Прайд-Автоматикс

Рубрика: Компьютерное зрение

  • Как робот научился брать деревянные заготовки из хаотичной стопки — кейс MAB Möbel AG

    Как робот научился брать деревянные заготовки из хаотичной стопки — кейс MAB Möbel AG

    Одна из самых раздражающих задач на мебельном производстве — вручную подавать заготовки в станок из неровно уложенной стопки. Люди справляются интуитивно. Роботы — не умели. До недавнего времени.

    Проблема, которую долго не могли автоматизировать

    Классические роботизированные ячейки требуют жёсткой укладки деталей: каждая заготовка на своём месте, с известной ориентацией. Это означает дополнительные конвейеры, магазины подачи, кассеты — и большие инвестиции. Но в реальности деревянные заготовки поступают навалом. Их кладут в стопку произвольно. Форма и размер могут варьироваться. Робот «видел» только плоскую картинку и не понимал, где начинается одна деталь и заканчивается другая.

    Решение: 3D-облако точек

    Компания HOMAG Bohrsysteme реализовала систему на швейцарском предприятии MAB Möbel AG, запустив её в эксплуатацию летом 2025 года.

    Шаг 1. Сканирование. 3D-лазерный сканер делает «снимок» стопки — создаёт облако точек (point cloud): трёхмерную карту из тысяч измеренных координат. Разрешение достаточно, чтобы различить отдельные заготовки даже при хаотичной укладке.

    Шаг 2. Распознавание. Программное обеспечение MVTec HALCON анализирует облако точек: находит верхний слой деталей, определяет точное положение каждой в пространстве — координаты, угол наклона, высоту над столом.

    Шаг 3. Планирование. Специальный алгоритм рассчитывает оптимальный порядок захвата: в какой последовательности роботу следует брать детали, чтобы не уронить соседние и минимизировать время цикла.

    Шаг 4. Выполнение. Робот захватывает деталь, подаёт в вертикальный обрабатывающий центр с ЧПУ, ждёт обработки, забирает готовую деталь и укладывает на выходной конвейер. Всё — без участия оператора на участке загрузки.

    Что получила фабрика

    Устранение ручного труда на одном из самых монотонных участков. Стабильное время цикла — независимо от смены, дня недели, усталости. Возможность работать «свет выключен» на данной ячейке (lights-out manufacturing). Система работает с заготовками произвольной укладки — не нужны специальные кассеты или конвейеры.

    Применимость для российских мебельных производств

    Участок «оператор подаёт заготовку в станок» — один из самых распространённых на российских мебельных фабриках. Именно здесь часто образуются очереди, именно здесь зависит ритм всей линии от настроения и скорости одного человека.

    Технология 3D-зрения + промышленный робот решает это узкое место. Инвестиции окупаются за счёт трёх составляющих: скорость, стабильность, возможность ночных смен без персонала. Машинное зрение в деревообработке — это уже не будущее. Это работающие установки в Европе и Азии. Россия — следующий рынок.

    Источник: RoboticsTomorrow.

  • Как робот с 3D-зрением сам разбирает штабель мебельных заготовок

    Как робот с 3D-зрением сам разбирает штабель мебельных заготовок

    Робот, который смотрит на кучу деревянных деталей и сам решает, какую взять первой, — это уже не фантастика. Компания HOMAG запустила такую систему на реальной мебельной фабрике в Швейцарии.

    Что произошло

    Немецкий производитель деревообрабатывающего оборудования HOMAG внедрил полностью автоматизированную роботизированную ячейку на фабрике MAB Moebel AG в Муотатале (Швейцария). Предприятие выпускает мебель с 1951 года и столкнулось с типичными проблемами отрасли: дефицит квалифицированных столяров, необходимость стабильного качества и нереализованный потенциал эффективности.

    Как работает система

    Ключ к решению — программное обеспечение машинного зрения (computer vision) MVTec HALCON, которое обрабатывает 3D-облако точек (point cloud).

    Камера сканирует штабель заготовок и создаёт трёхмерную модель. ПО анализирует облако точек, выделяет верхний слой деталей и определяет пространственное положение каждой заготовки. Робот захватывает деталь и подаёт её к CNC-станку. Система также считывает штрих-код на детали и автоматически передаёт данные станку для выбора программы обработки.

    Отдельного внимания заслуживает алгоритм стекирования: он рассчитывает оптимальную последовательность извлечения деталей, чтобы штабель не обрушился при неравномерной разгрузке.

