Контроль качества на производстве в 2026: камеры, нейросети, данные и цена ошибки

Промышленные камеры стали быстрее и точнее. Sony продолжает развивать линейку Pregius / Pregius S: сенсор IMX927 дает 105 Мп при 100 fps с глобальным затвором, IMX900 обеспечивает 3,2 Мп с пикселем 2,25 мкм BSI. Для конвейера это принципиально: дефект должен быть виден именно там, где он реально находится, а не «растянут» по кадру из-за rolling shutter.

Модели тоже сделали шаг вперед. YOLO26 (январь 2026) стал первым YOLO с нативным NMS-free инференсом: отказ от Non-Maximum Suppression убирает вариативность задержки и упрощает развертывание на edge-устройствах. Оптимизатор MuSGD, функции потерь STAL и ProgLoss улучшают детекцию малых объектов - критично для дефектов меньше 1% площади кадра. Nano-вариант дает до 43% прироста скорости CPU-инференса относительно YOLO11.

Anomaly detection перестал быть нишевым экспериментом. Библиотека Anomalib 2.2.0 (октябрь 2025) объединяет 23 алгоритма под единым API. PatchCore, EfficientAD и FastFlow работают в production, а PatchCore-Lite и PaDiM-Lite (апрель 2026) дают 79% и 77% экономии памяти для edge-развертывания. Это решает главную боль цехов: дефекты редки и непредсказуемы, собрать размеченный датасет на все виды брака часто невозможно.

Третий сдвиг - рост on-premise внедрений. Заводам критично держать кадры, журналы дефектов и технологические параметры внутри периметра (ФЗ-152, КИИ). Здесь Smart Video стыкуется с направлением AI Platforms: локальные ИИ-серверы, RAG по регламентам ОТК, отчеты по инцидентам и корпоративные ИИ-ассистенты разворачиваются рядом с видеоаналитикой.

Детекция объектов: YOLO26 и не только

YOLO26 стал первым NMS-free YOLO в production-ветке. Отказ от Non-Maximum Suppression убирает недетерминированный хвост постобработки: задержка перестает зависеть от плотности объектов в кадре. Оптимизатор MuSGD (гибрид SGD и Muon) обеспечивает стабильное обучение и быструю сходимость. Функция STAL (Small-Target-Aware Label Assignment) специально нацелена на объекты менее 1% площади кадра - критично для мелких дефектов.

Для задач, где нужна максимальная точность и допустим чуть больший latency, альтернатива - RT-DETR: NMS-free по дизайну, но на базе transformer-декодера. Выбор между YOLO26 и RT-DETR определяется балансом скорости и точности на конкретном железе.

Anomaly detection: когда дефекты нельзя перечислить

Ключевая проблема промышленного брака: он редок и непредсказуем. Хорошая линия выпускает менее 1% дефектов. Некоторые виды брака никогда не наблюдались до аварийной партии. Здесь anomaly detection (one-class learning) принципиально выигрывает: модель учится на нормальных изделиях и флажит всё, что выходит за пределы изученного распределения.

Три основных подхода по состоянию на июнь 2026:

• PatchCore: строит memory bank из патч-признаков предобученного WideResNet-50, сравнивает тестовые патчи через nearest-neighbor search. Не требует обратного распространения ошибки - один проход по данным. Высокое качество локализации. PatchCore-Lite (апрель 2026) экономит 79% памяти через product quantization memory bank.
• EfficientAD: комбинация легковесного автоэнкодера и student-teacher knowledge distillation. Быстрый инференс на edge-устройствах. Дает самые сфокусированные heatmap, но требует аккуратного подбора гиперпараметров.
• FastFlow: использует normalizing flows для оценки правдоподобия признаков. Хорошо работает с текстурами (ткани, дерево) и поверхностями с естественной вариативностью.

Глобальный затвор: почему это базовое требование

Глобальный затвор (Sony Pregius / Pregius S) считывает все пиксели матрицы одновременно. Rolling shutter считывает строки последовательно - движущийся объект искажается геометрически. На дефектах это критично: царапина, край этикетки, сварной шов или текст маркировки могут оказаться не там, где их ожидает алгоритм.

Практические преимущества глобального затвора:

• меньше смаза и геометрических искажений на быстрых линиях;
• проще синхронизация со стробоскопическим светом и энкодером;
• стабильнее разметка - дефект не «плавает» от кадра к кадру.

Sony IMX900 (3,2 Мп, 2,25 мкм BSI, Pregius S) стал стандартом для среднескоростных линий. IMX927 (105 Мп, 100 fps) закрывает задачи с высоким разрешением и скоростью - например, контроль печатных плат или широких полотен.

В промышленном проекте нельзя ограничиваться одной цифрой accuracy. Мы считаем precision, recall, false positive rate (FP/час или FP/смену), false negative rate, задержку от кадра до сигнала, throughput и процент кадров, пригодных для анализа.

Две системы с одинаковым recall могут быть радикально разными по полезности. Если линия выпускает 30 000 изделий за смену, даже 0,2% ложной браковки дает 60 спорных событий за смену. Оператор устанет, начнет игнорировать тревоги - система потеряет доверие за неделю.

Поэтому порог модели выбирается не «по максимуму accuracy», а по экономике процесса. Мы задаем профиль ошибок:

• сколько ложных тревог допустимо на смену;
• какие дефекты нельзя пропустить ни при каких условиях;
• какие дефекты допустимо отправлять на ручную перепроверку;
• можно ли остановить линию или только маркировать изделие;
• кто имеет право менять пороги модели;
• что происходит с моделью после обновления.

Для дорогих изделий допустима ручная перепроверка почти каждого спорного случая. Для массовой упаковки важнее пропускная способность и дешевый сигнал на отбраковку. Для пищевой и фармацевтической упаковки критичнее трассируемость: нужно не только найти дефект, но и доказать где и когда он возник.

После внедрения нужен контур дообучения. Оператор подтверждает дефекты, система собирает сложные кадры, контролируется drift модели, ведется журнал изменений. Здесь помогает AI Platforms: локальный RAG по регламентам ОТК, автоматические отчеты по сменам, поиск похожих инцидентов и объяснимые сводки для инженеров.

Контроль качества редко живет отдельно. Если на линии уже работает ИИ-сервер для видеоаналитики, на него можно постепенно добавлять контроль СИЗ, распознавание маркировки, подсчет продукции и RAG-отчеты по инцидентам через AI Platforms.

Если дефект связан с формой а не с изображением, проект логично переводить в лазерный контроль геометрии. Если задача оказалась проще чем предполагалось и решается датчиком или классической CV - мы честно скажем об этом. Инженерная база проектов идет от Аквис-Сервис поэтому мы смотрим не только на модель но и на механику, автоматику, эксплуатацию.

Параллельно полезно изучить наше исследование про выбор ИИ-сервера для видеоаналитики - там разобраны конфигурации GPU, метрики производительности и сценарии нагрузки.