
Авторизация

Сброс пароля
ML Sense для ОИЯИ: автоматический контроль намотки сверхпроводящего кабеля с помощью компьютерного зрения
Вхождение в кейс дня
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.
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