Здравствуйте! Сегодня - про промышленное компьютерное зрение для определения рудозасоряющих телю.

 
ТИХАЯ РЕВОЛЮЦИЯ НА КОНВЕЙЕРЕ: ЧТО ГОВОРИТ НАМ КЕЙС "НОРНИКЕЛЯ" О ЗРЕЛОСТИ ПРОМЫШЛЕННОГО ИИ
 
Суть события. «Норникель» и Рексофт вывели в промышленную эксплуатацию систему видеоаналитики, которая распознаёт рудозасоряющие тела — посторонние предметы (куски металла, обломки дерева), попадающие в рудопоток и способные сломать дробильное оборудование. Решение работает на рудниках «Маяк» и «Комсомольский» и Норильской обогатительной фабрике. Новость об этом можно прочитать по этой ссылке: https://cio.osp.ru/news/121026-Nornikel-vnedril-sistemu-obnaruzheniya-rudozasoryayuschih-tel
На первый взгляд — частная производственная новость. Но если посмотреть шире, это маркер более крупного сдвига.
 
Почему задача нетривиальна
Десятилетия на обогатительных фабриках царили металлоискатели — надёжные, но «однобокие» детекторы: они видят только металл. Деревянный брусок или камень проходят мимо них беспрепятственно и добираются до дробилки, где превращаются в аварийный простой и ремонт на миллионы.
Компьютерное зрение снимает это ограничение по самой природе: нейросеть классифицирует объекты по визуальным признакам, а не по физическому отклику. Платой за универсальность становятся два классических требования машинного обучения — качество данных и качество разметки. И здесь показателен результат: precision 100% на двух объектах и 95% на третьем, recall 90–98%, F1 0,96–0,98 при «золотом стандарте» видеоаналитики 0,9. 
Показательна сама архитектура решения. Это не «камера плюс модель», а многослойный промышленный IoT-контур: периферия (камеры в самоочищающихся кожухах — без этого оптика в запылённом цеху ослепнет за смену) → проводные каналы связи с высокой отказоустойчивостью → нейросетевая аналитика → слой визуализации с дашбордами для выборщиков и руководства.  Провода вместо радиоканала — не архаизм, а осознанный выбор тяжёлой промышленности, где предсказуемость связи важнее удобства монтажа.
 
Скрытый смысл: одна модель — несколько задач
Самое интересное в кейсе — экономика масштабирования. Тот же стек, что ловит рудозасоряющие тела, параллельно выявляет дефекты конвейерной ленты (порезы, пробои, глубокие царапины) и фиксирует присутствие персонала в опасной зоне.  Это меняет экономику внедрения: инвестиции окупаются не одной функцией, а портфелем. По оценке Рексофта, программно-аппаратный комплекс даёт до 10% снижения внеплановых простоев фабрики и до 5% сокращения времени ремонтов конвейеров — а применим не только в добыче, но и в нефтехимии, химии и дискретных производствах. 
Отдельно стоит отметить состав команды: систему создала объединённая разработка «Норникеля» и Рексофта. Это иллюстрация рабочей модели «ИТ-компания плюс носитель отраслевых данных» — для промышленного ИИ она оказывается эффективнее, чем попытка купить готовый продукт с полки: без доступа к реальным потокам объектов и производственным ограничениям модель не обучить.
 
Что это говорит о трендах
Первое: компьютерное зрение окончательно покидает демонстрационную стадию в тяжёлой промышленности — метрики приемо-сдаточных испытаний, а не лабораторные цифры, становятся языком общения с заказчиком.
Второе: центр тяжести смещается от «нейросетей вообще» к инженерному обвязу — самоочищающейся оптике, надёжным каналам, интеграции с АСУ ТП. Именно эта «скучная» часть отличает работающую систему от прототипа.
Третье: отрасль движется к предиктивной логике. Сегодня система сообщает о уже попавшем в поток предмете — завтра, объединив данные о дефектах ленты и статистику засорений, она будет предсказывать отказы до того, как они произойдут. Логичный следующий шаг для таких платформ.
 
Что остаётся за кадром.
Публичные материалы не раскрывают ни стоимость внедрения, ни долю срабатываний, отсекаемых оператором вручную, ни поведение модели на редких типах засорений — а именно эти параметры обычно и решают судьбу промышленного проекта. Здоровый скепсис к цифрам «почти 100%» здесь уместен