    Что это значит для российского производства

    Мебельная отрасль в России сталкивается с теми же вызовами: нехватка кадров, давление на себестоимость, требования к качеству. Решение HOMAG показывает, что технологии 3D-зрения уже достаточно зрелы для работы с хаотично расположенными заготовками из натурального дерева — без необходимости специальной упорядоченной подачи.

    Для средних мебельных фабрик с CNC-центрами это реальный путь к автоматизации загрузки/разгрузки — одной из самых трудоёмких операций. Окупаемость таких решений ускоряется по мере роста стоимости труда и дефицита операторов.

    Источник: RoboticsTomorrow.

  • Компьютерное зрение на заводе: как ИИ проверяет 100% продукции вместо выборки

    Компьютерное зрение на заводе: как ИИ проверяет 100% продукции вместо выборки

    Выборочный контроль качества уходит в прошлое. В 2026 году промышленные системы компьютерного зрения проверяют каждую единицу продукции со скоростью более 100 штук в секунду — и это уже не дорогая экзотика, а новый стандарт.

    Главный сдвиг: от выборки к 100% контролю

    Камеры сверхвысокого разрешения (12–45 МП) в сочетании с Vision Transformers — новым поколением ИИ-моделей — обнаруживают даже микроскопические дефекты. Если раньше контроль качества означал «проверить одну деталь из ста», то сейчас система видит каждую.

    Vision Transformers пришли на смену свёрточным нейронным сетям (CNN). Принципиальное отличие: новые модели понимают контекст и взаимосвязи между элементами изделия, а не просто ищут отдельные признаки дефекта.

    Edge AI: обработка прямо на линии

    Облачная обработка уступила место граничным вычислениям (Edge AI). Данные обрабатываются непосредственно на производственной линии, без задержек на передачу в облако. Для контроля качества на скорости 100+ единиц в секунду это критически важно.

    Замкнутый цикл: зрение корректирует робота

    Самая перспективная технология 2026 года — closed-loop, замкнутый цикл. Система компьютерного зрения не просто фиксирует брак — она передаёт данные роботу, который автоматически корректирует процесс. Обнаружил отклонение шва → определил причину → скорректировал параметры сварки → продолжил работу.

    Это превращает контроль качества из «фильтра в конце линии» в «систему самокоррекции всего процесса».

    Экономика: $691 200 экономии на линию

    По данным отраслевых исследований, автоматический визуальный контроль экономит в среднем $691 200 на производственную линию в год — только на трудозатратах. Плюс снижение брака, плюс сокращение возвратов.

    Что это значит для российского производства

    Компьютерное зрение — одна из самых доступных точек входа в ИИ-автоматизацию. Не нужно перестраивать завод целиком: камера, вычислительный модуль и ПО встраиваются в существующую линию.

    Для сварочных производств — контроль швов в реальном времени. Для паллетирования — проверка правильности укладки. Для любого серийного производства — исключение брака до отгрузки.

    Источник: Rockland County Times

  • Компьютерное зрение на производстве: от контроля качества до навигации роботов

    Компьютерное зрение (Computer Vision) перестало быть экспериментальной технологией — сегодня это рабочий инструмент на тысячах производственных площадок по всему миру.

    Где применяется машинное зрение

    Основные задачи, которые решает компьютерное зрение в промышленности:

    Контроль качества — автоматическая инспекция деталей, поиск дефектов поверхности, проверка геометрии и комплектности сборки. Камеры с ИИ обнаруживают брак, который человек пропускает на конвейере.

    Навигация роботов — системы 3D-зрения позволяют роботу находить детали в хаотичной выкладке (bin picking), точно позиционировать инструмент и адаптироваться к отклонениям заготовки.

    Паллетирование — камеры определяют положение и тип продукции на ленте, чтобы робот-паллетайзер корректно формировал палету без перенастройки.

    Какие камеры и алгоритмы используются

    В промышленности используют 2D-камеры для плоских задач, структурированный свет и стереозрение для 3D-задач, а также time-of-flight сенсоры для быстрого сканирования. Алгоритмы строятся на свёрточных нейросетях, обученных на реальных производственных данных.

    Как внедрить

    Pride-Automatics интегрирует системы машинного зрения в существующие и новые роботизированные комплексы. Мы подбираем камеры, разрабатываем алгоритмы детекции и настраиваем взаимодействие с роботом под конкретную задачу.