Блог компании ЕВРАЗ. ИИ уже отбирал работу у веб-дизайнеров, программистов и копирайтеров. Теперь он пришел за операторами производственных цехов. Интеллектуальная видеоаналитика давно помогает нам обрабатывать материалы точнее, да и в целом автоматизировать и отлаживать производство. Да, нейросеть тоже ошибается, как и живой оператор. Но оператор багует от случая к случаю: не угадаешь. А вот процент ошибок грамотно обученных нейросетей плавает в известных нам пределах.

Так что же — вместо операторов будут алгоритмы? Не всё так однозначно. Почему человека нельзя убрать из цепочки — под катом.

Недостатки живых людей

Разумеется, люди спят, едят, отвлекаются и расслабляются. Но самая большая проблема человека-оператора — субъективность. Оператор может иметь годы (а то и десятки лет) стажа, ювелирно работать… но его взгляд практически всегда будет отличаться от взгляда другого оператора — даже не менее маститого и опытного.

Это связано с особенностями зрения. Да, диоптрии можно пофиксить, надев очки или линзы. Но не все мы одинаково хорошо различаем оттенки цветов. Даже в нейтральных условиях многие люди увидят одну и ту же картинку с отличиями. А если оттенки искажаются внешними условиями, например паром, то два человека могут увидеть абсолютно разную картину.

Зачем тогда нужен человек-оператор? А как в медицине: если есть лишняя возможность проверить, надо её использовать, чтобы снизить риск трагедии. Ведь у нейросети при всех достоинствах нет параметра «здравый смысл». Поэтому её задача — анализировать входящие данные и подсказывать. Финальное же решение остаётся за оператором.

Сегодня мы рассмотрим два успешных кейса применения машинного зрения. И на практике покажем, как субъективный взгляд оператора может мешать качественному производству. Подчеркнём: это не пилотная разработка, а продуктивная система комбината.

Ванадиевые сливки

Вы когда-нибудь наливали молоко в кофе, стараясь, чтобы не попала пенка? Примерно так же извлекают из раскалённой породы ванадиевый шлак.

Кстати, термин «шлак» здесь — обманчивый. Из ванадиевого шлака можно сделать много полезного. Так что мы его не выкидываем, а отделяем от полупродукта — остальной субстанции, из которой позже сделают сталь. (Этот процесс называется дуплекс.)

Изначально смесь находится в конвертере. Шлак легче полупродукта и всплывает. Мы сливаем полупродукт из конвертера в специальный передвижной ковш, который повезёт слитое дальше, а шлак накапливаем в конвертере и сливаем отдельно в шлаковую чашу.

Шлак слит и готов к отправке, конвертерный цех ЕВРАЗ НТМК.

Как видите, задумка нехитрая. Сложность — слить как можно больше полупродукта и как можно меньше шлака.

Это очень тонкий процесс, который опирается на мастерство оператора. Сольём слишком много — в полупродукт попадёт драгоценный шлак, который мы бережно отделяем. Сольём мало — металл останется в конвертере, а его необходимо передать дальше по производственному процессу.

Как понять, насколько удачно сотрудник справился с работой? Визуально. Если посмотреть на ковш сверху, то по цвету массы и вкраплениям видна процентовка шлака. По нормативу — шлаком может быть занято не более 40 % площади зеркала металла.

Раньше это был ручной процесс. Человек через камеру наблюдал за ковшом и делал вывод о проценте шлака в ковше. Тут встречались сложности.

Во-первых, ковш сам по себе выглядит непрезентабельно. Он может быть «заросший», то есть наросты продукта по краям мешают определять не только процент шлака в светящемся металле, но и, в запущенных случаях, контур ковша.

Во-вторых, и это мы писали в начале, у разных людей разная острота зрения, может отличаться цветовосприятие и прочие моменты. А, напомню, камера висит над ковшом с раскалённым металлом. И это серьёзно усложняет задачу, ведь помимо субъективного восприятия к картинке добавляются пар и свечение расплавленной массы. Ненадёжно, в общем.

Потому мы попытались автоматизировать оценку. Заметили, что в ковше присутствует четыре оттенка (обычный металл, шлак, область вокруг шлака, яркие области металла). И создали алгоритм, опирающийся на цветоопределение.

К сожалению, подход не сработал. Причиной стал тот самый пар, который серьёзно и каждый раз по-разному искажал картинку. Требовался инструмент, который бы воспринимал картину целиком и умел делать скидку на окружающую среду.

Решили попробовать нейросети — и оказались более чем впечатлены результатом.