Компьютерное зрение: задачи бизнеса и реальные кейсы
Компьютерное зрение помогает компаниям находить признаки и отклонения на изображениях: дефекты продукции, параметры материалов, состояние посевов и повреждения объектов. В подборке — применения в российских компаниях, изменения в работе специалистов и опубликованные результаты.
Кейсов в подборке: 6. Это подборка опубликованных примеров из России, а не полный перечень внедрений.
Какие задачи компании решают компьютерным зрением
Компьютерное зрение связывает изображение с конкретной операцией: найти дефект, измерить структуру материала, посчитать объекты или оценить повреждение. Результатом может быть отметка для контролёра, расчёт показателя или передача типового случая на автоматическую обработку.
В этой подборке есть фотографии микроструктуры алюминия, снимки посевов с дрона, изображения продукции и повреждений автомобиля. Для каждого применения различаются объект, допустимая ошибка и действие после распознавания.
Машинное зрение для контроля качества
На производстве машинное зрение часто встраивают в контроль качества. РУСАЛ анализирует микроструктуру слитков, птицефабрика «Чамзинская» — дефекты тушек, а пищевое предприятие в Краснодарском крае — дефекты финальной упаковки. Это три разные задачи: измерение структуры, обнаружение отклонения на линии и выделение спорного изделия для контролёра.
Заявленные 99% обнаружения дефектов тушек характеризуют распознавание, а сокращение рекламаций по упаковке — результат работы процесса. Эти показатели нельзя сравнивать как одну шкалу качества системы.
Примеры: Лаборатория РУСАЛ ИТЦ · Птицефабрика «Чамзинская» (агрогруппа «Хорошее дело») · Анонимное пищевое производство в Краснодарском крае.
Кейсы внедрения компьютерного зрения
Показатели относятся к условиям конкретных внедрений. Техническая точность, время обработки и бизнес-эффект — разные метрики.
| Компания | Объект/изображения | Распознавание → действие | Решение | Результат и условия | Источник |
|---|---|---|---|---|---|
| Лаборатория РУСАЛ ИТЦ | Микроструктура алюминиевых слитков | Снимки → анализ структуры вместо длительной ручной оценки | Анализ микроструктуры РУСАЛа | По данным компании, отчёт готовится за 15 минут вместо полутора–четырёх часов ручного анализа. Сравнение времени анализа опубликовано РУСАЛом и относится к анализу микроструктуры слитков. | Пресс-релизыПубликация: |
| Хозяйство «Орбита» | Посевы на снимках с дрона | Подсчёт густоты → оценка состояния посевов | АссистАгро и нейросеть компьютерного зрения | Время оценки сократилось с двух недель ручной работы агрономов до 30–40 минут обработки данных с дрона. Методика и период сравнения не раскрыты. | |
| Птицефабрика «Чамзинская» (агрогруппа «Хорошее дело») | Тушки птицы на линии | Дефекты → сортировка продукции | ML Sense | Заявленная точность детектирования дефектов достигает 99%. 99% — заявленная техническая точность, а не снижение брака. Методика и проверочная выборка не раскрыты. | |
| Сбербанк Страхование | Фотографии повреждений автомобиля | Повреждения и стоимость ремонта → решение по типовому убытку | Computer Vision AI | Для типовых случаев до 200 000 рублей источник заявляет автоматическое решение и выплату за 4–15 минут. 4–15 минут относятся к типовым случаям до 200 тыс. рублей. Источник вторичный; доля таких случаев у компании не раскрыта. | |
| ZIZ | Рыба на производстве | Подсчёт объектов → данные о количестве | Машинное зрение; название не раскрыто | После девяти месяцев с момента внедрения производительность завода увеличилась на 14%. 14% — рост производительности завода через девять месяцев после внедрения. Изолированный вклад модуля подсчёта рыбы не раскрыт. | |
| Анонимное пищевое производство в Краснодарском крае | Финальная упаковка | Дефект → разбор спорного случая контролёром ОТК | Название и поставщик не раскрыты | Через квартал количество рекламаций от крупных ретейлеров сократилось в три раза. Контролёры ОТК разбирают спорные случаи, отмеченные системой, и работают с поставщиками по качеству сырья. Предприятие и поставщик не названы; результат описан автором как пример собственной практики. |
Лаборатория РУСАЛ ИТЦ: Нейросеть анализирует микроструктуру слитка вместо ручной работы у микроскопа
В лаборатории применяется компьютерное зрение, которое анализирует снимки с цифрового микроскопа по восьми параметрам микроструктуры. Для каждого параметра обучена отдельная нейросетевая модель.
