Machine Vision Solution
Розробка рішень машинного зору для промислового виробництва
Розробка рішень машинного зору для промислового виробництва
Розробка рішень машинного зору для промислового виробництва
Дізнайтеся, як Brightgrove створила систему комп’ютерного зору на базі штучного інтелекту для світового виробника, щоб автоматизувати контроль якості, усунути дефекти та підвищити пропускну здатність.
Дізнайтеся, як Brightgrove створила систему комп’ютерного зору на базі штучного інтелекту для світового виробника, щоб автоматизувати контроль якості, усунути дефекти та підвищити пропускну здатність.
Дізнайтеся, як Brightgrove створила систему комп’ютерного зору на базі штучного інтелекту для світового виробника, щоб автоматизувати контроль якості, усунути дефекти та підвищити пропускну здатність.
Manufacturing
IoT
SAP
Machine Vision Solution
Machine Vision Solution
Опис клієнта
Опис клієнта
Опис клієнта
Наш клієнт — світовий лідер у сфері промислових систем машинного зору з понад 35-річним досвідом. Компанія спеціалізується на автоматизованих системах контролю якості поверхонь, використовуючи високоточні камери для перевірки продукції в автомобільній, скляній, акумуляторній та інших галузях промисловості.
Прагнучи стандартизувати програмні рішення в усіх бізнес-підрозділах, компанія поставила за мету створити єдину вебплатформу для систем машинного зору. Нове рішення мало забезпечити масштабованість, уніфікацію процесів, ефективну обробку зображень високої роздільної здатності та безперебійну інтеграцію з власним обладнанням відповідно до суворих промислових вимог.
Наш клієнт — світовий лідер у сфері промислових систем машинного зору з понад 35-річним досвідом. Компанія спеціалізується на автоматизованих системах контролю якості поверхонь, використовуючи високоточні камери для перевірки продукції в автомобільній, скляній, акумуляторній та інших галузях промисловості.
Прагнучи стандартизувати програмні рішення в усіх бізнес-підрозділах, компанія поставила за мету створити єдину вебплатформу для систем машинного зору. Нове рішення мало забезпечити масштабованість, уніфікацію процесів, ефективну обробку зображень високої роздільної здатності та безперебійну інтеграцію з власним обладнанням відповідно до суворих промислових вимог.
Наш клієнт — світовий лідер у сфері промислових систем машинного зору з понад 35-річним досвідом. Компанія спеціалізується на автоматизованих системах контролю якості поверхонь, використовуючи високоточні камери для перевірки продукції в автомобільній, скляній, акумуляторній та інших галузях промисловості.
Прагнучи стандартизувати програмні рішення в усіх бізнес-підрозділах, компанія поставила за мету створити єдину вебплатформу для систем машинного зору. Нове рішення мало забезпечити масштабованість, уніфікацію процесів, ефективну обробку зображень високої роздільної здатності та безперебійну інтеграцію з власним обладнанням відповідно до суворих промислових вимог.
Виклики
Виклики
Виклики
Клієнт зіткнувся з кількома критичними технічними та організаційними викликами:
Клієнт зіткнувся з кількома критичними технічними та організаційними викликами:
Фрагментована архітектура програмного забезпечення
Кожен бізнес-підрозділ використовував власні програмні рішення, що призводило до:
Ізольованих застосунків;
Різних моделей даних і алгоритмів обробки;
Неуніфікованих користувацьких інтерфейсів;
Дублювання коду та складнішої підтримки.
Високі вимоги до продуктивності
Система мала працювати з потоками зображень у роздільній здатності 4K зі швидкістю 120 кадрів на секунду. Основними викликами були:
Обробка великих потоків даних у режимі реального часу;
Миттєве виявлення дефектів;
Ефективне керування пам'яттю;
Оптимізація використання процесорних і графічних ресурсів.
Технічний борг
Клієнт використовував низку застарілих компонентів:
Власні протоколи взаємодії з обладнанням;
C++ застосунки з витоками пам'яті;
Монолітну архітектуру, що ускладнювала масштабування;
Недостатню модульність системи.
