Описание проекта

Суть проекта:
«Сканер для деталей» — это программно-аппаратная система автоматизированного контроля качества металлических деталей на основе компьютерного зрения и нейросетевых моделей. Камера фиксирует деталь, алгоритм анализирует изображение и выявляет признаки дефектов. Продукт автоматизирует первичный визуальный контроль, снижает зависимость от человеческого фактора и позволяет специалисту ОТК сосредоточиться на проверке спорных случаев.

Связь с технологиями:
Проект относится к сквозным технологиям «Искусственный интеллект» и «Новые производственные технологии». Технологическое направление — «Технологии создания отечественных средств производства и научного приборостроения». Рынок НТИ — «AutoNet».

Актуальность:
Малые и средние промышленные предприятия с серийным и массовым производством металлических деталей вынуждены проверять большой объём однотипных изделий вручную. Контроль качества выполняется специалистами ОТК после штамповки, сварки и других производственных операций. При увеличении объёма производства нагрузка на персонал растёт, а вероятность пропуска небольших или трудно различимых дефектов зависит от человеческого фактора.
Рынок решений для автоматизированного контроля качества с применением компьютерного зрения и ИИ развивается за счёт внедрения этих технологий в промышленность. Выраженной сезонности не предполагается; основные барьеры — необходимость доказать эффективность на реальном производстве, адаптировать систему под конкретные детали и интегрировать её с существующим оборудованием.
Таким образом, актуальность проекта определяется:
- ростом объёмов серийного и массового производства металлических деталей;
- высокой долей ручного визуального контроля на МСП;
- развитием компьютерного зрения и ИИ в промышленности;
отсутствием доступных и адаптируемых решений для малых и средних предприятий.

Чью проблему решаем:
Проблему ручного и трудоёмкого контроля качества металлических деталей на малых и средних производственных предприятиях. Сотрудникам контроля качества приходится проверять большое количество однотипных изделий, при этом вероятность пропуска небольших или трудно различимых дефектов зависит от человеческого фактора. Продукт автоматизирует первичный контроль, выявляет потенциально дефектные детали и позволяет сотруднику сосредоточиться на проверке спорных случаев.

Масштаб и последствия:
Ручной контроль качества увеличивает затраты предприятий на персонал и время проверки, а пропуск дефектов может приводить к браку, переделке, возвратам и производственным потерям. Конкретный размер потерь зависит от объёма производства и типа дефектов.

Технологический барьер:
Барьер заключается в отсутствии доступных и адаптируемых решений автоматизированного визуального контроля, способных стабильно выявлять дефекты металлических деталей в условиях реального производства. Барьер подтверждается анализом существующих методов контроля и решений рынка, а также необходимостью проведения ручной проверки качества на предприятиях.
Кто подтвердил проблему:
По данным паспорта команды, команда планирует провести интервью с потенциальными промышленными заказчиками и подтвердить востребованность решения. На текущий момент проблема обоснована анализом рынка и производственных процессов, но требует подтверждения через проблемные интервью.

Решение

Сущность предлагаемого решения:
Разработка программно-аппаратной системы автоматизированного контроля металлических деталей с использованием компьютерного зрения и нейросетевых моделей: камера фиксирует деталь, алгоритм анализирует изображение и выявляет признаки дефектов. Технологическая основа — искусственный интеллект, компьютерное зрение и глубокое обучение; для разработки ML-компонента планируется использовать PyTorch.
Фактический продукт:
На текущем этапе продукт представлен концепцией сканирующего модуля с камерами и программным обеспечением для автоматического обнаружения и классификации дефектов металлических деталей. В дальнейшем планируется обеспечить обработку изображений в автоматическом режиме, определение типа и расположения дефекта и передачу результата специалисту контроля качества. Конкретная конфигурация оборудования и набор выявляемых дефектов будут определены по результатам исследований и испытаний.
Модель применения:
Деталь поступает на участок контроля → устанавливается в зону сканирования → камеры и датчики получают изображения и пространственные данные → нейросетевая модель анализирует деталь и выявляет возможные дефекты → результат передаётся специалисту контроля качества → годные детали проходят дальше, подозрительные направляются на дополнительную проверку.
Возможности производства:
На текущем этапе серийное производство не начато. Предполагается создание опытного образца на основе доступных камер, вычислительного оборудования и программного обеспечения собственной разработки. Уровень локализации, сроки выпуска серийной партии и состав результатов интеллектуальной деятельности будут определены после выбора конфигурации системы и проведения испытаний. Основные ограничения — необходимость адаптации системы под конкретные типы деталей, дефектов и условия производства.
Экономическая эффективность:
Ожидаемый экономический эффект связан со снижением трудозатрат на первичный визуальный контроль, сокращением времени проверки и уменьшением вероятности пропуска дефектных изделий, что потенциально снижает затраты на брак и переделку. Количественные показатели экономической эффективности пока не подтверждены и будут определены после проведения интервью с предприятиями и пилотных испытаний.

