ИИ уже проверяет качество продукции на заводах по всему миру: находит дефекты, которые пропускает человеческий глаз, и предсказывает брак до его появления. Рассказываем, как это устроено и что внедрение дает производству.

Оксана Иванова

3 июля 2026 г.

9 мин.

Да, и давно. Компьютерное зрение проверяет изделия на конвейере быстрее и стабильнее человека, а предиктивные модели ловят отклонения в техпроцессе до того, как появится брак. Внедрение окупается в среднем за 6–18 месяцев на производствах с большими объемами и дорогой ценой ошибки. В статье — как это работает, где применяется и с чего начать.

Контролер ОТК на восьмом часу смены пропускает до 30% дефектов. Это не халатность — это физиология. Глаз устает, внимание плывет, монотонность добивает концентрацию. Камера с нейросетью не устает вообще. Она проверяет тысячную деталь с той же точностью, что и первую.

Поэтому вопрос «используется ли ИИ для контроля качества» сегодня звучит примерно как «используются ли компьютеры в бухгалтерии». Используется. Вопрос в другом: где именно он оправдан, сколько стоит и как не провалить внедрение. Об этом и поговорим.

Сразу оговоримся: речь о промышленном применении. Мы в Mad Brains разрабатываем ИИ-решения для производственных компаний, и материал написан для тех, кто отвечает за качество на предприятии.

Отрасли, где визуальный контроль на нейросетях стал рабочим стандартом, а не экспериментом:

• Электроника. Проверка пайки, позиционирования компонентов на платах, микротрещин. Дефекты размером в десятые доли миллиметра, которые человек видит только под микроскопом.
• Пищевая промышленность. Сортировка овощей и фруктов по цвету и форме, поиск посторонних включений, контроль целостности упаковки и читаемости маркировки.
• Металлургия и машиностроение. Поверхностные дефекты проката, геометрия деталей, качество сварных швов — включая рентгеновские снимки.
• Фармацевтика. Целостность таблеток, комплектность блистеров, соответствие маркировки серии. Здесь цена пропущенного дефекта измеряется не деньгами, а отзывом партии с рынка.
• Текстиль и упаковка. Дефекты полотна, непропечатка, смещение красочных слоев на высоких скоростях линии.

Общая логика везде одна. Есть поток однотипной продукции, есть визуально различимые дефекты, есть цена ошибки. Чем выше скорость линии и дороже брак, тем быстрее окупается система.

Два основных подхода, и они решают разные задачи.

Первый — компьютерное зрение. Над конвейером ставят промышленные камеры, иногда с подсветкой, иногда инфракрасные или рентгеновские. Нейросеть, обученная на снимках годной продукции и брака, классифицирует каждое изделие за миллисекунды. Дефектное отбраковывается автоматически, оператор получает уведомление. Современные модели работают даже тогда, когда брак встречается редко и примеров для обучения мало: применяется anomaly detection — сеть учится на «норме» и реагирует на любое отклонение от нее.

Второй — предиктивная аналитика техпроцесса. Тут камер может не быть вовсе. Модель анализирует данные с датчиков оборудования: температуру, вибрацию, давление, скорость подачи. И находит комбинации параметров, которые статистически предшествуют браку. Дальше система либо предупреждает технолога, либо сама корректирует режим. По сути, это контроль качества до появления продукции — брак предотвращается, а не отлавливается.

На зрелых производствах оба подхода работают вместе: предиктив снижает вероятность дефекта, зрение ловит то, что все-таки проскочило.

Обратите внимание на строку про нестандартные ситуации. Человек догадается, что странное пятно — блик от нового светильника, а не дефект. Сеть — нет, пока ее не дообучат. Поэтому ИИ не увольняет ОТК, а меняет его роль: рутинную проверку забирает машина, за человеком остаются спорные случаи, аудит системы и работа с причинами брака.

Цифры из практики отрасли (разброс большой, все зависит от исходной точки):

1. Снижение пропуска дефектов в 3–10 раз. Особенно заметно на мелких и малоконтрастных дефектах.
2. Сокращение затрат на контроль на 30–50%. Контролеры переводятся на выборочный аудит и аналитику.
3. Уменьшение внутреннего брака на 15–40% — за счет предиктивной части, когда система ловит уход техпроцесса.
4. Полная прослеживаемость. Каждое изделие — со снимком и результатом проверки. Для претензионной работы с клиентами и поставщиками это аргумент, против которого сложно спорить.
5. Данные для технологов. Статистика дефектов по сменам, партиям сырья, единицам оборудования. Часто именно она вскрывает системные причины брака, о которых на предприятии годами только догадывались.

Окупаемость на серийных производствах обычно укладывается в 6–18 месяцев. Дольше — там, где объемы небольшие или номенклатура постоянно меняется.

Было бы нечестно рисовать только парадную сторону.

Главная проблема — данные. Для обучения нужны размеченные примеры продукции, и качество разметки напрямую определяет качество системы. Если дефекты редкие, сбор датасета растягивается на месяцы. Частично это лечится синтетикой и anomaly detection, но полностью — нет.

Вторая — изменчивость. Сменили поставщика сырья, оттенок поверхности «поплыл» — и сеть начала браковать годное. Система требует сопровождения, это не «поставил и забыл».

Третья — интеграция. ИИ-контроль должен встроиться в MES или ERP, в логику отбраковки на линии, в отчетность. Иногда доработка окружения стоит дороже самой модели. Это нормально, просто закладывайте в бюджет.

1. Выберите один участок с измеримой болью: высокий процент брака, дорогие рекламации, узкое место на контроле.
2. Соберите статистику за 3–6 месяцев: типы дефектов, частота, стоимость последствий. Без этой базы невозможно посчитать эффект.
3. Проведите пилот на реальной линии. Не на стенде — на линии, с ее вибрацией, пылью и переменным освещением. Пилот занимает 2–4 месяца и стоит на порядок дешевле полного внедрения.
4. Сравните метрики пилота с работой ОТК на том же потоке. Решение о масштабировании принимайте по цифрам, а не по впечатлениям от демо.
5. Масштабируйте поэтапно, участок за участком, с обучением персонала.

Такой путь снижает риски почти до нуля: максимум, что вы теряете при неудачном пилоте, — стоимость эксперимента. А чаще всего уже пилот показывает, где именно теряются деньги.

Mad Brains разрабатывает системы компьютерного зрения и предиктивной аналитики под конкретное производство: от аудита и пилота до интеграции с вашей MES и обучения команды. Мы не продаем коробку — мы решаем задачу снижения брака с измеримым результатом.

Если хотите понять, окупится ли ИИ-контроль качества на вашем предприятии, оставьте заявку. Проведем бесплатную предварительную оценку: посмотрим на ваши типы дефектов, объемы и предложим формат пилота с расчетом эффекта.

Критерий

Контролер ОТК

ИИ-система

Скорость проверки

1–3 сек на изделие

20–100 мс на изделие

Стабильность

Падает к концу смены

Постоянная, 24/7

Точность на типовых дефектах

70–85%

95–99% и выше

Нестандартные ситуации

Справляется гибко

Требует дообучения

Документирование

Выборочное, вручную

Фото и лог по каждому изделию

Стоимость

Постоянные расходы на ФОТ

Капитальные затраты + поддержка

Оксана Иванова

3 июля 2026 г.

9 мин.