Автоматизация контроля качества на производстве — это уже не теория из презентаций, а инструмент с измеримым эффектом. Платформа AI-видеоаналитики Zool.ai внедрила
систему мониторинга производственных процессов на Ижевском заводе «Иж-Рэст» и за полгода добилась сокращения брака на 30%, роста производительности на 20% и полного
исключения травматизма.
Ситуация до внедрения была типичной: современное оборудование работает на максимум, но ручные замеры, периодические проверки и субъективные оценки не дают нужной точности. Человеческий фактор и отсутствие сквозной аналитики съедают эффект от цифровизации.
В этой статье — подробный разбор проекта: от первых сомнений рабочих до тонкой настройки нейросетей под специфику конкретных станков. Показываем не только итоги, но и «кухню»: этапы, сроки, стоимость и реальные трудности внедрения.
- Zool.ai: система мониторинга производственных процессов и контроля качества продукции
- Автоматизация контроля качества продукции: что умеет AI-видеоаналитика
- Кейс «Иж-Рэст»: внедрение искусственного интеллекта в производство — от скептицизма до +20% производительности
- Что понадобилось со стороны железа и софта?
- Этапы внедрения искусственного интеллекта в производство
- Кто работает с системой мониторинга производственных процессов на заводе
- Стоимость системы контроля качества на производстве и окупаемость
- Безопасность труда на производстве и контроль качества: что изменила AI-аналитика
- Планы Zool.ai на 2026 год
Zool.ai: система мониторинга производственных процессов и контроля качества продукции
Компания «Программинг Стор» работает на рынке более 10 лет. Изначально специализировалась на разработке решений в экосистемах 1С, Axapta, а также на Python и Java.
ZOOL.AI выделилось из «Программинг Стор» как отдельное направление AI-видеоаналитики и отдельный продукт — платформа для работы с видеопотоком, автоматизирующая контроль производственных, организационных процессов и безопасности.
Техническое решение построено на «традиционном» стеке технологий: фронтенд реализован на Vue.js, бэкенд — на Node.js.
Для видеообработки используется протокол RTSP, обеспечивающий потоковую передачу данных с камер или видеорегистраторов.
Ядро системы видеоаналитики — модели нейронных сетей, обученные на YOLO версий 8–11, интегрированные в общую архитектуру через Python‑модули и развернутые на отдельных видеокартах. Открытые фреймворки существенно доработаны (в среднем на 60 %) под специфические требования заказчика.
Под каждого клиента собирается необходимая визуальная база (фото, видео) для дообучения модели. Иногда даже генерируются синтетические изображения с помощью AI (то есть AI используется для обучения AI. Сингулярность уже близко – примечание редакции).
Пользовательский интерфейс разработан таким образом, чтобы заказчик/юзер мог самостоятельно выбирать на экране «что трекать». То есть, чтобы обеспечить возможность внесения корректировок в работу системы видеоаналитики без участия разработчика.
Автоматизация контроля качества продукции: что умеет AI-видеоаналитика
На первый взгляд, камеры на заводе — просто глаза, следящие за порядком. Но когда к этим камерам подключают искусственный интеллект, меняется сама логика управления производством. AI перестает быть инструментом контроля — он превращается в постоянного аналитика, который 24/7 мониторит:
- статус производственного процесса (начало/конец подготовительных операций);
- изменение стабильности работы оборудования и появление неисправностей, в том числе за счет анализа звукового потока от оборудования;
- степень износа оборудования, через анализ изображений ключевых узлов станков (шпиндельный узел, элементы оснастки);
- появление дефектов на изделии (сколы, деформации, трещины);
- присутствие сотрудников в рабочей зоне, общее время у станка — для контроля безопасности персонала и оценки эффективности рабочих смен.
Фактически это комплексная система контроля качества продукции на производстве. Она закрывает задачи, которые раньше решались вручную или не решались вовсе.