Уровень готовности технологии:
Текущий уровень — TRL-2. Это означает, что сформулирована технологическая концепция и подтверждена её принципиальная реализуемость. Подтверждающие артефакты: описание концепции, выбор технологического стека (CV, deep learning, PyTorch), анализ существующих методов контроля и решений рынка.

Целевая аудитория

Потенциальный заказчик:
Малые и средние промышленные предприятия с серийным или массовым производством металлических деталей, где контроль качества выполняется вручную. Проблема возникает при необходимости проверять большой объём изделий, когда ручной контроль требует значительных трудозатрат и существует риск пропуска дефектов.

Базовый пользователь:
Специалист отдела контроля качества, осуществляющий визуальную проверку металлических деталей после штамповки, сварки или других производственных операций. Проблема возникает при необходимости быстро и стабильно проверять большое количество однотипных деталей.

Группы потенциальных пользователей:
Специалисты контроля качества, начальники производственных участков, технологи и инженеры промышленных предприятий. Их потребность возникает при увеличении объёма производства, необходимости сокращения времени контроля, снижения нагрузки на персонал и повышения стабильности выявления дефектов.

Потребительские сегменты:
B2B-сегмент. Основные потребители — малые и средние промышленные предприятия, осуществляющие серийное или массовое производство металлических деталей. Приоритетные отрасли: металлообработка, машиностроение, производство металлических изделий и компонентов. Географически на начальном этапе — промышленные предприятия России, преимущественно с собственными производственными линиями и высокой долей ручного визуального контроля

Бизнес-модель

Ценность и уникальность:
Доступная и адаптируемая система автоматизированного контроля качества металлических деталей для малых и средних промышленных предприятий. Решение позволит автоматизировать первичный визуальный контроль, выявлять дефекты с помощью нейросетей и сохранять результаты проверки. В отличие от универсальных промышленных систем, проект ориентирован на более узкий сценарий — контроль металлических деталей после штамповки, сварки и других производственных операций. Предполагается возможность адаптации модели под конкретную продукцию и постепенного расширения перечня обнаруживаемых дефектов.

Монетизация:
Планируется B2B-модель с продажей программно-аппаратного решения промышленным предприятиям. На начальном этапе предполагается проведение пилотных проектов на предприятиях для проверки эффективности системы на конкретных типах деталей и дефектов. После успешного пилотирования возможна продажа системы или предоставление доступа к программному обеспечению по подписке с оплатой за использование. Дополнительный доход может формироваться за счёт внедрения, настройки моделей под конкретное производство, интеграции с оборудованием и технической поддержки.

Каналы продвижения и сбыта:
Основным каналом привлечения клиентов планируется сделать прямые продажи и взаимодействие с промышленными предприятиями, а также участие в профильных выставках, конкурсах и акселерационных программах. Для разработки и тестирования продукта предполагается привлечение собственных ресурсов команды, акселерационной поддержки и, на последующих этапах, финансирования от потенциальных заказчиков или инвесторов.

Ограничения:
Основные барьеры выхода на рынок — необходимость доказать эффективность на реальном производстве, адаптировать систему под конкретные детали и интегрировать её с существующим оборудованием. Цикл продаж может составлять 6–12 месяцев. Затраты на интеграцию — 100–300 тыс. руб. на предприятие (оценка).

Конкуренты:

• Cognex (США) — промышленные системы машинного зрения и deep learning.
• KEYENCE (Япония) — системы машинного зрения и 2D/3D-инспекции.
• OMRON (Япония) — системы FH с AI-инспекцией дефектов.
• SICK (Германия) — промышленные системы машинного зрения, 2D/3D-контроль.
• Mallenom Systems (Россия) — российский разработчик решений промышленного машинного зрения.

Конкурентные преимущества:

1. Доступная цена для МСП.
2. Адаптация под конкретную деталь и тип дефекта — дообучение модели на данных предприятия.
3. Фокус на металлические детали после штамповки и сварки — узкий сценарий, который крупные вендоры не закрывают дешёвым решением.

Презентации

Презентация

Презентация проекта первый этап

Пульс