«Доброфлот» внедрил машинное зрение на консервной линии и сэкономил два миллиона рублей
 |
13.11.2025
Источник: www.retail.ru
Группа «Доброфлот» внедрила инструменты машинного зрения и обработки данных с помощью нейросети на одной из производственных линий. Применение ИИ-технологий позволило сократить время ввода данных о выработке в 6 раз, время на консультирование сотрудников по расчету зарплаты – в 20 раз, количество бракованных банок при обработке шва – в 17 раз. Учет выпуска готовой продукции ускорился в 4 раза. Внедрение позволило за год сэкономить 2 млн рублей, и это только на одной линии! Поэтому производитель намерен масштабировать применение ИИ на другие участки. |
ГК «Доброфлот» – крупное рыбопромысловое предприятие, занимающееся добычей дикой рыбы и производством рыбной продукции с 1911 года. Имеет собственный современный флот из 23 единиц, включающий транспортные, добывающие и перерабатывающие суда. Флагман флота, плавбаза «Всеволод Сибирцев», производит из свежей рыбы 12 млн консервных банок в месяц.
Ассортимент группы включает более 40 наименований, в том числе филе, рыбные консервы из сайры, сельди, горбуши, печени минтая и других морепродуктов.
Для повышения эффективности и контроля качества на разных участках производства рыбных консервов используются разные решения на базе машинного зрения.
«Основная задача внедрения ИИ на линии – уйти от ручного подсчета обработанной продукции, при котором возможны неточности учета как из-за неумышленных ошибок, так и сговора сотрудников, – рассказывает Ирина Серёгина, ИТ-директор группы компаний «Доброфлот». – Вторая задача – повысить производительность труда за счет соревновательного эффекта: сотрудники перед началом работы видят результаты предыдущей бригады и стремятся их превзойти».
Ни одна рыба не ускользнет от нейросети
Процесс изготовления рыбной продукции начинается с того, что выловленную рыбу отправляют на завод, где ее сортируют по виду, размеру и весу. После сортировки рыбу разделывают: отделяют голову, хвост и потрошат.
На участке разделки для учета обработанной рыбы используется машинное зрение.
«Для участка разделки рыбы была выбрана архитектура компьютерного зрения YOLOv8, – рассказывает Ирина Серёгина. – Этот продукт изначально заточен на решение задач, связанных с детекцией объектов на изображении, таких как классификация, семантическая сегментация, сегментация экземпляров. В нашем случае необходимо использовать все эти методы детекции, так как сначала алгоритм должен определить наличие или отсутствие на изображении рыбы, затем из всех пикселей изображения выделить только относящиеся к классу «рыба» и, в конце концов, выделить пиксели, относящиеся к конкретной рыбе. Нейросеть YOLO изначально предобучена делать классификацию 80 объектов, таких как человек, машина, телевизор, яблоко и др. В нашем случае это не пригодилось, так как мы обучали нейросеть на детекцию только одного класса «рыба», которого нет в списке YOLO. Для обработки видео была использована обычная видеокамера».
Поток видео в режиме реального времени передается в нейросеть. Алгоритм нейросети отрисовывает границы каждой обнаруженной рыбы и создает уникальный номер, по которому нейросеть подсчитывает количество тушек рыбы.
При этом на мониторе в режиме онлайн визуально отображается количество рыб, уложенных в секции. «Благодаря такому подходу мы точно знаем, что одна и та же рыба не может быть подсчитана дважды, – поясняет Ирина Серёгина. – Если сотрудники в процессе работы случайно загораживают рыбу от камеры, то это не влияет на показатели, так как нейросеть «помнит» каждую рыбу по уникальному номеру».
Фото: «Доброфлот»
Как ИИ помогает создать дух соревнования
Данные о выработке автоматически передаются в систему учета на базе «1С:Предприятие» и попадают в сводку смены. Автоматизация исключает человеческий фактор и сокращает время ввода данных. На основании выработки за смену происходит расчет сдельной заработной платы каждого сотрудника.