Фрагментована архітектура програмного забезпечення
Кожен бізнес-підрозділ використовував власні програмні рішення, що призводило до:
Ізольованих застосунків;
Різних моделей даних і алгоритмів обробки;
Неуніфікованих користувацьких інтерфейсів;
Дублювання коду та складнішої підтримки.
Високі вимоги до продуктивності
Система мала працювати з потоками зображень у роздільній здатності 4K зі швидкістю 120 кадрів на секунду. Основними викликами були:
Обробка великих потоків даних у режимі реального часу;
Миттєве виявлення дефектів;
Ефективне керування пам'яттю;
Оптимізація використання процесорних і графічних ресурсів.
Технічний борг
Клієнт використовував низку застарілих компонентів:
Власні протоколи взаємодії з обладнанням;
C++ застосунки з витоками пам'яті;
Монолітну архітектуру, що ускладнювала масштабування;
Недостатню модульність системи.
Фрагментована архітектура програмного забезпечення
Кожен бізнес-підрозділ використовував власні програмні рішення, що призводило до:
Ізольованих застосунків;
Різних моделей даних і алгоритмів обробки;
Неуніфікованих користувацьких інтерфейсів;
Дублювання коду та складнішої підтримки.
Високі вимоги до продуктивності
Система мала працювати з потоками зображень у роздільній здатності 4K зі швидкістю 120 кадрів на секунду. Основними викликами були:
Обробка великих потоків даних у режимі реального часу;
Миттєве виявлення дефектів;
Ефективне керування пам'яттю;
Оптимізація використання процесорних і графічних ресурсів.
Технічний борг
Клієнт використовував низку застарілих компонентів:
Власні протоколи взаємодії з обладнанням;
C++ застосунки з витоками пам'яті;
Монолітну архітектуру, що ускладнювала масштабування;
Недостатню модульність системи.
Складність інтеграції
Нове рішення мало працювати з великою кількістю обладнання та корпоративних систем, серед яких:
Промислові камери;
Системи освітлення;
PLC-контролери;
Системи керування рухом;
SAP ERP;
MES;
QMS.
Дефіцит експертизи
Компанія мала обмежений досвід роботи із сучасними вебтехнологіями. Крім цього:
Знання були розподілені між окремими командами;
Підтримка залежала від вузького кола спеціалістів;
Необхідно було організувати передачу знань між міжнародними командами.
Складність інтеграції
Нове рішення мало працювати з великою кількістю обладнання та корпоративних систем, серед яких:
Промислові камери;
Системи освітлення;
PLC-контролери;
Системи керування рухом;
SAP ERP;
MES;
QMS.
Дефіцит експертизи
Компанія мала обмежений досвід роботи із сучасними вебтехнологіями. Крім цього:
Знання були розподілені між окремими командами;
Підтримка залежала від вузького кола спеціалістів;
Необхідно було організувати передачу знань між міжнародними командами.
Архітектура рішення
Архітектура рішення
Архітектура рішення
Для вирішення поставлених завдань команда Brightgrove розробила багаторівневу архітектуру.
Рівень обладнання
Архітектура включала:
Промислові 4K-камери зі швидкістю 120 кадрів на секунду;
Програмовані LED-системи освітлення;
Сервоприводи для точного позиціонування камер;
Інтеграцію з виробничими PLC;
Інфрачервоні датчики для синхронізації захоплення зображень.
Рівень застосунку
Було реалізовано сучасний вебінтерфейс на базі Angular із використанням RxJS. До складу рішення увійшли:
Інтерактивні інформаційні панелі;
Модуль статистичного аналізу виробничих процесів;
Система конфігурації для різних бізнес-підрозділів;
Механізм сповіщень та ескалації інцидентів.