Решение интегрировано в MES-систему (электронная система управления производством). Это создает принципиально иной уровень прозрачности: руководство видит точную картину — где, когда и почему возникает задержка, из‑за чего растет брак, где есть возможности для повышения эффективности.
Подробнее о том, как ИИ трансформирует бизнес-процессы, читайте в нашей статье AI для B2B: во что вкладываться.
Особенно ценна способность AI улавливать предвестники поломок. Человек замечает проблему, когда станок уже шумит или вибрирует, а проблему с деталью — когда технический процесс завершен, и ее извлекли из станка. AI же фиксирует минимальные отклонения от «нормы» ежесекундно. На основе этих данных система выдает предупреждение до того, как решение проблемы станет слишком дорогим. Для предприятия это означает не просто сокращение простоев и затрат — это переход от реактивного обслуживания («сломалось — починили») к предиктивному («вот‑вот сломается — предупредим и устраним»).
Кейс «Иж-Рэст»: внедрение искусственного интеллекта в производство — от скептицизма до +20% производительности
«В видеоаналитике не бывает «типовых» внедрений. Каждый раз мы заново изучаем производственный процесс и обучаем модели под конкретную среду» — говорит руководитель направления Zool.ai Иван Шамшурин.
В случае с «Иж-Рэст» — это был первый подобный проект в промышленной среде, но по сути наш типичный путь пилота: анализ → внедрение → обучение моделей → масштабирование.
Внедрение оказалось непростым — много сопротивления, особенно на уровне производственных работников. Сотрудники предприятия относились настороженно. Всё-таки новая технология, искусственный интеллект, камеры — не до конца было ясно, будет ли это помогать или скорее мешать в реальных цеховых условиях.
Кроме того, пришлось немного пересмотреть внутренние регламенты: где ставить камеры, как обозначать зоны безопасности. Параллельно обновили часть инструкций, чтобы система корректно распознавала процессы.
Что понадобилось со стороны железа и софта?
Для запуска процесса видеоаналитики со стороны завода потребовалась установка камер и видеорегистраторов, настройка сетей, интеграция с MES и выгрузка данных в 1С. Кстати, платформа также поддерживает выгрузку в формате Excel, JSON, и генерацию отчётов и статистики в 1С.
Этапы внедрения искусственного интеллекта в производство
Внедрение проходило в несколько этапов:
- Анализ и приоритеты (2 месяца) — описание инцидентов и бизнес-процессов
- Установка и тестирование (2 месяца) — камеры, сети, интеграция
- Обучение моделей (2–3 месяца) — калибровка под реальную работу
Итого: около полугода на запуск первого пилота.
Такая последовательность соответствует лучшим практикам автоматизации контроля качества на производстве: сначала понять процессы, потом встраивать систему.
Конечно же, можем сделать внедрение быстрее, когда решение типовое, и когда клиент точно знает, что ему нужно.
После запуска в промышленную эксплуатацию все сомнения ушли. Система показала себя с хорошей стороны: работает стабильно, данные точные, видно, где возникают задержки, кто и как задействован. В целом результат даже превзошел ожидания.
Сократились простои оборудования примерно на 15–20 %. Количество брака уменьшилось примерно на 30%. Появилась точная статистика по работе смен, и стало видно, где теряется время. Благодаря этому улучшилась дисциплина и организация труда: операторы и мастера теперь опираются на реальные данные, а не на предположения.
Появилась прозрачность. Руководители видят, как реально идут процессы, не нужно всё время контролировать вручную. Меньше бумажной рутины и промежуточных действий, проще планировать и анализировать работу. Управлять производством стало однозначно легче.
| Метрика | Результат |
| Сокращение брака | −30% |
| Сокращение простоев | −15–20% |
| Рост производительности | +20% |
| Травматизм | 0 случаев |
| Срок внедрения | 6 месяцев |
| Стоимость лицензии | от 870 000 рублей/год |
Кто работает с системой мониторинга производственных процессов на заводе
Пользователи и стейкхолдеры:
- Главные инженеры получают уведомления в реальном времени (например, если станок остановился, ремень порвался или сверло сломалось).
