Внедрение ИИ в металлургию: POSCO контролирует дефекты проката

POSCO начала разработку системы на основе ИИ в 2019 году в рамках своей стратегии цифровой трансформации "Smart Factory". Целью было автоматизировать обнаружение дефектов на стальных листах, которые ранее выявлялись вручную.

Технологической основой проекта контроля качества стали алгоритмы компьютерного зрения и глубокого обучения. Для их разработки компания сотрудничала с южнокорейскими ИИ-стартапами и исследовательскими институтами (например, KAIST).

Пилотный проект запущен в 2020 году на заводе в Пхохане. К 2022 году система масштабирована на основные производственные линии.

Затраты
: POSCO выделила около $50 млн на цифровизацию производства в период 2019–2023 гг., включая разработку ИИ-систем контроля качества. В том числе:

• R&D: $25 млн — разработка алгоритмов ИИ, тестирование, пилотные проекты.
• Инфраструктура: $10 млн — высокоскоростные камеры (например, модели от Basler или FLIR), датчики, серверы с GPU (NVIDIA V100/Tesla A100).
• Данные: $2 млн — сбор, очистка и разметка изображений (включая оплату труда аннотаторов и использование платформ вроде Labelbox).
• Интеграция: $8 млн — модернизация legacy-систем, разработка интерфейсов для взаимодействия ИИ с производственными линиями.
• Обучение персонала: $5 млн — тренинги для инженеров и операторов.

Выгоды
Не смотря на высокую стоимость проекта, применение передовых нейронных технологий позволило POSCO получить серьезные конкурентные преимущества и получить высокую оценку мирового сообщества в виде присвоения в 2024 годы звания World’s Most Competitive Steelmaker.
Основные выгоды:

• Точность обнаружения дефектов выросла с 85% (ручная проверка) до 98%.
• Уменьшение производственных потерь на 30% (экономия до $15 млн ежегодно).
• Время проверки сократилось с 10–15 минут до менее 1 секунды на лист.
• Устранена необходимость в 200+ сотрудниках, занятых ручной инспекцией.

Конкурентное преимущество:
POSCO смогла предложить клиентам гарантии качества уровня "Zero Defect", что усилило её позиции на рынке автомобильной и судостроительной стали.

POSCO применила комплексный подход, сочетающий современные архитектуры CNN, сегментацию и методы оптимизации для реального времени. Это позволило достичь высокой точности и скорости, несмотря на технические и организационные сложности. Проект стал эталоном для отрасли, демонстрируя, как глубокое обучение может трансформировать традиционные промышленные процессы.

Сверточные нейронные сети (CNN)

• ResNet (Residual Networks): Для классификации дефектов (царапины, трещины, пузыри) на изображениях стальных листов. ResNet эффективен благодаря остаточным слоям, которые упрощают обучение глубоких сетей.
• YOLO (You Only Look Once): Для обнаружения дефектов в реальном времени. YOLO позволяет быстро анализировать изображения со скоростью до 100 кадров/сек, что критично для промышленного применения.
• EfficientNet: Для баланса между точностью и вычислительной эффективностью, особенно при работе с большими объемами данных.

Источники: Упоминание использования CNN подтверждается публикацией в IEEE Transactions on Industrial Informatics (2021), где описывается применение глубокого обучения для обнаружения дефектов в сталелитейной промышленности.

Семантическая сегментация

• U-Net: Эта архитектура использовалась для точного определения границ дефектов. U-Net особенно эффективен в задачах сегментации изображений с ограниченным количеством размеченных данных.
• Mask R-CNN: Комбинировал обнаружение объектов и сегментацию, чтобы не только находить дефекты, но и выделять их точные контуры.

Трансферное обучение (Transfer Learning)
Предобученные модели на датасетах общего назначения (например, ImageNet) дорабатывались под специфические задачи POSCO. Это позволило сократить время обучения и улучшить точность, несмотря на ограниченное количество размеченных данных по редким дефектам.

Комбинации ИИ моделей
Для повышения надежности применялись ансамбли из нескольких моделей (например, комбинация ResNet и EfficientNet). Это помогло снизить риск ложных срабатываний и пропусков дефектов.

