Производство теряло деньги каждую смену. До внедрения видеоаналитики с ИИ никто не знал где

Привет! На связи Арсений, тимлид AI-направления Mad Brains. Сегодня расскажу, как мы обучили модель YOLO, запустили видеомониторинг на пищевом производстве и через неделю обнаружили кое-что, о чём на заводе предпочитали не говорить вслух.

Signal Tower: лампочка, которой доверяют слишком сильно

Если вы хоть раз бывали на производстве, вы знаете эти штуки. Сигнальная колонна, она же andon tower, она же «светофор на станке» — вертикальная башня из цветных секций, которая стоит на каждой единице оборудования и сообщает о его текущем состоянии:

🟢 Зелёный — всё хорошо, работаем;
🟡 Жёлтый — есть предупреждение, нужно внимание;
🔴 Красный — стоп, критическая ошибка.

Концепция пришла из производственной системы Toyota и называется Andon. Идея красивая: любой человек в цехе мгновенно видит статус каждой станции без подхода к ней. Визуальный менеджмент, lean-производство, все дела.

На практике же система работает ровно настолько хорошо, насколько добросовестно на неё реагируют люди.

И вот здесь начинается интересное.

«У нас все под контролем»

К нам обратился клиент — производственное предприятие в пищевой промышленности. Запрос был стандартный: «Хотим попробовать компьютерное зрение, посмотреть, что из этого выйдет».

Конкретной проблемы они не формулировали. Просто — посмотреть.

Мы начали с простого вопроса: как вы сейчас отслеживаете состояние оборудования, продукции, работоспособности производственных линий?

— Визуально. Операторы смотрят на башни, видят жёлтый или красный — реагируют.
— А как проверяете время реакции?
— Зачем? Мы же видим, проблемы решаются.

Окей.

Мы предложили начать с малого: повесить камеры на несколько станций, подключить нашу модель распознавания сигнальных башен и просто посмотреть, что происходит. Без изменения процессов, без вмешательства. Только видеонаблюдение с ИИ.

Клиент согласился. Скорее из любопытства, чем из тревоги.

Что мы развернули

Технически всё выглядело так:

У нас была натренированная на модель архитектуры YOLO, умеющая классифицировать состояние сигнальной башни по кадру с камеры: зелёный, жёлтый, красный, выключена. Обучали на реальных фото башен в разных условиях освещения — цеховой свет, тени, блики, дневная и ночная смена. Итоговая точность классификации на тестовой выборке по mAP (Mean Average Precision) — 98.9%.

Эту модель мы завели в Mad Vision — нашу платформу видеоаналитики с ИИ на базе YOLO-моделей. Mad Vision умеет:

• Подключать произвольные RTSP/HTTP стримы с камер, либо запускать воркер стрима прямо на локальном оборудовании производства

• Загружать любые веса моделей архитектуры YOLO, RF-DETR, SAM.

• Настраивать классы для отслеживания и пороги уверенности в детекции

• Хранить кадры и временные метки каждого события распознавания

• Конфигурировать и отправлять уведомления и хуки во внешние системы при детекциях

• Агрегировать данные по различным стримам, участкам, обнаружениям и времени в дашборде.

Развернули на трёх станциях. Подключили камеры. Настроили триггер: если башня переходит в жёлтый или красный — фиксируем время, сохраняем кадр, ждём смены статуса обратно на зелёный, считаем длительность.

На настройку ушло меньше дня.

Первые данные: ничего особенного

Первые два дня — тишина. Зелёный, зелёный, изредка жёлтый на пару минут, снова зелёный. Мы даже начали думать, что здесь правда всё хорошо.

На третий день мы начали смотреть внимательнее. Конкретно — на жёлтый сигнал.

А вот, что показала агрегация за первую неделю по одной из станций:

Цифры по красному — нормальные. На красный реагировали быстро, это аварийный стоп, тут всё понятно.

А вот жёлтый — это другая история.

Жёлтый — «не срочно»

Жёлтый сигнал на большинстве станков означает предупреждение: нужно пополнить материал, провести плановое обслуживание, проверить параметр. Это не авария. Станок продолжает работать.

И именно поэтому на него реагируют... когда дойдут руки.

Если бы это занимало 2-3 минуты — ничего страшного. Но средние 6 минут 40 секунд при 17 событиях за смену — это ~113 минут потенциальных потерь только по одной станции. Почти два часа.

При этом фактический простой станка из-за жёлтого сигнала в нашей выборке составлял в среднем около 40% от времени горения жёлтого. То есть жёлтый не всегда означает простой — иногда станок продолжает работать с предупреждением. Но в тех случаях, когда жёлтый блокировал продолжение работы — потери были ощутимые.

Мы посчитали приблизительно. Три станции. Две смены в сутки. Рабочие дни.
Цифра получилась некомфортная.

Смены реагировали по-разному

Следующее, что мы заметили — разброс между сменами.
На одной и той же станции:

• Дневная смена: среднее время реакции на жёлтый — 3 мин 50 сек

• Ночная смена: среднее время реакции на жёлтый — 14 мин 20 сек

Разница — почти в 4 раза.

При этом по всем официальным показателям обе смены работали примерно одинаково. Количество произведённых единиц, процент брака — всё в норме. Просто потому, что никто не смотрел на время реакции как на отдельный показатель.

Это не история про плохих операторов ночной смены. Это история про то, что без измерения нет управления. Ночью меньше людей, больше усталость, меньше «социального давления» — всё логично. Но эту логику никто не видел, потому что данных не было.

Что с этим делать

Мы рассказали о наблюдениях клиенту. Он зашел в аналитический дашборд. Реакция была примерно такой: сначала скепсис («это же просто желтый, он не критичный»), потом тишина, потом — «а покажите разбивку по операторам».

Мы показали. Разговор стал другим.
Процесс переделали — появились алерты операторам и ответственным при жёлтом сигнале дольше 3 минут, перераспределили ответственность,

Через месяц клиент поделился результатами.

Время реакции на жёлтый сигнал:

• Дневная смена: 3:50 → 2:10

• Ночная смена: 14:20 → 5:40

Метрики OEE по трём станциям (средние за смену):

Почему это работает именно так

Обычно когда говорят про компьютерное зрение на производстве, имеют в виду что-то большое: дорогие системы MES, интеграция с ERP, внедрение месяцами. Это всё есть и это всё нужно — но не всегда и не сразу.

Наш подход здесь был другим: минимальное вмешательство, максимальная наблюдаемость. Камера, модель, платформа, неделя данных. Без переписывания процессов, без обучения персонала, без изменения инфраструктуры.

Иногда этого достаточно, чтобы задать правильный вопрос.
А правильный вопрос — уже половина решения.

Вместо вывода

Signal Tower — это хорошая идея. Визуальный менеджмент работает. Но лампочка, на которую «просто смотрят» и никогда не измеряют время реакции на проблему — это не система контроля. Это декорация.

Если у вас на производстве стоят сигнальные башни и вы не логируете события с них — вы, скорее всего, не знаете, сколько времени реально теряется. Не потому что кто-то скрывает. Просто потому что никто не считал.

Мы считаем.

Если интересно обсудить похожую задачу — напишите нам [email protected]. Расскажем, как быстро запустить видеоаналитику и мониторинг на вашем объекте.