- Руководство и бухгалтерия получают сводную аналитику: сколько часов реально отработано, сколько деталей произведено.
- Операторы и рабочие используют систему для мониторинга хода обработки.
Вопрос безопасности данных
Внедрение системы видеоаналитики на производстве требует особого внимания к вопросам информационной безопасности.
В примере с «Иж-Рест» данные передаются на сервера Zool.ai с условием нераспространения (подписан NDA).
Для передачи данных в облако применен механизм строгого контроля сетевых соединений. Видеопотоки направляются исключительно на заранее утвержденные IP‑адреса серверов ZOOL.AI — так называемые «белые списки». Дополнительно реализовано шифрование данных, чтобы исключить возможность использования информации без ключей в случае утечки данных.
Стоимость системы контроля качества на производстве и окупаемость
Zool.ai предлагает три варианта развертывания на выбор:
- по модели SaaS в облаке с годовой подпиской;
- on-premise локально (на серверах заказчика);
- бесплатный тестовый доступ.
Cезонные отрасли — вроде золотодобычи — берут решение «на лето»: разворачивают на месторождениях, а по окончании сезона демонтируют.
«Базовая лицензия с 10 модулями стоит около 870 000 ₽ в год, но чаще мы работаем проектно под конкретный кейс» — говорит Иван Шамшурин. Модули – это, например, «подсчет людей», «траектория движения», «определение средств индивидуальной защиты», «определение пожара», «определение оружия», «распознавание государственного номера», и другое. Дополнительно можем подключать обработку звука и текста.
С точки зрения бизнес-эффективности иногда считаем стоимость внедрения как процент от экономии клиента: например, если компания теряет 100%, а после внедрения снижает издержки на 60%, то наша работа стоит 40% от прежних потерь. Пока рынок только формируется, чёткого понимания «дорого/дёшево» у клиентов еще нет. Мы вместе считаем экономический эффект, чтобы обосновать инвестиции в проект.
Читайте также:
Как Bboxa сократила время создания товарных карточек в 10 раз с помощью ИИ
Был кейс, когда мы устанавливали видеоаналитику в школе для контроля безопасности снаружи и внутри здания. В этом случае бизнес-эффект напрямую не оценишь, но мы определяли плюсы от повышения безопасности в сравнении с тем, готовы ли родители детей заплатить небольшую сумму за эту безопасность.
Безопасность труда на производстве и контроль качества: что изменила AI-аналитика
Помимо качества продукции, платформа решает задачи охраны труда и безопасности на производстве: система фиксирует нарушения, отсутствие СИЗ и нештатные ситуации в реальном времени — без участия контролёра.
Кейс с «Иж-Рэст» — пример того, как AI-видеоаналитика перестаёт быть «игрушкой для техногиков» и становится инструментом реальной промышленности.
Системы машинного зрения сегодня не только считают, но и помогают людям соблюдать безопасность, оптимизировать процессы и принимать решения на основе точных данных, а не интуиции.
Читайте также:
Планы Zool.ai на 2026 год
Мы создаём систему, в которой AI начинает отслеживать цепочки событий. То есть не одиночное событие в видеопотоке, а последовательность событий, то есть сценарии. Например, врач должен надеть перчатки, вымыть руки, подойти к пациенту. Если он нарушает порядок, система сообщает и выдает Alert. Это будет no-code интерфейс, где клиент сам настраивает логику процессов без участия программистов.
Планируем внедрить это в 2026 году.
«Наш программный код включен в реестр отечественного ПО. Авторские права на остальное пока не видим смысла защищать, так как каких-то уникальных алгоритмов или методов обучения мы не применяем. Просто грамотно настраиваем.» – Иван Шамшурин.
Подписывайтесь на Telegram-канал AI Factory — хаб для обмена опытом и экспертными знаниями.
