Клиент: «Визуальный контроль долго оставался одной из самых «человеческих» операций в деревообработке. Опытный сортировщик способен заметить сложный дефект и принять решение за секунды, но качество такого контроля зависит от внимания, усталости и единообразия критериев».

«Свеза СмартЛайн» последовательно переводит эту операцию в цифровой контур: от сканеров, которые помогают оператору на линии, до автономных робототехнических комплексов, где нейросеть определяет дефект и сорт, а робот выполняет физическую сортировку материала.

КАДРОВЫЙ КОНТЕКСТ: РУЧНАЯ СОРТИРОВКА СТАНОВИТСЯ ДОРОГИМ ДЕФИЦИТНЫМ РЕСУРСОМ

Проблема выходит далеко за рамки усталости отдельного оператора. Предприятия сегодня работают в условиях дефицита кадров и роста стоимости трудовых ресурсов. Для многосменного производства это означает увеличение затрат на привлечение, обучение и удержание сотрудников, поэтому автоматизация становится одним из инструментов повышения эффективности.

Есть и объективный предел ручной инспекции: в среднем человек замечает около 80–90% дефектов. Это не вопрос квалификации конкретного сотрудника, а следствие высокой зрительной и когнитивной нагрузки, монотонности и неизбежного снижения внимания в течение смены. В результате ручная сортировка одновременно становится кадровым риском, растущей статьей затрат и потенциальным «узким местом» производительности.

ПОЧЕМУ ОДНОЙ КАМЕРЫ НЕДОСТАТОЧНО

Автоматизация визуального контроля начинается не с выбора камеры. Сначала необходимо точно описать технологическую задачу: какие дефекты влияют на сорт, какие решения должен принимать оператор, как быстро движется материал, что происходит после обнаружения отклонения и какие данные нужны производству.

В ручном процессе эти действия объединены в одном человеке. Сотрудник видит поверхность, сопоставляет ее с критериями качества, принимает решение и воздействует на процесс: меняет режим, останавливает оборудование, направляет лист в нужную стопу или передает его на ремонт. Поэтому промышленная система машинного зрения должна не просто выдавать изображение с рамкой вокруг дефекта, а воспроизводить всю последовательность принятия решения.

Практически это означает создание замкнутого контура:

- камеры и освещение формируют стабильное изображение материала;

- алгоритмы машинного обучения находят и классифицируют дефекты;

- система сопоставляет результат с технологическими правилами и определяет сорт либо управляющее действие;

- команда передается оператору, линии, механизму укладки стоп шпона или промышленному роботу;

- результаты сохраняются: предприятие получает цифровой след по каждому листу и статистику по сменам, оборудованию и видам дефектов.

Именно последний шаг часто дает эффект, который недооценивают на старте. У производства появляется не выборочная ручная отчетность, а массив сопоставимых данных. Он позволяет видеть повторяющиеся отклонения, быстрее искать причины брака, оценивать стабильность сырья и оборудования, а также контролировать единообразие сортировки между сменами.

ДВА УРОВНЯ АВТОМАТИЗАЦИИ

В проектах «Свеза СмартЛайн» применяются два взаимодополняющих подхода.

Первый – машинное зрение как цифровой помощник оператора и элемент управления линией. В 2026 г. на линиях лущения петербургского комбината «Свеза» были запущены сканеры определения дефектов шпона. Система распознает более 30 видов отклонений, включая грубое лущение, риску, гребешок и пороки древесины. При текущих настройках точность определения достигает 95%. Оператор видит дефекты на мониторе в режиме реального времени и может сразу скорректировать работу оборудования. На линиях решение дополнительно интегрировано с управлением рубкой и укладкой стоп шпона.

Второй уровень – автономная робототехническая ячейка. Машинное зрение оценивает лист, определяет категорию качества и передает команду роботу-манипулятору. Робот перемещает материал в заданную стопу либо направляет его на следующую операцию. Такой комплекс берет на себя не только контроль, но и монотонное физическое перемещение листов.

Для промышленных проектов целевыми ориентирами являются точность сортировки дефектов выше 95%, увеличение пропускной способности участка на 10–20% и высвобождение от четырех до восьми сотрудников для других производственных задач. Дополнительный эффект может включать рост выпуска продукции более высокого сорта на 15–30% и снижение брака в среднем на 20%. Комплекс работает 24/7 в режиме реального времени, сохраняет цифровой след и необходимую статистику. Средний расчетный срок окупаемости решений такого класса составляет около 23 мес.; показатели уточняются по итогам обследования и пилотного проекта.

Для сухого шпона разработан вариант, в котором лист контролируется в неподвижном положении, а робот выполняет сортировку. Решение проходит промышленную эксплуатацию на производственных площадках группы «Свеза». В проектной конфигурации скорость обработки увеличивается с четырех и до шести и более листов в минуту. Расчетный срок окупаемости комплекса для рассматриваемого кейса составил 23 мес.

В 2025 г. автономная система классификации дефектов шпона на базе компьютерного зрения и машинного обучения получила ComNews Awards в номинации «Лучший проект в лесной промышленности». Для команды это было подтверждением не только технологической новизны, но и промышленной применимости связки «искусственный интеллект + робот».

ЧТО МЕНЯЕТСЯ ДЛЯ ПРЕДПРИЯТИЯ

Главный результат автоматизации – не формальная замена ручной операции. Меняется сама управляемость процесса.

Стабильность качества. Алгоритм применяет одни и те же критерии к каждому листу и не теряет концентрацию к концу смены. Технолог может корректировать правила классификации централизованно, а не добиваться одинаковой трактовки требований у разных сотрудников.