Хозяйство «Орбита»: Анализ густоты посевов по снимкам с дрона
Собственная нейросеть АссистАгро обрабатывает снимки с дрона и оценивает густоту посевов и равномерность всходов.
Птицефабрика «Чамзинская» (агрогруппа «Хорошее дело»): Машинное зрение автоматически отбраковывает дефектные куриные тушки
Система ML Sense с двумя камерами и нейросетью анализирует каждую тушку, выявляет порезы, гематомы, переломы, дерматиты и другие дефекты и автоматически удаляет бракованную продукцию с конвейера.
Сбербанк Страхование: Компьютерное зрение автоматизирует урегулирование автомобильных убытков
Система анализирует фотографии повреждений, определяет повреждённые детали и стоимость ремонта, сверяет расчёт с базой стоимости работ и передаёт типовые случаи на автоматическое решение и выплату.
ZIZ: Система подсчёта рыбы с помощью машинного зрения
Для компании ZIZ разработана система подсчёта рыбы с помощью машинного зрения.
Анонимное пищевое производство в Краснодарском крае: Компьютерное зрение для контроля качества финальной упаковки
На выходе производственной линии установили систему компьютерного зрения для выявления дефектов финальной упаковки.
Применимо ли это к вашей задаче?
На диагностике разберём задачу бизнеса и возможные первые шаги автоматизации.
Обсудить похожую задачуКакие системы используют компании
В кейсах представлены специализированные разработки и продукты: анализ микроструктуры РУСАЛа, платформа «АссистАгро» с собственной нейросетью и ML Sense для сортировки продукции. Для упаковки название системы и поставщик не раскрыты. Список решений ниже ведёт на их применения в каталоге; это не рейтинг поставщиков.
Что проверить до внедрения
Начните с одного объекта и рабочего решения: какое отклонение нужно заметить и кто изменит действие после сигнала. Подготовьте изображения обычных и спорных случаев, включая разные партии, освещение, ракурсы и режимы работы.
Проверьте отдельно пропущенные дефекты и ложные срабатывания. Для линии важны скорость обработки и задержка реакции; для лабораторного анализа — согласие результата с оценкой специалиста. Заранее определите, какие случаи сотрудник проверяет вручную и как они возвращаются в процесс.
Ограничения и условия сравнения результатов
Смена камеры, освещения, материала или ассортимента меняет условия распознавания. Результат на одной линии или выборке не подтверждает ту же точность на другом объекте.
Время анализа, доля обнаруженных дефектов, рекламации и производительность предприятия отражают разные стороны внедрения. Например, рост производительности ZIZ на 14% за девять месяцев относится к заводу после внедрения; отдельный вклад модуля подсчёта рыбы не раскрыт.
Вопросы о компьютерном зрении в бизнесе
Чем компьютерное зрение отличается от машинного зрения в производственных кейсах?
В производственных кейсах машинным зрением обычно называют систему, которая получает изображения с камер и решает задачу линии или контроля. Компьютерное зрение — более широкое название анализа изображений. При выборе решения полезнее сравнивать объект, рабочее действие и ошибки, чем само название технологии.
Когда нужен анализ видеопотока, а когда достаточно изображений?
Для оценки повреждения или структуры материала может быть достаточно отдельных снимков. Когда нужно определить последовательность операций, нарушение во времени или событие в непрерывном потоке, смотрите подборку видеоаналитики.
Какие данные и критерии ошибки подготовить для пилота?
Подготовьте примеры нормальных объектов, редких дефектов и неоднозначных случаев с оценкой специалиста. Для каждой ошибки определите последствие: пропуск брака, лишняя ручная проверка или остановка линии. Критерий пилота должен учитывать именно эти последствия.
Связанные задачи и подборки
Анализ событий в видеопотоке и извлечение реквизитов из документов разобраны отдельно: у них другие рабочие действия и критерии результата.
- Видеоаналитика
- Распознавание документов
- ИИ в контроле качества — кейсы внедрения
- ИИ в производстве и оказании услуг — кейсы внедрения
- ИИ в обслуживании и ремонте оборудования — кейсы внедрения
- ИИ в промышленности — кейсы внедрения
- ИИ в пищевой промышленности — кейсы внедрения
- ИИ в сельском хозяйстве — кейсы внедрения