Одним из инновационных методов, применяемых на современном производстве, является машинное зрение. Оно позволяет автоматизировать контроль качества, оптимизировать производственные процессы и повысить эффективность работы. В данной статье рассмотрим примеры применения машинного зрения на конкретном предприятии и его потенциал для оптимизации бизнес-процессов.
На любом производстве идет постоянная борьба за себестоимость продукции, для ее снижения применяются различные способы и методики. С развитием информационных технологий добавился новый метод – машинное зрение, который пока не используется массово бизнесом, связанным с производством. Остальные сферы, такие как финтех, всё больше и больше понимают его пользу и начинают массово использовать эту технологию.
Хочу описать несколько практических примеров использования машинного зрения в технологических процессах на производстве и описать тот положительных эффект, который был получен. Начну с самого простого и далее к более сложному, так как в начале пути мы относились с осторожностью к применению технологии машинного зрения и не готовы были к большим финансовым затратам.
На рыбоперерабатывающем предприятии решили начать внедрение машинного зрения с простейшей технологической операции: требовалось контролировать сдельную оплату труда сотрудникам на производственном участке (мойка тары), автоматизировать получение отчетности, сделать прозрачным весь процесс. До внедрения технологии отсутствовал как таковой контроль выработки, так как для этого требовалось смотреть видеозапись всей 12-часовой смены и считать в ручном режиме помытую тару. Усложнялся этот процесс еще и тем, что было много видов тары, которая тарифицируется по-разному. То есть чтобы закрыть 12-часовую смену данного участка, требовалось как минимум шесть часов ускоренного просмотра видео, подсчетов, идентификации тары. Соответственно, этого никто не делал и все держалось "на честном слове".
Поставив одну видеокамеру, регистратор и настроив обработку изображения на сервере, обучив нейронную сеть, получили результат, который ожидал бизнес от проекта (рис. 1).
Рис. 1. Подсчет и определение вида тары с помощью системы машинного зрения
Рис. 2. Отчет о количестве и виде помытой тары
К концу 12-часовой смены система выдавала отчеты о количестве и виде помытой тары (рис. 2).
Мастерам, которые отвечали за участок, оставалось только сформировать отчет нажатием пары кнопок и внести в учетную систему предприятия данные для расчета оплаты труда. На графике на рис. 3 ниже отчетливо видны конечные данные по выработке до и после внедрения: экономический эффект составил порядка 50%, так как завысить выработку уже не представляется возможным.
Рис. 3. График эффективности системы
От старта проекта до его завершения и внедрения в производственный цикл прошло три месяца. После оценки экономической эффективности методику транслировали еще на два предприятия с таким же технологическим процессом.
Рис. 4. Каждый сотрудник смены видит свою выработку онлайн
В дальнейшем опыт был транслирован на более сложные технологические процессы производства, такие как выпуск продукции. Решили увеличить производительность линии, используя машинное зрение, которое будет контролировать индивидуальную сдельную оплату труда – рассчитывать коэффициент трудового участия (КТУ). До внедрения КТУ сдельная оплата сотрудникам на линии начислялась исходя из объема выпуска продукции, поделенного на количество человек в смене, то есть тому, кто работал хорошо, не было смысла работать лучше и тому, кто работал плохо, не было смысла работать лучше, так как выработка делилась на всех поровну.
Ключевые факторы, которые должны повлиять на производительность линии с применением технологии машинного зрения, как мы считали, – это появление соревновательного эффекта: каждый сотрудник линии в режиме онлайн видит свою выработку, соответственно те, кто работал медленнее всех, были замотивированы работать быстрее, так как сдельная оплата труда стала индивидуальной.
Внедрение технологии от этапа проектирования до внедрения в производственный процесс с автоматическим начислением заработной платы заняло шесть месяцев. Производительность линии выросла на 15%, так как благодаря анализу данных удалось еще и оптимизировать сам производственный процесс.
Приведу небольшой пример: у одного из сотрудников были низкие показатели производительности, после изучения видео выяснилось, что он не совсем правильно пользовался выданным инструментом. Работник прошел дополнительное обучение, и его показатели за достаточно короткое время выровнялись до средних в составе смены.
После того как внедрили и оценили практическую и экономическую выгоду от использования технологии в различных производственных технологических процессах, решили попробовать начать "утолять кадровый голод" в разных подразделениях предприятий. Начали с цифрового "киоска" для сотрудников, сняли колоссальную нагрузку со службы HR, убрав шквал запросов на отпуска, различные справки и т.д. Внедрили бот, связанный с кадровой базой данных. Бот мог ответить на топ-10 стандартных запросов и предоставить необходимую информацию, инструкции, контакты и пр.
После внедрения технологии стало понятно, что не требуются дополнительные люди, соответственно ФОТ в департаменте персонала не увеличился, а эффективность работы выросла.
Рис. 5. Чат-бот HR-службы
Сейчас реализуется большой проект внедрения технологии машинного зрения в ИТ-подразделение, цель проекта – оптимизировать ФОТ и сократить нагрузку на системных администраторов. На текущий момент систему обучили работать с многочисленными заявками на удаленный доступ и предоставление прав в автоматическом режиме, так как все маршруты и процессы согласования описаны, также в базе знаний имеются ссылки на инструкции для пользователя, чтобы он мог осуществить самостоятельную настройку. Соответственно, нет необходимости делать человека промежуточным звеном для рутинных операций. Конечная цель достаточно амбициозная: технология должна по трудозатратам закрыть двух специалистов ИТ.
Иллюстрации предоставлены автором.