При этом данные о выработке выводятся на мониторах в местах общего доступа, где каждый сотрудник может посмотреть, сколько он заработал за смену. Также выводятся данные о выработке предыдущей смены, чтобы сотрудники могли сравнить показатели и понять, насколько эффективно работает их смена. Это позволяет вносить дух конкуренции и мотивирует работать производительнее.
Внедрение ИИ для контроля сортировки и разделки рыбы позволило сократить время ввода данных о выработке в 6 раз. Если раньше мастер смены тратил на перенос данных из бумажных носителей в систему 1С около часа, то теперь на это уходит не более 10 минут.
Время на консультирование сотрудников по расчету зарплаты сократилось в 20 раз. «Раньше расчетчики зарплаты тратили около двух часов рабочего времени в день только на консультирование, – говорит Ирина Серёгина. – Сейчас консультации сократились до 30 минут в неделю. При этом наблюдается повышение лояльности сотрудников к предприятию».
Можно ли проверить 700 банок в минуту
Для своей рыбной продукции «Доброфлот» изготавливает собственные жестяные банки и гофротару. Процесс изготовления банки для консервной продукции выглядит следующим образом. Листы жести загружаются в машину, которая режет их на прямоугольные полоски. Затем станок формирует из этих полосок банки. Дальше банка сваривается. Сварной шов изнутри обрабатывается специальным порошковым лаком, чтобы при приготовлении консервов шов не контактировал с пищевой продукцией, затем порошковый лак запекается в печи. На выходе из печи необходимо поверить качество обработки шва. «Сотрудник может заглядывать внутрь банок, но скорость, с которой продукция движется по линии, – около 700 банок в минуту – делает визуальный контроль практически невозможным, – поясняет Ирина Серёгина. – Обычно к моменту, когда замечали брак, несколько сотен банок уже получались бракованными. Приходилось снимать всю партию и отбраковывать банки вручную».
С 2024 года на участке контроля шва начали использовать технологию машинного зрения для обнаружения и минимизации бракованной продукции.
Для контроля шва на банке используются смарт-камеры Hikrobot MV-SC3016M-06M-WBN и программное обеспечение Vision Master iMVS-VM-6200-PRO.
Теперь банка, появляясь из печи, сразу попадает в зону действия камеры. В качестве триггера для срабатывания камеры используется оптический датчик, который при прохождении банки подает сигнал камере. После того как банка выходит из зоны действия датчика, камера делает снимок и передает его в систему. Нейросеть, встроенная в систему, анализирует изображение и принимает решение в соответствии с заданным алгоритмом.
«Нейросеть ищет полоску серого цвета и измеряет размер в пикселях, – поясняет Ирина Серёгина. – Если картинка с камеры не соответствует эталону, загруженному в систему, фиксируется обнаружение дефекта, выдается сигнал и линия останавливается. Бракованная продукция сбрасывается в специальную емкость. Так на линии не допускается возможность массового брака».
Если раньше контроль качества и сортировка занимали у сотрудников по несколько часов, то сейчас нейросеть справляется с этим за считаные секунды.
В 2024 году производственная линия выпустила за месяц почти 11,6 млн банок, из них 4 тыс. были с браком. После установки машинного зрения та же самая линия выпустила за месяц 15 млн банок, из которых с браком было всего лишь 320 штук. Таким образом, количество бракованных банок сократилось в 17 раз.
По пути на консервный завод
Готовая жестяная банка в коробках упаковывается в палеты и доставляется на консервный завод. В процессе транспортировки, перегрузки и прохождения депалетайзера, на банках могут появиться вмятины. Изготовление консервов даже в незначительно деформированных банках законодательно запрещено, так как считается браком и, соответственно, влечет за собой финансовые потери.