Генеративно-состязательные сети (GAN)

• Data Augmentation: GAN использовались для генерации синтетических изображений дефектов, чтобы увеличить разнообразие тренировочных данных, особенно для редких аномалий.

Источники: В докладе на International Conference on Artificial Intelligence in Materials and Manufacturing (2022) упоминается применение GAN в металлургических проектах для решения проблемы недостатка данных.

Оптимизация для реального времени

• Lightweight-модели: Для ускорения инференса применялись облегченные архитектуры, такие как MobileNet и SqueezeNet, а также методы квантования весов.
• Аппаратное ускорение: Использовались GPU (NVIDIA V100/Tesla) и TPU для обработки данных в реальном времени.

Обработка данных
Предобработка изображений:

• Нормализация яркости и контраста для устранения вариативности освещения.
• Фильтрация шумов с помощью алгоритмов вроде Gaussian Blur и Median Filtering.

Аугментация данных:
Повороты, отражения, добавление шумов для увеличения разнообразия данных.

Исходя из гигантского объема обработанной в процессе обучения нейронных моделей информации, становится понятно, почему столько стоит проект. И это не смотря на то, что проект по максимуму использовал возможности предобученных нейронок и другие методы оптимизации получения обучающего датасета. .
Вот эти данные:

• Объем: 500,000+ изображений стальных листов (разрешение 4096×4096 пикселей).

Источники данных:

• Производственные линии POSCO (завод в Пхохане).
• Синтетические данные, сгенерированные GAN.

Разметка:

• 10,000+ часов ручной разметки дефектов (царапины, трещины, пузыри).
• Использование semi-supervised обучения для сокращения затрат на аннотацию.

Кроме необходимости собрать более 500 000 размеченных специалистами изображений, в процессе возникли и другие сложности технологического и организационного плана:
Нехватка данных по редким дефектам:Редкие дефекты составляли менее 1% датасета.
Решение: Применение техник oversampling (например, SMOTE) и взвешенных функций потерь, технологии GAN + аугментация (повороты, изменение освещения).
Интеграция с legacy-системами:
Старые производственные линии не были рассчитаны на подключение ИИ-модулей. Потребовалась модернизация оборудования и ПО.
Вычислительные ограничения:
Обучение на полном датасете требовало значительных ресурсов.
Решение: Использование распределенного обучения на GPU-кластерах.
Задержки в реальном времени:
Потребовалась обработка изображений со скоростью 100 кадров/сек
Решение: Развертывание моделей на edge-устройствах (NVIDIA Jetson AGX).
Сопротивление персонала:
Решение: Демонстрационные сессии и постепенное внедрение (сначала ИИ как ассистент, потом автономная работа).

Человеческие ресурсы
Внутренняя команда:

• Data Scientists: 15+ специалистов по глубокому обучению и компьютерному зрению.
• Инженеры-металлурги: 10+ экспертов для валидации дефектов и настройки критериев качества.
• IT-инфраструктура: 5+ инженеров для развертывания GPU-кластеров и интеграции с производственными системами.

Внешние участники:

• KAIST (Корейский институт передовых технологий): Научная поддержка в оптимизации алгоритмов.
• Стартапы: Партнерство с корейскими ИИ-компаниями (например, Lunit, Skelter Labs) для доработки моделей под промышленные задачи.
• Консультанты: Специалисты McKinsey и Accenture для анализа ROI и управления проектом.

Партнерства и экосистема
Академические институты:

• KAIST: Исследования в области устойчивости моделей к шумам и освещению.
• POSTECH: Анализ микроструктур стали для улучшения датасетов.

Технологические компании:

• NVIDIA: Оптимизация ИИ-моделей под GPU.
• Cognex: Поставка камер и ПО для промышленной визуализации.

Государственная поддержка:

• Гранты от Министерства торговли, промышленности и энергетики Южной Кореи (MOTIE) в рамках программы Smart Manufacturing Innovation.

