Мы собрали датасет из 1000+ фрагментов металлических изделий:
🔵образцы с ровной поверхностью,
🔵фрагменты с дефектами.

На этих данных мы обучили компактную нейросеть, заточенную именно под задачу бинарной классификации: «дефект / нет дефекта». Она анализирует локальные участки поверхности и учится различать едва заметные изменения текстуры — даже в условиях бликов и неидеального освещения.

Тесты показали стабильный результат:

🔵96–98% точности на обучающей и валидационной выборке;
🔵100% точности на тестовой, но это связано с маленьким количеством тестовых образцов, поэтому реальная оценка остаётся в районе ~98%.

На графике обучения видно (Карточка 2), что модель довольно быстро выходит на оптимальный уровень и удерживает качество.

После обучения мы прогнали модель в сервисе в режиме реального времени. Нейросеть уверенно зафиксировала дефект на металлическом пруте — без ручной разметки и без остановки процесса.

Мы изучили существующие решения для контроля металлических стержней и выбрали наиболее подходящую конфигурацию:

— камера линейного сканирования;
— линейный источник света;
— ложемент с поворотным механизмом;
— изделие, фиксируемое в зоне сканирования.

Такая схема закрывает задачи непрерывного обзора поверхности и позволяет интегрировать видеоаналитику прямо в производственный цикл.

Исследование подтвердило: интеллектуальная видеоаналитика действительно подходит для выявления дефектов на металле.
Сочетание классических методов и нейросети даёт системе устойчивость и высокую точность, а автоматический анализ заметно ускоряет и упрощает контроль качества.