Don't repeat these mistakes when implementing computer vision: a real-life case study from a Ukrainian company
We went to an AI conference for you, and now we're telling you a story about how buying a cheap camera almost ruined a project to implement computer vision at a company. And that's not the only thing that went wrong.
На конференції «ЯК ЦЕ ЗРОБЛЕНО. AI edition» був представлений досвід впровадження системи комп’ютерного зору для контролю якості флаконів у фармацевтиці, що інтегрується у виробничу лінію, перевіряє до 8000 одиниць на годину та знижує витрати.
Кейс презентував Олександр Акуленко, Head of AI в MK-Consulting, радник CEO Prozorro.Sale, керівник групи розробки першої української платформи для ML-інженерів у De Novo.
Акуленко з командою трансформували понад 20 ринків в Україні та допомогли принести до бюджетів різного рівня 100+ млрд грн. Та за кожною успішною автоматизацією стоїть безліч дрібних і великих факапів, — недообладнана камера, неправильні технічні припущення, зміни в освітленні, а також обмежений доступ до майданчика, — які довелося вирішувати прямо в процесі.
Чому не купили готове рішення
У зв'язку з планами розширення фармацевтичної компанії з'явилась потреба автоматизувати процес відбраковки флаконів. У традиційному процесі шість співробітників компанії вручну аналізували кожен флакон, перевіряючи наявність дефектів. До того ж, вони досить повільно працювали: під кінець робочого дня всі звісно втомлювались, тому кількість помилок могла зростати. Також не було можливості автоматично аналізувати причини браку й оперативно масштабововувати виробництво за потреби.
Готові рішення існують, але їх вартість досить висока. Ще вони потребують заміни існуючого обладнання, водночас адаптуючись під конкретні вимоги замовника не дуже швидко і просто. Тож вирішили упровадити індивідуальне рішення. Проєкт завершився імплементацією системи, яка самостійно перевіряє до 8 000 флаконів на годину, але шлях до цього результату — це приклад того, чому штучний інтелект — не лише про алгоритми, а про команду, адаптивність і розуміння реальних процесів.
Що пішло не так — технічні факапи
Дешева камера, яка дорого обійшлася
На етапі реалізації команда інженерів мала завдання вкластися в обмежений бюджет замовника. Через це було вибрано дешевшу камеру, яка не забезпечувала потрібної якості зображення. Рішення знайшов колега, який запропонував додати фокусуючу лінзу. Встановлення цієї лінзи суттєво покращило картинку й дозволило системі працювати з необхідною точністю.
Цей досвід підтвердив просте правило: навіть найкраща AI-модель і найпотужніше залізо не врятують проєкт, якщо вхідні зображення шумні й нечіткі. Виявилося, що у випадку комп’ютерного зору камера — це те, на чому економити не можна взагалі.
Відбраковка — з другої спроби
Блок відкидання флаконів довелося переробляти: підрядники не врахували нюанси технічного середовища. Команда частково працювала дистанційно, не маючи фізичного доступу до виробничого майданчика, тому довелося діагностувати проблеми «всліпу» та оперативно шукати рішення.
Освітлення як фактор ризику в комп’ютерному зорі
Ще один фактор, який не вдалося врахувати наперед, — це зміни освітлення на виробництві. Яскравість і тіні сильно впливали на результати аналізу, тому довелося як обмежувати діапазон змін освітлення на фізичному рівні, так і додатково донавчати AI-модель на даних, зібраних за нових умов.
Еволюція від скрипта до автономного UI
Спочатку передбачався умовно один скрипт, який би запускався вручну та працював би в автоматичному режимі. Але вже після старту проєкту виникла потреба в автономному веб-інтерфейсі для оператора. Його розробили окремо та інтегрували в систему.
Ці факапи — не винятки, а типова частина роботи зі штучним інтелектом у реальному виробництві. Саме вони формують досвід, з якого будуються стійкі й ефективні системи.
Система візуального огляду: зображення, аналіз, безпечне відкидання
Фінальна конструкція складається з камери з високою роздільною здатністю, яка передає зображення флаконів на сервер для подальшої обробки.
Блок відкидання переміщує флакони з виявленими дефектами на окремий лоток. Відкидання відбувається без пошкодження флакона для подальшої оцінки оператором.
Сервер з програмним забезпеченням обробляє отримані зображення від камери, розпізнає флакони з дефектами і відправляє команду до блоку відкидання для переміщення дефекту на лоток.