Представляем неполную выборку уже работающих проектов, аналогичных внедрению ИИ в POSCO для контроля качества продукции, с акцентом на компьютерное зрение и глубокое обучение.
Проекты охватывают металлургию и смежные отрасли, а источники включают англоязычные и китайские материалы (данные актуальны до октября 2023 года):

Tata Steel (Индия): Система обнаружения дефектов с помощью ИИ
Tata Steel внедрила ИИ-систему для автоматического выявления дефектов на стальных листах. Как и в POSCO, используются CNN (ResNet и YOLO) для анализа изображений в реальном времени.
Сходство с POSCO:

• Точность обнаружения — 97%, сокращение времени проверки на 90%.
• Интеграция с промышленными камерами и GPU-кластерами.

Nippon Steel (Япония): ИИ для обнаружения микротрещин
Проект направлен на выявление микроскопических дефектов в стальных сплавах для автомобильной промышленности. Используются гибридные модели: CNN + LSTM для анализа видео с микроскопов.
Сходство с POSCO:

• Применение аугментации данных и синтетических дефектов, созданных GAN.
• Снижение доли брака на 25%.

HBIS Group (Китай): Система визуального контроля для проката
Китайская HBIS Group разработала ИИ-модуль для контроля поверхности горячекатаных листов. Архитектура включает U-Net для сегментации дефектов и EfficientNet для классификации.
Сходство с POSCO:

• Использование трансферного обучения на предобученных моделях ImageNet.
• Экономия $10 млн в год за счет снижения переделок.

Thyssenkrupp (Германия): AI-Quality Check для трубной продукции
Система анализирует внутренние и внешние дефекты металлических труб с помощью 3D-сканирования и CNN. Алгоритмы обнаруживают коррозию, вмятины и трещины.
Сходство с POSCO:

• Реальное время обработки (до 60 кадров/сек).
• Внедрение ансамблей моделей для минимизации ложных срабатываний.

Shougang Group (Китай): ИИ для контроля сварных швов
ИИ-система проверяет качество сварных соединений на металлоконструкциях. Используются CNN (MobileNet) и термальные камеры для обнаружения скрытых дефектов.
Сходство с POSCO:

• Оптимизация под мобильные устройства для работы в цехах.
• Точность — 96%, интеграция с ERP-системами.

JFE Steel (Япония): Проект «Zero Defect Vision»
ИИ-платформа для анализа поверхности стальных рулонов. Комбинирует ResNet, YOLO и классические методы обработки изображений (например, обнаружение краев Canny).
Сходство с POSCO:

• Сбор датасета из 700,000+ изображений.
• Снижение затрат на рекламации на 40%.

BlueScope Steel (Австралия): Система контроля покрытий
ИИ-решение для обнаружения дефектов цинкового покрытия на стальных листах. Использует семантическую сегментацию (Mask R-CNN) и гиперспектральные камеры.
Сходство с POSCO:

• Применение GAN для генерации редких дефектов.
• Автоматизация 100% проверок вместо выборочных.

Startup: Landing AI (США) + Steel Manufacturers
Стартап Landing AI (основатель Эндрю Ын) разработал платформу для промышленного контроля качества. Внедрен в нескольких металлургических компаниях для обнаружения дефектов с помощью CNN и облачных вычислений.
Сходство с POSCO:

• Акцент на «малоданные» сценарии (few-shot learning).
• Пример точности — 95% при 10% размеченных данных.

Alibaba Cloud + Zhongwang Group (Китай): Интеллектуальный контроль алюминиевых профилей
Alibaba Cloud предоставила ИИ-решение для китайской компании Zhongwang, выпускающей алюминиевые профили. Система на базе CNN и облачной аналитики обнаруживает царапины, искривления и пузыри.
Сходство с POSCO:

• Обработка 5000+ изображений в час.
• Снижение ручного труда на 70%.

Ключевые технологии во всех проектах:

• CNN (ResNet, YOLO, U-Net) — для классификации и сегментации.
• GAN — генерация синтетических данных.
• Трансферное обучение — адаптация под узкие задачи.
• Ансамбли (комбинации) моделей — повышение надежности.

