QA Vision
Контроль качества покраски кузова по фотографии
Задача
Контроль прокрашивания кузова на линии — это глаз контролёра под лампой. Один строже, другой мягче, к концу смены внимание падает, а спор решать нечем: кадра не осталось.
Решение
Оператор загружает снимок детали, компьютерное зрение находит дефекты прокрашивания и обводит их рамкой, каждая находка попадает в реестр детекций. Руководитель видит KPI смены, тренды по типам брака и выгружает данные в Power BI или Excel — без ручного заполнения журналов ОТК.
Технические решения
- Модель — сменная деталь: Roboflow, локальный YOLO и произвольный HTTP-API реализуют один интерфейс load / detect / is_available. Переезд на локальную модель — правка конфига, а не переписывание дашборда: на заводе интернет может быть только в кабинете.
- Тяжесть — прозрачная формула, а не вторая сеть: площадь дефекта и уверенность, три порога. Её можно объяснить технологу.
- Реестр отделён от интерфейса: детекции пишутся в дневные CSV с фиксированной схемой, KPI считаются поверх них — те же данные одинаково открываются в дашборде, в Power BI и в Excel.
Что пошло не так
- Свою модель с нуля мы не обучали. За три дня выбор был между «одна модель и никакого продукта» и «весь конвейер с подключаемым детектором» — выбрали второе.
- Недоступный модуль возвращает «чисто». Если детектор не поднялся, кадр помечается как CLEAN и уходит в реестр. На витрине это незаметно, на линии — молчаливый пропуск брака.
- Цифр точности на витрине нет намеренно: валидационного набора, которому можно верить, за хакатон мы не собрали, а печатать красивый процент рядом с логотипом завода — тот случай, когда цифра хуже её отсутствия.
Результат
Работающий конвейер от входа оператора до файла в Power BI: три независимых сервиса, подключаемый детектор, реестр детекций и роли с разграничением по заводам. Призового места не заняли — его взяли три другие команды, и это честный результат: за три дня родился конвейер, но не готовая к цеху модель.
Что бы сделал иначе
Первое, что нужно переделать: отказ модели обязан быть ошибкой, а не вердиктом «чисто». Второе — реестр на файлах не выдержит нескольких линий, пишущих одновременно; путь к PostgreSQL в проекте описан, но за три дня не пройден.
Как это было
Qostanai AI-Sana Industry Hackathon, 1–3 ноября 2025 года, площадка КИнЭУ им. М. Дулатова. Организаторы — Международный союз электросвязи, Qostanai Hub и КИнЭУ; кейс дала автомобильная компания Allur. Два дня разработки, третий — защита. Призовой фонд 1 млн тенге, в финал вышли 13 команд: студенты вузов и колледжей, школьники. Менторы — специалисты НИТ, команды видеоаналитики Wildberries & Russ, стартапов Aman Online и Impro, эксперты МСЭ и инженер Allur по кейсу.
Сертификат
Подписи: президент КИнЭУ им. М. Дулатова, региональный директор офиса МСЭ для СНГ, руководитель Корпоративного университета Allur, директор Qostanai Hub.