Рівень обробки даних
Для забезпечення роботи в режимі реального часу команда створила високопродуктивний проміжний шар, який включав:
gRPC для швидкої взаємодії між обладнанням і програмним забезпеченням;
Багатопотокову обробку зображень;
Модуль класифікації дефектів на основі згорткових нейронних мереж;
Оптимізоване керування пам'яттю без дублювання даних;
Redis для тимчасового кешування;
Систему обробки помилок із механізмами відмовостійкості.
Рівень зберігання даних
Було реалізовано:
InfluxDB для зберігання часових рядів і показників продуктивності;
Сховище зображень дефектів;
PostgreSQL для конфігурацій системи та налаштувань користувачів.
Інтеграційний рівень
Платформа була інтегрована з:
SAP ERP;
MES;
QMS.
Для вирішення поставлених завдань команда Brightgrove розробила багаторівневу архітектуру.
Рівень обладнання
Архітектура включала:
Промислові 4K-камери зі швидкістю 120 кадрів на секунду;
Програмовані LED-системи освітлення;
Сервоприводи для точного позиціонування камер;
Інтеграцію з виробничими PLC;
Інфрачервоні датчики для синхронізації захоплення зображень.
Рівень застосунку
Було реалізовано сучасний вебінтерфейс на базі Angular із використанням RxJS. До складу рішення увійшли:
Інтерактивні інформаційні панелі;
Модуль статистичного аналізу виробничих процесів;
Система конфігурації для різних бізнес-підрозділів;
Механізм сповіщень та ескалації інцидентів.
Рівень обробки даних
Для забезпечення роботи в режимі реального часу команда створила високопродуктивний проміжний шар, який включав:
gRPC для швидкої взаємодії між обладнанням і програмним забезпеченням;
Багатопотокову обробку зображень;
Модуль класифікації дефектів на основі згорткових нейронних мереж;
Оптимізоване керування пам'яттю без дублювання даних;
Redis для тимчасового кешування;
Систему обробки помилок із механізмами відмовостійкості.
Рівень зберігання даних
Було реалізовано:
InfluxDB для зберігання часових рядів і показників продуктивності;
Сховище зображень дефектів;
PostgreSQL для конфігурацій системи та налаштувань користувачів.
Інтеграційний рівень
Платформа була інтегрована з:
SAP ERP;
MES;
QMS.
Для вирішення поставлених завдань команда Brightgrove розробила багаторівневу архітектуру.
Рівень обладнання
Архітектура включала:
Промислові 4K-камери зі швидкістю 120 кадрів на секунду;
Програмовані LED-системи освітлення;
Сервоприводи для точного позиціонування камер;
Інтеграцію з виробничими PLC;
Інфрачервоні датчики для синхронізації захоплення зображень.
Рівень застосунку
Було реалізовано сучасний вебінтерфейс на базі Angular із використанням RxJS. До складу рішення увійшли:
Інтерактивні інформаційні панелі;
Модуль статистичного аналізу виробничих процесів;
Система конфігурації для різних бізнес-підрозділів;
Механізм сповіщень та ескалації інцидентів.
Рівень обробки даних
Для забезпечення роботи в режимі реального часу команда створила високопродуктивний проміжний шар, який включав:
gRPC для швидкої взаємодії між обладнанням і програмним забезпеченням;
Багатопотокову обробку зображень;
Модуль класифікації дефектів на основі згорткових нейронних мереж;
Оптимізоване керування пам'яттю без дублювання даних;
Redis для тимчасового кешування;
Систему обробки помилок із механізмами відмовостійкості.
Рівень зберігання даних
Було реалізовано:
InfluxDB для зберігання часових рядів і показників продуктивності;
Сховище зображень дефектів;
PostgreSQL для конфігурацій системи та налаштувань користувачів.
Інтеграційний рівень
Платформа була інтегрована з:
SAP ERP;
MES;
QMS.
Підхід до впровадження
Підхід до впровадження
Впровадження здійснювалося поетапно, щоб мінімізувати ризики та забезпечити поступове зростання цінності:
Впровадження здійснювалося поетапно, щоб мінімізувати ризики та забезпечити поступове зростання цінності:
Етап 1. Створення базової архітектури (4 місяці)
Було виконано:
Збір вимог;
Проєктування архітектури;
Розробку основних middleware-компонентів;
Інтеграцію gRPC;
Оптимізацію роботи з пам'яттю;
Створення базових Angular-компонентів.