Производительность. Если ручная сортировка становится ограничением для линии, роботизированная ячейка позволяет синхронизировать визуальный контроль с требуемым тактом. При этом проектируется не максимальная паспортная скорость отдельных компонентов, а устойчивый цикл всего участка: подача, съем изображения, расчет, захват, перенос и укладка.

Безопасность и условия труда. Из зоны монотонной ручной сортировки выводятся операции с повторяющимися движениями и перемещением листового материала. Сотрудники могут быть перераспределены на контроль процесса, обслуживание оборудования и другие задачи, где требуется квалификация человека.

Прослеживаемость. По каждому листу можно хранить изображение, обнаруженные дефекты, присвоенную категорию и итоговое действие. На этой основе формируются сменные отчеты и аналитика по причинам отклонений.

Масштабирование. После настройки методики сбора данных, критериев качества и интеграции с оборудованием решение можно тиражировать на аналогичные линии. При этом модели дообучаются на материале конкретного предприятия: состав дефектов, оттенки, формат, скорость и требования к сорту у разных производств отличаются.

ПОЧЕМУ ПИЛОТ ДОЛЖЕН НАЧИНАТЬСЯ С ЭКОНОМИКИ

У технологии нет задачи роботизировать любую ручную операцию. На малых и единичных партиях без повторяемости автоматизация может оказаться избыточной. Наибольший эффект возникает там, где одновременно присутствуют большие объемы, многосменный режим, повторяемый материал, дефицит персонала и заметная стоимость ошибки сортировки.

До проектирования комплекса важно зафиксировать исходное состояние участка:

- фактическую производительность по сменам и долю простоев;

- численность персонала и полную стоимость операции;

- действующие категории качества и перечень значимых дефектов;

- долю пересорта, брака и повторной обработки;

- стоимость продукции разных сортов;

- ограничения по размещению, подаче материала и работе погрузочной техники;

- требования к интеграции с АСУ ТП и учетными системами.

После этого формируется базовый сценарий и модель целевого процесса. В экономический эффект могут входить не только прямое сокращение трудозатрат, но и увеличение выпуска более высоких сортов, снижение брака, рост пропускной способности и уменьшение потерь из-за простоев. Для корректного решения эти эффекты следует разделять и подтверждать данными пилота, чтобы не учитывать один и тот же результат дважды.

ВНЕДРЕНИЕ: ОТ ОБРАЗЦОВ ДО ПРОМЫШЛЕННОГО РЕЖИМА

Типовой проект начинается с обследования и проверки применимости технологии. Предприятие передает образцы материала или предоставляет доступ к потоку для сбора изображений. Совместно с технологами согласуются дефекты, границы категорий и спорные случаи. Затем команда готовит набор данных (dataset), обучает модель и проверяет ее на независимой выборке.

Следующий этап – промышленный пилот. Он нужен для оценки не только точности алгоритма, но и всей системы: устойчивости освещения, загрязнения оптики, вибраций, времени расчета, качества захвата листа, взаимодействия с оператором и поведения при нештатных ситуациях. После подтверждения показателей решение интегрируется в линию либо оформляется как автономная ячейка.

Для роботизированного комплекса полный цикл – от проектирования до промышленного запуска – в среднем занимает от шести до девяти месяцев. В него входят обследование, разработка документации, изготовление, программирование, монтаж, пусконаладка и обучение персонала. Гарантийный период составляет 12 мес., далее возможно заключение договора на пакет сервисного обслуживания.

ОТ ФАНЕРЫ К ДРУГИМ МАТЕРИАЛАМ

Архитектура «сканер видит – робот сортирует» не ограничена шпоном. Она применима к массовому визуальному контролю листовых и штучных материалов, если дефекты можно формализовать, материал подается повторяемо, а результат распознавания должен приводить к понятному действию. Потенциальные области применения – древесные плиты, фанера, пиломатериалы, металл, строительные материалы, целлюлозно-бумажная и другие отрасли.

Однако перенос решения начинается не с копирования готовой нейросети. Для нового материала заново определяются признаки качества, подбираются оптика и свет, собирается обучающая выборка и рассчитывается механика обращения с изделием. Универсальным остается подход к проекту: сначала технологическая задача и экономика, затем данные, модель, интеграция и только после этого тиражирование.

ЧЕЛОВЕК ОСТАЕТСЯ В КОНТУРЕ – НО МЕНЯЕТСЯ ЕГО РОЛЬ

Машинное зрение и роботизация не отменяют технологическую экспертизу. Именно специалисты предприятия определяют, какие дефекты критичны, где проходят границы сортов и как система должна реагировать на неоднозначный случай. На этапе эксплуатации человек контролирует качество модели, анализирует статистику и принимает решения по улучшению процесса.

В результате сотрудник перестает быть «датчиком», который всю смену повторяет одно и то же действие, и становится владельцем управляемого цифрового процесса. Для лесной промышленности, где качество сырья вариативно, а кадровый дефицит сохраняется, это один из наиболее практичных сценариев применения искусственного интеллекта: технология не существует отдельно от производства, а напрямую управляет физической операцией и измеримым экономическим результатом.

Источники контекстных данных: Росстат, Минтруд России, Банк России, Sandia National Laboratories. Показатели эффективности приведены по материалам промышленных проектов «Свеза СмартЛайн» и требуют подтверждения для конкретного участка.

Никита Цветков, руководитель проектного офиса и руководитель направления по развитию бизнеса ООО «Свеза СмартЛайн»