Операторський інтерфейс — це веб-інтерфейс, що використовується для відображення статистики роботи системи та зміни налаштувань. Доступ забезпечується через локальну мережу.
Він відображає поточну інформацію про стан роботи системи, рівень вибраковки, результати самодіагностики, сповіщення про несправності, відхилення від контрольних параметрів, виявлення несправностей та сповіщення про тривоги.
Оператор може самостійно донавчати систему, запускаючи певну кількість нових флаконів, які відносяться до норми і браку, щоб без залучення технічної команди розширювати асортимент.
Машина може перевіряти флакони на такі дефекти:
- Косметичні дефекти флакона (тріщини, подряпини, дефекти у формі флакона і т.д.).
- Видимі механічні включення.
- Повнота дозування флакона.
- Відсутність ліофілізату в флаконі.
- Наявність рідини в флаконі.
- Якість утвореної ліофілізованої таблетки (піна, тріщини і т.д.).
Допускається помилкова відбраковка нормальних флаконів, але не більше 1% від загальної кількості флаконів у партії. Усі відбраковані флакони аналізує людина і розуміє, чи дійсно там був брак, а у випадку виявлення нового типу браку, якому система не була навчена, донавчає систему.
Виконані вимоги: точність, зручність, звітність
Дані збираються у звіті про виробництво, який містить таку інформацію: дата і час початку зміни, дата і час початку та закінчення інспекції, тип продукту і номер партії, загальна кількість перевірених і відбракованих флаконів. Система інспекції флаконів розроблена для роботи та обслуговування одним оператором.
У команди був доступ до досить великої кількості норми, але обмеженої кількості браку (буквально 30-50 зразків для кожного виду). Щоб забезпечити необхідну точність розпізнавання, зразки розміщували на конвеєрі під різним кутом, отримавши достатню кількість кадрів для навчання AI-моделей і роботи з необхідною точністю.
Команда використовує комбінацію моделей для класифікації та детекції.
YOLO* використовується для детекції самої пляшки. Після чого вирізаний фрагмент зображення передається на простий класифікатор, для визначення типу браку або підтвердження його відсутність. YOLO вибрали через загальну швидкість роботи і наявність попередньо навченої ШІ-моделі, яка вже вміє працювати з подібними об'єктами.
Результати:
> 97% Влучність
> 97% Повнота
Довідка
* YOLO (You Only Look Once) — це один з найвідоміших алгоритмів для виявлення об'єктів на зображеннях у режимі реального часу. YOLO «дивиться» на зображення тільки один раз і одразу прогнозує: які об'єкти на ньому зображені (класи); де вони розташовані (координати прямокутників навколо об'єктів). YOLO надзвичайно швидкий, що робить його придатним для застосування у відео, робототехніці, безпілотниках, камерах контролю якості тощо.
Cases
The e-Permit service has received an AI module that automatically checks documents, relieving officials of routine tasks
This unique model could change cardiac diagnostics worldwide. Powered by biosensors and NVIDIA H100 capabilities, the system performs diagnostics in minutes instead of hours
This is a story about how artificial intelligence helps the ministry review applications for youth exchanges: it analyzes estimates, filters out vague goals, identifies unjustified expenses, and suggests areas that need clarification
We went to an AI conference for you, and now we're telling you a story about how buying a cheap camera almost ruined a project to implement computer vision at a company. And that's not the only thing that went wrong
Fields are too large, there are too few agronomists, and the weather is too unpredictable. Could AI be the answer? Kernel is implementing 12 ML models — from growth phase forecasting to agrologistics — and showing how to transform agribusiness through data
The Ministry of Youth and Sports of Ukraine has launched the country's first service based on large language models (LLM) on the Dія.Engine platform. The most powerful equipment in Ukraine was used to host the LLM
Every company goes through its own “digital transformation” journey, and each case is unique. This is especially true when it comes to national-scale organizations
The success of an agricultural company today largely depends on information technology. Increasing yields, optimizing logistics, achieving deep automation of routine operations, and ensuring full mobility of employees—all this is possible thanks to the effective use of IT
We discussed how “digital transformation” works in specific examples in the country with Yevhen Yentis, a person without whose participation it is difficult to imagine the success of such national-scale projects as Prozorro and “New Customs”
Interview with Andriy Begunov, Director of the Information Technology Department at PUMB Bank, which ranks among Ukraine's top seven banks in terms of assets (according to data from the National Bank of Ukraine)