Етап 2. Інтеграція першого бізнес-підрозділу (6 місяців)
Команда реалізувала:
Перший сценарій контролю якості автомобільного скла;
Інтеграцію з виробничою лінією;
Інформаційну панель для контролю показників якості;
Сховище зображень і базу часових рядів.
Етап 1. Створення базової архітектури (4 місяці)
Було виконано:
Збір вимог;
Проєктування архітектури;
Розробку основних middleware-компонентів;
Інтеграцію gRPC;
Оптимізацію роботи з пам'яттю;
Створення базових Angular-компонентів.
Етап 2. Інтеграція першого бізнес-підрозділу (6 місяців)
Команда реалізувала:
Перший сценарій контролю якості автомобільного скла;
Інтеграцію з виробничою лінією;
Інформаційну панель для контролю показників якості;
Сховище зображень і базу часових рядів.
Етап 3. Інтеграція корпоративних систем (3 місяці)
Було виконано:
Інтеграцію з ERP та MES;
Реалізацію мультиорендної конфігурації;
Систему сповіщень;
Оптимізацію продуктивності.
Етап 4. Масштабування (триває)
Подальший розвиток включає:
Підключення нових виробничих майданчиків;
Впровадження вдосконалених моделей ШІ для прогнозування дефектів;
Розширення аналітичних можливостей;
Передачу знань внутрішнім командам клієнта.
Етап 3. Інтеграція корпоративних систем (3 місяці)
Було виконано:
Інтеграцію з ERP та MES;
Реалізацію мультиорендної конфігурації;
Систему сповіщень;
Оптимізацію продуктивності.
Етап 4. Масштабування (триває)
Подальший розвиток включає:
Підключення нових виробничих майданчиків;
Впровадження вдосконалених моделей ШІ для прогнозування дефектів;
Розширення аналітичних можливостей;
Передачу знань внутрішнім командам клієнта.
Результати
Результати
Результати
Впровадження забезпечило значні покращення:
Впровадження забезпечило значні покращення:
На 40% швидша обробка зображень
На 40% швидша обробка зображень
На 40% швидша обробка зображень
Скорочено час обробки з 120 мс до 72 мс на кадр
Скорочено час обробки з 120 мс до 72 мс на кадр
Скорочено час обробки з 120 мс до 72 мс на кадр
Оптимізація пам'яті на 45%
Оптимізація пам'яті на 45%
Оптимізація пам'яті на 45%
Знижено вимоги до оперативної пам'яті (RAM) з 32 ГБ до 18 ГБ на вузол
Знижено вимоги до оперативної пам'яті (RAM) з 32 ГБ до 18 ГБ на вузол
Знижено вимоги до оперативної пам'яті (RAM) з 32 ГБ до 18 ГБ на вузол
Скорочення часу простою системи на 50%
Скорочення часу простою системи на 50%
Скорочення часу простою системи на 50%
З середнього показника 2 години/тиждень до менше ніж 1 години/тиждень
З середнього показника 2 години/тиждень до менше ніж 1 години/тиждень
З середнього показника 2 години/тиждень до менше ніж 1 години/тиждень
99,8% безперебійної роботи
99,8% безперебійної роботи
99,8% безперебійної роботи
Покращено порівняно з попереднім показником доступності системи у 97,5%
Покращено порівняно з попереднім показником доступності системи у 97,5%
У 3 рази швидша класифікація дефектів
У 3 рази швидша класифікація дефектів
У 3 рази швидша класифікація дефектів
Скорочено час класифікації з 300 мс до 100 мс
Скорочено час класифікації з 300 мс до 100 мс
Скорочено час класифікації з 300 мс до 100 мс
Єдина екосистема програмного забезпечення
Єдина екосистема програмного забезпечення
Єдина екосистема програмного забезпечення
Об'єднано 7 окремих застосунків у єдину платформу
Об'єднано 7 окремих застосунків у єдину платформу
Висновок
Висновок
Висновок
Після завершення основного етапу клієнт продовжує розвиток платформи. Серед наступних напрямів:
Оркестрація контейнерів за допомогою kubernetes;
Використання edge computing для зменшення затримок;
Впровадження моделей ШІ із самонавчанням;
Створення цифрових двійників виробничих ліній;
Прогнозна аналітика якості на основі історичних даниx.
