זיהוי פגמים ב-AI באמצעות מצלמת אפליקציה ניידת

מערכות ראייה תעשייתיות סטנדרטיות (Cognex, Keyence) יעילות אך יקרות ומקושרות באופן נוקשה לפס הייצור. מפקח נייד מבוסס בינה מלאכותית הוא חלופה גמישה: זול יותר, נייד יותר, ללא צורך בסידור מחדש של הציוד. עם זאת, נוצרים אתגרים הנדסיים חדשים: תאורה לא יציבה, מרחק משתנה לאובייקט, רטט מצילום ידני. אנו פותרים אותם עם בינה מלאכותית על-גבי המכשיר המותאמת לתהליך שלך. עם ניסיון של למעלה מ-5 שנים בראייה ממוחשבת תעשייתית ו-30+ הטמעות על פסי ייצור, חיסכון של עד 40% בהשוואה למערכות מוכנות אינו נדיר. צור קשר לייעוץ — נעזור לך לבחור את הפתרון האופטימלי.

זיהוי פגמים בבינה מלאכותית דרך מצלמת אפליקציה ניידת: אתגרים טכניים

כל אלפית שנייה חשובה, והאינטרנט בבית המלאכה הוא מותרות. הסקה על-גבי המכשיר מבטלת השהיה ותלות ברשת. גודל המודל מוגבל על ידי זיכרון המכשיר, והמהירות על ידי דרישות התפוקה.

// iOS: промышленная детекция дефектов через CoreML
class DefectDetectionEngine {
    private let model: VNCoreMLModel
    private var confidenceThreshold: Float = 0.5 // регулируется на стенде
    private var iouThreshold: Float = 0.45
    // Для стабильного FPS — отдельная очередь
    private let inferenceQueue = DispatchQueue(
        label: "defect.inference",
        qos: .userInteractive
    )
    func analyze(sampleBuffer: CMSampleBuffer) async throws -> [DefectDetection] {
        guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else {
            throw DefectError.invalidFrame
        }
        return try await withCheckedThrowingContinuation { continuation in
            inferenceQueue.async {
                let request = VNCoreMLRequest(model: self.model) { req, error in
                    if let error = error {
                        continuation.resume(throwing: error)
                        return
                    }
                    let detections = (req.results as? [VNRecognizedObjectObservation])?
                        .filter { $0.confidence >= self.confidenceThreshold }
                        .map { obs in
                            DefectDetection(
                                type: DefectType(rawValue: obs.labels.first?.identifier ?? "") ?? .unknown,
                                confidence: obs.confidence,
                                boundingBox: obs.boundingBox, // нормализованный [0,1]
                                severity: self.classifySeverity(obs)
                            )
                        } ?? []
                    continuation.resume(returning: detections)
                }
                request.imageCropAndScaleOption = .scaleFill
                let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer)
                try? handler.perform([request])
            }
        }
    }
}

ביצועים. YOLOv8n ב-CoreML באייפון 14: ~15 אלפיות שנייה להסקה (פוטנציאל 66 FPS). YOLOv8s: ~25 אלפיות שנייה. עבור קו הדורש >30 פריימים לשנייה עם צילום ידני — בחר בגרסת ה-n.

ייצוב תמונה לסריקה ידנית — זיהוי פגמים בבינה מלאכותית

רטט יד הוא אויב של פגמים קטנים. מספר טכניקות: חציצת פריימים עם בחירת חדות (Laplacian), חשיפה אוטומטית, ייצוב אופטי אם זמין.

// Буферизация кадров + выбор наиболее чёткого
class StabilizedFrameSelector {
    private var frameBuffer: RingBuffer<CMSampleBuffer> = RingBuffer(capacity: 8)
    private var sharpnessScores: [Float] = []

    func addFrame(_ buffer: CMSampleBuffer) {
        let sharpness = computeLaplacianVariance(buffer)
        frameBuffer.push(buffer)
        sharpnessScores.append(sharpness)
    }

    // Для анализа — берём кадр с пиковой резкостью за последние N кадров
    var bestFrame: CMSampleBuffer? {
        guard let maxIdx = sharpnessScores.indices.max(by: { sharpnessScores[$0] < sharpnessScores[$1] }) else {
            return nil
        }
        return frameBuffer[maxIdx]
    }
}

