Авторизация
Забыли пароль?
Сброс пароля
Вернуться к авторизации
Digital-кейс дня

ML Sense для ОИЯИ: автоматический контроль намотки сверхпроводящего кабеля с помощью компьютерного зрения

Вхождение в кейс дня

04 июля ‘25

Заказчик: Объединенный институт ядерных исследований (ОИЯИ)

Внедрили систему машинного зрения ML Sense на ОИЯИ для контроля качества намотки сверхпроводящего кабеля. Исключили ручной контроль, снизили потери дорогостоящей ленты и высвободили 3 операторов в смене.

Агентство-исполнитель кейса

Nord Clan

ML Sense. Готовое решение для контроля качества продукции на производствах конвейерного типа на основе машинного зрения и нейросетей ✔ Точность распознавания до 98%. ✔ Скорость конвейера: до 50 м/c. ✔ Распознавание дефектов: от 0.1 мм. ✔ Не требует доработки вашего оборудован

1. Вводная задача от заказчика, проблематика, цели

ОИЯИ занимается передовыми разработками в сфере физики высоких энергий, ускорителей частиц и сверхпроводящих технологий. Один из ключевых проектов института — создание накопителей энергии (SMES) и новых ВТСП-магнитов для установки Нуклотрон. Для их изготовления требуется высокотемпературный сверхпроводящий кабель, наматываемый из десятков тонких лент.

Проблема

Качество намотки ВТСП-кабеля критично: шаг между витками должен быть стабильным, без заломов и нахлёстов. Один дефект — и весь кабель, стоимостью сотни тысяч рублей (при $35 за метр ленты), становится браком. Ранее визуальный контроль выполнялся вручную: 6–7 операторов следили за качеством на каждом посту. Это тяжёлая и утомительная задача, особенно с учётом необходимости мгновенного реагирования.

Цель проекта

Исключить влияние человеческого фактора, автоматизировать контроль намотки и снизить производственные потери.

Ключевые задачи:

  • Автоматически распознавать критические дефекты: заломы, нахлёсты, сбитый шаг.
  • Отслеживать однородность намотки на всех 5 постах кабельной линии.
  • При отклонениях подавать сигнал на колонну или останавливать установку.
  • Фиксировать и сохранять все события с фотофиксацией и логами.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Решение

Мы внедрили ML Sense — промышленную систему машинного зрения, адаптированную под задачу контроля кабельной намотки. Она выявляет нарушения структуры намотки в реальном времени и передаёт сигнал оператору или на управляющую систему.

Этапы реализации

1. Сценарное моделирование

В нашей ML-лаборатории собрали тестовый стенд с подбором камер, освещения и углов. Оптимальная сцена была воспроизведена заказчиком на производственной линии в ОИЯИ.

2. Сбор и разметка данных

Создан датасет из сотен изображений: корректная намотка, сбитый шаг, заломы, нахлёсты. На его основе обучили YOLOv5, способную классифицировать участки намотки как «норма» или «дефект».

3. Интеграция

На каждом из 5 постов установлены камеры Full HD. Сигнальные колонны и серверы подключены к управляющим контроллерам. При выявлении дефекта система подаёт сигнал, а при необходимости — останавливает процесс.

Как работает система

  • Камеры фиксируют видео с зоны намотки.
  • YOLO-модель анализирует кадры в заранее заданной зоне интереса (ROI). При обнаружении отклонения:
  • В интерфейсе отображается индикация проблемы.
  • Активируется светозвуковая колонна.
  • При критических дефектах подаётся команда на остановку линии.
  • Все события логируются и сохраняются в архив с фото.

Интерфейс

Операторский интерфейс (React) позволяет:

  • Мониторить состояние всех постов в режиме реального времени.
  • Получать визуальные подсказки и раскадровку дефектов.
  • Анализировать архивные события.

3. Результаты сотрудничества

  • Точность детекции дефектов — 99%
  • Высвобождение 3–4 операторов в смене
  • Проект окупается с первой полноценной партии магнита
  • Снижение рисков брака при производстве ВТСП-кабелей

4. Заключение

Компьютерное зрение: Python, OpenCV, YOLOv5/v8/v10

Обработка и хранение данных: PostgreSQL, Flask

Контроль оборудования: Modbus, сигнальные реле

Интерфейс: React

Агентство-исполнитель кейса

Nord Clan

ML Sense. Готовое решение для контроля качества продукции на производствах конвейерного типа на основе машинного зрения и нейросетей ✔ Точность распознавания до 98%. ✔ Скорость конвейера: до 50 м/c. ✔ Распознавание дефектов: от 0.1 мм. ✔ Не требует доработки вашего оборудован