Поєднавши сучасні вебтехнології, високопродуктивну архітектуру обробки даних та інтеграцію з корпоративними системами, команда Brightgrove перетворила розрізнені системи машинного зору клієнта на єдину масштабовану платформу, здатну забезпечувати високоточний контроль якості в режимі реального часу.
Після завершення основного етапу клієнт продовжує розвиток платформи. Серед наступних напрямів:
Оркестрація контейнерів за допомогою kubernetes;
Використання edge computing для зменшення затримок;
Впровадження моделей ШІ із самонавчанням;
Створення цифрових двійників виробничих ліній;
Прогнозна аналітика якості на основі історичних даниx.
Поєднавши сучасні вебтехнології, високопродуктивну архітектуру обробки даних та інтеграцію з корпоративними системами, команда Brightgrove перетворила розрізнені системи машинного зору клієнта на єдину масштабовану платформу, здатну забезпечувати високоточний контроль якості в режимі реального часу.
Після завершення основного етапу клієнт продовжує розвиток платформи. Серед наступних напрямів:
Оркестрація контейнерів за допомогою kubernetes;
Використання edge computing для зменшення затримок;
Впровадження моделей ШІ із самонавчанням;
Створення цифрових двійників виробничих ліній;
Прогнозна аналітика якості на основі історичних даниx.
Поєднавши сучасні вебтехнології, високопродуктивну архітектуру обробки даних та інтеграцію з корпоративними системами, команда Brightgrove перетворила розрізнені системи машинного зору клієнта на єдину масштабовану платформу, здатну забезпечувати високоточний контроль якості в режимі реального часу.
Завантажте повний кейс-стаді англійською в .pdf
Solutions Development Services
End-to-end custom software development with senior-level talent, transparent delivery, and a 90%+ client retention rate.
View the service page
Дивіться також
Дивіться також
Ознайомтеся зі схожими кейсами за галуззю або послугою.
Ознайомтеся зі схожими кейсами за галуззю або послугою.
Airlines
Cloud
AI
8 хвилин на читання
Airport Baggage Handling System Engineering
Discover how Brightgrove engineers high-reliability airport baggage handling software and industrial automation systems for global aviation and logistics hubs.
Discover how Brightgrove engineers high-reliability airport baggage handling software and industrial automation systems for global aviation and logistics hubs.
Manufacturing
IoT
Cloud
7 хвилин на читання
Industrial IoT & Connected Tools Engineering
We built a connected IoT tool ecosystem: telemetry monitoring, asset tracking, and smart firmware engineering for global tool manufacturers.
We built a connected IoT tool ecosystem: telemetry monitoring, asset tracking, and smart firmware engineering for global tool manufacturers.
Logistics
Data Science
Python
6 хвилин на читання
NEXTRAIL GmbH: Рішення для гальмівної моделі ETCS Gamma
Фреймворк для симуляції гальмування ETCS Gamma розроблений за 5 місяців — метод Монте-Карло + векторизація JAX забезпечили 10 000-кратне прискорення порівняно з класичними підходами.
Фреймворк для симуляції гальмування ETCS Gamma розроблений за 5 місяців — метод Монте-Карло + векторизація JAX забезпечили 10 000-кратне прискорення порівняно з класичними підходами.
© 2025 Brightgrove. Всі права захищені.
© 2025 Brightgrove. Всі права захищені.
© 2025 Brightgrove. Всі права захищені.
© 2025 Brightgrove. Всі права захищені.