ключевой параметр синхронизации: объект движется, и форсунка должна сработать, когда он ровно над ней.

Система сортировки - не изолированный островок автоматизации. Она встраивается в производственный контур и обменивается данными с несколькими уровнями:

Взаимодействие с PLC

PLC управляет конвейером, получает от системы зрения сигнал на отстрел и координирует исполнительные механизмы. Протоколы: OPC UA (наиболее гибкий и современный), Modbus TCP (простой и распространённый), Profinet/EtherNet/IP (на линиях Siemens и Rockwell соответственно).

Обмен с MES/SCADA

Система отдаёт в MES агрегированную статистику: сколько объектов прошло, какой процент брака по классам, тренды за смену. Это не «красивые графики для презентации», а рабочий инструмент ОТК и начальника смены для управления качеством.

Смена рецептов

При переходе на другую партию или номенклатуру оператор выбирает рецепт сортировки в SCADA. Система загружает другую модель, другие пороги confidence, другую конфигурацию форсунок - без остановки линии.

Журналирование и прослеживаемость

Каждое событие отбраковки фиксируется с фото, классом дефекта, confidence и временной меткой. При рекламации клиента можно поднять историю сортировки конкретной партии и понять, был ли дефект пропущен системой или возник позже.

Сортировка крепежа после термообработки

На линии винты движутся россыпью. Задача: отсеять трещиноватые (детекция на YOLO26n) и рассортировать смешанный ассортимент по типоразмерам (классификация на RF-DETR-S). Темп - до 200 шт/мин. Человек на такой скорости пропускает каждый 10-15 дефект; нейросеть - 1 пропуск на 500-1000 при настроенных порогах.

Переработка ПЭТ-флекса

Поток измельчённого пластика движется на конвейере. RGB-камера видит цвет, NIR-камера определяет тип полимера. Без NIR ПЭТ и ПВХ неразличимы - внешне одинаковые бутылки. Точность разделения на обученной модели - до 99,7% при чистоте исходного сырья. Коммерческие системы (TOMRA AUTOSORT, Buhler SORTEX) достигают 99%+ на промышленных объёмах.

Контроль обжарки кофе

Зёрна движутся однослойным потоком. Каждый кадр - 50-100 зёрен. Задача: классифицировать каждое зерно по степени обжарки и отсеять дефекты (битые, заплесневелые, недозревшие). RGB-камера с global shutter + YOLO26n на Jetson Orin - до 5000 объектов/с. Пороги confidence настраиваются под сорт кофе: для спешелти выше, для масс-маркета ниже.