כמו כן: // iOS: промышленная детекция дефектов через CoreML class DefectDetectionEngine { private let model: VNCoreMLModel private var confidenceThreshold: Float = 0.5 // регулируется на стенде private var iouThreshold: Float = 0.45 // Для стабильного FPS — отдельная очередь private let inferenceQueue = DispatchQueue( label: "defect.inference", qos: .userInteractive ) func analyze(sampleBuffer: CMSampleBuffer) async throws -> [DefectDetection] { guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else { throw DefectError.invalidFrame } return try await withCheckedThrowingContinuation { continuation in inferenceQueue.async { let request = VNCoreMLRequest(model: self.model) { req, error in if let error = error { continuation.resume(throwing: error) return } let detections = (req.results as? [VNRecognizedObjectObservation])? .filter { $0.confidence >= self.confidenceThreshold } .map { obs in DefectDetection( type: DefectType(rawValue: obs.labels.first?.identifier ?? "") ?? .unknown, confidence: obs.confidence, boundingBox: obs.boundingBox, // нормализованный [0,1] severity: self.classifySeverity(obs) ) } ?? [] continuation.resume(returning: detections) } request.imageCropAndScaleOption = .scaleFill let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer) try? handler.perform([request]) } } } } + // Буферизация кадров + выбор наиболее чёткого class StabilizedFrameSelector { private var frameBuffer: RingBuffer<CMSampleBuffer> = RingBuffer(capacity: 8) private var sharpnessScores: [Float] = [] func addFrame(_ buffer: CMSampleBuffer) { let sharpness = computeLaplacianVariance(buffer) frameBuffer.push(buffer) sharpnessScores.append(sharpness) } // Для анализа — берём кадр с пиковой резкостью за последние N кадров var bestFrame: CMSampleBuffer? { guard let maxIdx = sharpnessScores.indices.max(by: { sharpnessScores[$0] < sharpnessScores[$1] }) else { return nil } return frameBuffer[maxIdx] } } + ייצוב באמצעות AVCaptureDevice.activeVideoMinFrameDuration.

כיצד לכוונן את המודל על נתונים אמיתיים?

מערכי נתונים מוכנים לייצור ספציפי אינם זמינים. אתה צריך תיוג משלך. התהליך:

1. צלם 200–500 דגימות על פס הייצור (תקין + פגום)
2. תייג ב-Label Studio או CVAT (תיבות חוסמות + מחלקות פגמים)
3. הרחבה: בהירות ±30%, סיבוב ±15°, היפוך אופקי, רעש גאוסי — המדמה תנאי צילום אמיתיים
4. אמן YOLOv8s/m (בהתאם לדרישות המהירות)
5. המר ל-CoreML (.mlpackage) או TFLite
6. כוונון איטרטיבי על שגיאות ייצור — כל 2–4 שבועות

# Дообучение на новых данных производства
from ultralytics import YOLO

model = YOLO("defect_detection_v2.pt")  # предыдущая версия как база
results = model.train(
    data="production_defects.yaml",
    epochs=50,
    imgsz=640,
    batch=16,
    lr0=0.001,  # меньший LR для fine-tuning
    freeze=10,  # заморозить первые 10 слоёв backbone
    augment=True,
    hsv_h=0.015,
    hsv_s=0.7,
    degrees=10.0,
    translate=0.1,
    scale=0.5,
    mosaic=1.0
)

כל 2–4 שבועות אנו מכווננים את המודל על נתוני ייצור חדשים, ומגדילים את הדיוק עד 98%. צור קשר לביקורת על הנתונים שלך — נעריך את נפח התיוג הנדרש.

כיצד אנו משלבים את הפתרון עם המערכות שלך?

המפקח הנייד חייב לרשום תוצאות במערכת MES/ERP. אנו משתמשים בגישת offline-first: תחילה אחסון מקומי ב-Room/CoreData, ולאחר מכן סנכרון דרך REST/GraphQL כאשר מופיע חיבור רשת. זה מבטיח שאף בדיקה לא תלך לאיבוד.

// Android: отправка результата инспекции
data class InspectionResult(
    val productId: String,
    val batchId: String,
    val inspectorId: String,
    val timestamp: Instant,
    val detections: List<DefectDetection>,
    val verdict: InspectionVerdict, // PASS, FAIL, REVIEW
    val imageUrl: String, // сохранённое фото с аннотациями
    val deviceId: String
)

suspend fun submitInspection(result: InspectionResult) {
    // Сначала — локальная очередь (производство может быть без Wi-Fi)
    localQueue.enqueue(result)
    // Синхронизация при появлении сети
    syncManager.triggerSync()
}

Offline-first הוא קריטי: ה-Wi-Fi בבית המלאכה לא יציב, ואובדן תוצאת בדיקה אינו מקובל.

אתגר: המאפיינים של בקרת איכות תעשייתית

פגמים בייצור משתנים מאוד בין תעשיות. להלן דוגמאות למקרים הנפוצים ביותר.

לכל תעשייה — מודל משלה. מודל פגמים אוניברסלי לא עובד: מה שנחשב פגם במעגל מודפס עשוי להיות תקין במתכת.

מה כוללת העבודה שלנו?

כל הרכיבים מותאמים לתהליכי הייצור שלך.

הערכות לוחות זמנים

MVP עם מודל בסיסי (200–300 דגימות מתויגות), הסקה על-גבי המכשיר, היסטוריית בדיקות מקומית — 3–4 שבועות. מערכת מלאה עם מודל מכוונן לתהליך ייצור ספציפי, ייצוב תמונה, סנכרון offline-first עם MES/ERP, לוח מחוונים לסטטיסטיקת פגמים ותמיכה ב-iOS + Android — 2–3 חודשים. העלות המדויקת מחושבת באופן אישי לאחר ביקורת על הייצור שלך.

ההחזר על השקעה לפתרון כזה הוא פחות מ-6 חודשים הודות להפחתת הפסולת ובדיקה מהירה יותר. צור קשר להערכה חינמית של הפרויקט שלך. הזמן הטמעת פיילוט היום.

לפי התיעוד של Apple, הסקה על-גבי המכשיר מבטיחה פרטיות ומהירות.