Видеоаналитика ИИ на производстве: как YOLOv12 вскрыла скрытые потери

Как видеоаналитика с ИИ вскрыла скрытые потери на производстве

Пищевое предприятие обратилось к команде Mad Brains с запросом на внедрение компьютерного зрения. Конкретной проблемы формулировать не стали — просто хотели «посмотреть, что выйдет». Оказалось, что видеоаналитика ИИ на производстве способна обнаружить то, о чём предпочитают не говорить вслух.

Речь идёт о сигнальных башнях — устройствах, пришедших из производственной системы Toyota (Andon). Зелёный — всё работает, жёлтый — предупреждение, красный — аварийный стоп. Красный обрабатывали быстро, а вот жёлтый сигнал оставался без внимания по 6–14 минут за раз. За смену набегало до 113 минут простоев на одной станции.

Технологическая основа: YOLOv12 и компьютерное зрение

Для решения задачи была выбрана модель YOLOv12 — актуальная версия архитектуры от Ultralytics, выпущенная в конце 2025 года. YOLO (You Only Look Once) — это класс сверточных нейронных сетей, предназначенных для обнаружения объектов в реальном времени. Для инференса (вычислительного процесса, при котором обученная модель применяется к новым данным) использовалась GPU Nvidia T4 Tensor.

Датасет собрали вручную — около 1100 фотографий сигнальных башен в различных условиях освещения: цеховой свет, тени, блики, дневная и ночная смены. После 350 эпох обучения точность классификации по метрике mAP (Mean Average Precision) составила 98,9%.

Что включала платформа мониторинга

• Подключение RTSP/HTTP видеопотоков с любых камер
• Загрузка весов моделей YOLO, RF-DETR, SAM
• Настройка классов и порогов уверенности детекции
• Хранение кадров с временными метками событий
• Уведомления и хуки во внешние системы
• Дашборд с агрегацией данных по стримам и участкам

Результаты: разница между сменами в 4 раза

Первые два дня система фиксировала только зелёный сигнал. На третий день начали анализировать данные агрегированно — и обнаружили серьёзные различия:

• Дневная смена: среднее время реакции на жёлтый — 3 мин 50 сек
• Ночная смена: среднее время реакции на жёлтый — 14 мин 20 сек

Разница почти в четыре раза. При этом по всем официальным показателям обе смены работали одинаково. Без измерения нет управления — эта простая истина оказалась ключевой.

Ситуация напоминает подход как ИИ помогает бизнесу в 2026 году — минимальное вмешательство с максимальной наблюдаемостью.

OEE вырос на 6,1 процентного пункта

После передачи данных менеджменту процесс изменили: появились алерты операторам при жёлтом сигнале дольше 3 минут. Через месяц результаты впечатлили:

• Доступность: 81,4% → 86,2% (+4,8 п.п.)
• Производительность: 88,3% → 90,1% (+1,8 п.п.)
• Качество: 97,1% → 97,6% (+0,5 п.п.)
• OEE: 69,7% → 75,8% (+6,1 п.п.)

Почему это работает без MES и ERP

Обычно компьютерное зрение на производстве ассоциируется с масштабными проектами: внедрение MES, интеграция с ERP, месяцы настройки. Подход Mad Brains оказался принципиально иным — камера, LLM-совместимая модель, платформа и неделя данных. Никакого переписывания процессов, обучения персонала или изменения инфраструктуры.

Видеоаналитика ИИ на производстве — это инструмент быстрой диагностики. Сигнальная башня — отличная идея, но лампочка, на которую «просто смотрят» без измерения времени реакции, превращается из системы контроля в декорацию.

Вывод

Если на производстве стоят сигнальные башни и события с них не логируются — велика вероятность, что предприятие теряет деньги каждый день, не зная об этом. Иногда достаточно одной недели наблюдений, чтобы задать правильный вопрос. А правильный вопрос — уже половина решения.