Доля предприятий, использующих машинное зрение, за последние годы выросла более чем вдвое. Однако для большинства технология остаётся дорогой. Кроме того, компаниям не хватает профильных кадров.
Согласно исследованию Strategy Partners при участии ГК "Цифра", если в 2020 году технологии визуального контроля использовали 18,9% предприятий, то к 2024–му — уже 41,6%. Для промышленного сектора, где любое изменение требует модернизации оборудования и пересмотра технологических регламентов, это огромный скачок.
Главная причина такой динамики в том, что эффект от машинного зрения понятен даже самым консервативным производственникам. Камера фиксирует дефект, линия не выпускает брак, а человек перестаёт заниматься однообразным визуальным контролем.
По словам директора по развитию технологий искусственного интеллекта GS Labs Ярослава Якимова, "наиболее частыми эффектами являются снижение брака и рост производительности за счёт автоматизации контроля и ускорения операций. Одно из самых интересных направлений — это сокращение простоев благодаря предиктивному обслуживанию оборудования".
В исследовании Strategy Partners и комментариях конкретные компании не названы, однако известно, что, например, "Северсталь" использует машинное зрение для контроля качества проката, "Норникель" — для автоматизации флотации, а "ФосАгро" — для визуального контроля химпроизводства.
Стоимость технологии
Исследование и мнения экспертов сходятся в одном: машинное зрение — зрелая технология с понятным бизнес–результатом, но для большинства компаний она остаётся дорогой.
По оценке экспертов GS Labs, типовая структура затрат делится примерно следующим образом: оборудование (камеры, освещение, вычислительные мощности) — 40–50%, интеграция и настройка — 30–35%, лицензии на ПО и разработка алгоритмов — 15–20%, обучение персонала — 5–10%. Самой затратной частью обычно становится связка "оборудование + интеграция".
В результате минимальный порог входа для небольших проектов начинается от 1 млн рублей, а для комплексных решений — от 2,5–5 млн рублей. Средний срок окупаемости, по словам Якимова, составляет "18–24 месяца для проектов контроля качества и 12–18 месяцев для систем безопасности и мониторинга".
Для крупных предприятий это приемлемо, для малого и среднего бизнеса — уже барьер. К тому же, как отмечает гендиректор холдинга SNDGLOBAL Ольга Квашенкина, промышленники до сих пор ориентируются на короткий горизонт окупаемости (1–2 года) и это сильно тормозит переход к полноценным внедрениям.
“
"Массовое внедрение машинного зрения способно трансформировать структуру себестоимости в сторону снижения переменных затрат — фонда оплаты труда, потерь от брака и пересортировки — и одновременного увеличения доли капитальных затрат. Для типичных линий с визуальным контролем это означает сокращение трудозатрат на инспекцию и вспомогательные операции. Но на начальной стадии капиталоёмкость производства вырастет: требуются инвестиции в камеры, вычислительную инфраструктуру и интеграторов", — считает Ольга Квашенкина.
По её словам, готовность предприятий к такому переходу остаётся неоднородной: "Лидеры отраслей — пищевой, упаковочной, фармацевтической, электронной — уже имеют зрелые цифровые проекты. А вот большинство средних и мелких предприятий сталкиваются с нехваткой компетенций и ограниченными бюджетами".
Почему буксуют пилоты
Исследование Strategy Partners фиксирует типичный разрыв: интерес к цифровым решениям высокий, но предприятия часто застревают на стадии пилота. Квашенкина видит здесь три главные причины — финансы, кадры и организационные барьеры. "Многие проекты пилотируются на ограниченном бюджете и с ожиданием быстрых KPI. Когда эффект понижается при масштабировании, руководство часто переставляет приоритет в пользу краткосрочных задач", — говорит она.
Кроме того, подчёркивает эксперт, пилоты нередко ведут внешние интеграторы или университетские команды, а у самого предприятия не хватает инженеров и специалистов по data science, чтобы поддерживать систему в эксплуатации.
“
Есть и технологические сложности: "Алгоритмы машинного зрения чувствительны к вариативности освещения и углам съёмки. То, что хорошо работает на двух линиях, требует доработки на десяти".
Илья Измайлов добавляет, что экономическая аргументация тоже важна: "Сложно обосновать инвестиции в системы, где эффект не выражен в рублях. Проекты, которые дают измеримый рост эффективности или маржинальности, развиваются быстрее".
Кадровый вопрос
При этом ни один из экспертов не назвал нехватку технологий главным барьером — почти все говорят о людях.
“
"Дефицит AI/ML–специалистов и особенно инженеров с пониманием предметной области, а также внутреннее сопротивление персонала и консерватизм в процессах — одна из острейших проблем", — отмечает Ярослав Якимов из GS Labs.
Технический директор АО "РОББО" Дмитрий Кропанев говорит, что сегодня рынку нужны "инженеры–электронщики, конструкторы, программисты, специалисты по встраиваемым системам, мехатронике и анализу данных — люди, способные работать на стыке дисциплин".
"Робототехника и машинное зрение становятся не отдельной профессией, а частью инженерного мышления", — подчёркивает Кропанев. По его словам, вузы сегодня готовы теоретически, но выпускники редко имеют практический опыт интеграции систем и настройки оборудования. ROBBO, например, строит единую образовательную вертикаль от школы до вуза, где "обучение идёт по одной логике на всех уровнях и формирует специалиста, который понимает полный цикл создания и внедрения технологий".
Перспективы развития
Наибольший эффект от новой технологии будет тогда, когда она станет частью единого цифрового комплекса, уверен управляющий директор холдинга промышленного ПО "Экспанта" Илья Измайлов.
“
"Важно понимать, что одного машинного зрения недостаточно для реальной пользы в промышленности, — говорит он. — От камеры, которая лишь фиксирует изображение, смысла мало… Необходимо одновременно с введением машинного зрения или сразу после него внедрять следующий уровень — систему управления, которая на основе анализа данных от видеокамер передаст команду исполнительному механизму".
По сути, речь идёт о том, что камера превращается в такой же промышленный сенсор, как датчик температуры или давления, и становится элементом контура управления. Это и есть переход от простого визуального контроля к автоматизированному управлению технологическим процессом. Внедрение подобных систем, по словам Измайлова, уже началось у крупных металлургических и нефтехимических предприятий, где "снижение производственных потерь достигает 15%, а точность контроля качества — 98%".