Удивительно, но Российские производители не стоят в стороне от применения искусственного интеллекта в процессах контроля качества продукции. Мы нашли достаточно упоминаний о результатов крупнейших промышленных комплексов:

Северсталь: ИИ для контроля поверхности стального проката
Северсталь внедрила систему на базе компьютерного зрения для автоматического обнаружения дефектов (царапины, трещины) на стальных листах. Используются алгоритмы глубокого обучения (ResNet, YOLO), аналогичные POSCO.
Сходство с POSCO:

• Точность обнаружения — 95%.
• Интеграция промышленных камер Basler и NVIDIA Jetson для обработки в реальном времени.

НЛМК: Система анализа качества горячекатаного металла
НЛМК совместно с «Сбербанк-Инжиниринг» разработал ИИ-модуль для прогнозирования дефектов на ранних этапах прокатки. Алгоритмы анализируют данные с термокамер и датчиков вибрации.
Сходство с POSCO:

• Использование ансамблей моделей (XGBoost + CNN).
• Сокращение брака на 20%.

ММК: Проект «Цифровой инспектор»
Магнитогорский металлургический комбинат внедрил ИИ-систему для контроля сварных швов на металлоконструкциях. Технология включает семантическую сегментацию (U-Net) и мобильные камеры с ИИ-чипами.
Сходство с POSCO:

• Обработка данных на edge-устройствах (NVIDIA Jetson).
• Экономия 150 млн рублей в год.

РУСАЛ: ИИ для контроля алюминиевых слитков
РУСАЛ использует компьютерное зрение для обнаружения микротрещин и включений в алюминиевых слитках. Система обучена на датасете из 50 тыс. изображений с разметкой дефектов.
Сходство с POSCO:

• Применение GAN для генерации синтетических данных.
• Интеграция с ERP-системой SAP.

Камаз: ИИ-контроль качества сварных швов
На заводах КамАЗ внедрена система автоматической проверки сварных соединений грузовиков. Используются CNN (EfficientNet) и 3D-сканирование.
Сходство с POSCO:

• Точность — 94%, время анализа — 2 сек на шов.
• Снижение затрат на рекламации на 30%.

Cognitive Pilot (дочерняя компания Сбера): «Cognitive Plant»
Платформа для промышленного контроля качества, внедренная на ряде российских предприятий. Включает модуль обнаружения дефектов металлопроката с помощью YOLOv5 и Mask R-CNN.

• Сходство с POSCO:
• Работа в условиях низкой освещенности и запыленности.
• ROI проекта — 1.5 года.

ТМК (Трубная металлургическая компания): ИИ для контроля труб
ТМК совместно с МФТИ разработала систему анализа геометрии и дефектов труб с использованием 3D-сканирования и графовых нейронных сетей (GNN).
Сходство с POSCO:

• Обнаружение микротрещин и коррозии.
• Снижение ручного труда на 50%.

Ростех: Проект «Умная литейка»
В литейных цехах предприятий Ростеха (например, Уралвагонзавод) внедрены ИИ-системы для контроля качества отливок. Используется комбинация тепловизоров и CNN.
Сходство с POSCO:

• Прогнозирование дефектов по термограммам.
• Уменьшение брака на 25%.

Группа ГАЗ: ИИ для проверки кузовов автомобилей
На заводах ГАЗ используется компьютерное зрение для обнаружения царапин и вмятин на кузовах. Алгоритмы обучены на датасете из 100 тыс. изображений.
Сходство с POSCO:

• Реальное время обработки (5 кадров/сек).
• Интеграция с роботами-манипуляторами.

Сколково: Стартап «ВижнЛабс» (VisionLabs)
VisionLabs разработала платформу LUNA для промышленного контроля качества, включая металлургию. Внедрена на предприятиях Уральской горно-металлургической компании (УГМК).
Сходство с POSCO:

• Использование трансферного обучения для адаптации под разные типы дефектов.
• Точность — 96%.

Ключевые особенности российских проектов:
Фокус на импортозамещение: Активное использование отечественных IT-решений (Cognitive Pilot, VisionLabs) и аппаратуры (Элвис, Нейроботикс).
Интеграция с legacy-системами: Адаптация ИИ под устаревшее оборудование, характерное для многих российских заводов.
Государственная поддержка: Участие в программах Минпромторга («Цифровые предприятия») и госкорпораций (Ростех, Росатом).