«Ручной» контроль банок на высокоскоростном конвейере, представляющий собой визуальный осмотр и выборочные замеры, не обеспечивает стопроцентную проверку, так как скорость движения составляет около 4 банок в секунду. Поэтому на данном участке тоже внедрили машинное зрение.
Автоматизированный контроль позволяет проверить геометрию каждой банки на конвейерной линии.
Камера высокого разрешения в точках подачи банки делает снимок и анализирует изображение: определяет и сравнивает контуры с эталонной моделью. При обнаружении проблемных банок происходит автоматическая отбраковка.
Проект контроля геометрии банки перед набивкой пока находится в пилотной эксплуатации. До его внедрения количество банок, которые приходится отбраковывать из-за деформации, достигает 2400 единиц в месяц. После внедрения ИИ предполагается достичь сокращения количества брака консервной продукции до 200 банок в месяц – по предварительным расчетам, брак сократится в 12 раз.
Чем заканчивается путь консервов: ИИ-учет готовой продукции
Проверенные банки проходят предварительную обработку паром. В это время потрошенные тушки рыбы промываются и подаются на участок набивки, где происходит закладка в банку. Важно, чтобы каждая банка была набита рыбой под самую крышку. Затем добавляются соль и специи, банка герметично закатывается крышкой и отправляется на стерилизацию в автоклав, где варится 55 минут при температуре 120 °C. Далее на банки наносят этикетки – и консервы готовы. «Остается сложить их в коробки и загрузить в трюм, где они будут созревать 12 дней, согласно технологии, – рассказывает Ирина Серёгина. – Консервы, как и хорошее вино, со временем становятся только лучше. В процессе созревания за 12 дней соль и специи равномерно распределяются в каждом кусочке рыбы, делая продукт сочнее и ароматнее».
Последняя точка контроля – автоматический учет выпуска готовой продукции. На коробку с готовой продукцией наклеиваются этикетки, учетчики вносят данные о выпуске в сводку за смену.
На этом этапе при переносе данных иногда возникали различные ошибки и расхождения в количестве при передаче из производства на склад и т.д. Чтобы этого избежать, использовали механизм распознавания. Теперь камера на линии готовой продукции распознает штрихкоды с этикеток. Полученные данные о количестве и виде продукции сохраняются в базу данных, передаются в 1С и попадают в документ «Сводка за смену». Затем эти данные передаются во ФГИС «Меркурий».
Если до внедрения на подсчет и перенос данных о выпущенной продукции в 1С сотрудники смены тратили около 1,5 часа за смену, то теперь данные передаются в 1С автоматически, затем мастер смены их проверяет и передает во ФГИС «Меркурий». Весь этот процесс занимает всего 20 минут. При этом исключена возможность внесения ошибочных данных.
Для анализа показателей была разработана BI-модель, позволяющая оперативно визуализировать данные о выпуске смены на производстве и проводить сравнения, как по сменам, так и по дням и видам продукции.
Как ИИ помогает зарабатывать: выгоды внедрения
По итогам года после внедрения ИИ-продуктов на линии производства консервов группа «Доброфлот» снизила потери за счет контроля качества шва банки и геометрии банки перед набивкой на 1,4 млн рублей в год.
Уменьшение фонда оплаты труда за счет сокращения времени ввода данных в 1С и времени консультирования сотрудников составило более 600 тыс. рублей в год.
Инвестиции в проект составили около 230 тыс. рублей – за каждую точку контроля, что суммарно по четырем точкам составило порядка 900 тыс. рублей.
«Цифры могут показаться небольшими, но не будем забывать, что это только одна линия, только в одном цеху и только на одном заводе, – поясняет Ирина Серёгина. – У нас четыре таких завода и плюс три плавбазы в море. Пока это наш первый опыт использования машинного зрения».
ГК «Доброфлот» планирует увеличивать количество точек, автоматизированных с помощью искусственного интеллекта, для контроля своих производственных линий.