🤖 Машинное зрение находит дефекты, определяет сорт шпона, а робот сразу отправляет лист в нужную стопу 👌. Как устроена такая роботизированная ячейка, на CIO Prom Day 2026 рассказал Никита Цветков, руководитель проектного офиса «Свеза СмартЛайн» 🎤.
Задача непростая — системе нужно различать больше 35 видов дефектов. Но целевая точность сортировки для этого кейса — выше 95%, и это даёт ощутимый эффект: пропускная способность растёт на 10–20%, выпуск продукции более высокого сорта — на 15–30%, а объём брака снижается на 15–25%. Срок окупаемости — около двух лет.
Тот же подход работает и в других производствах с повторяемым потоком 👷♂️: ЦБП, металлургия, стройматериалы, упаковка.
🍁Осень будет насыщенной на профессиональные события — скоро расскажем и о других выступлениях экспертов «Свезы» 👀
#Свеза
Задача непростая — системе нужно различать больше 35 видов дефектов. Но целевая точность сортировки для этого кейса — выше 95%, и это даёт ощутимый эффект: пропускная способность растёт на 10–20%, выпуск продукции более высокого сорта — на 15–30%, а объём брака снижается на 15–25%. Срок окупаемости — около двух лет.
💬 «Путь от постановки задачи до промышленного режима включает пять этапов: определяем критерии и проводим аудит, собираем и размечаем данные, настраиваем оптику и модель, интегрируем оборудование в производственный цикл и проводим опытную эксплуатацию. Обычно внедрение занимает от шести до девяти месяцев — срок зависит от готовности данных, состава оборудования и объёма интеграции», — подчеркнул Никита Цветков.
Тот же подход работает и в других производствах с повторяемым потоком 👷♂️: ЦБП, металлургия, стройматериалы, упаковка.
🍁Осень будет насыщенной на профессиональные события — скоро расскажем и о других выступлениях экспертов «Свезы» 👀
#Свеза