[ Кейс]
Как мы сократили время инвентаризации склада с 3 дней до 4 часов
АВТОМАТИЧЕСКИЙ УЧЁТ МЕТАЛЛОПРОКАТА
Клиент — крупный дистрибьютор металлической продукции, поставляющий трубы, балки и профили для строительного и промышленного сектора. На складе хранится более 350 наименований металлопроката различных типоразмеров.
В рамках «соглашения о неразглашении» используется стоковое изображение
Проблема
Производственный процесс включал ручную инвентаризацию металлопроката с использованием рулеток, визуального осмотра и бумажных журналов. Учётчики физически пересчитывали единицы в каждой ячейке хранения, сверяли данные с накладными поставщиков и вносили информацию в 1С:Предприятие.
Возможные проблемы при ручном учёте:
- Ошибки подсчёта — усталость персонала приводила к пропускам единиц, особенно при плотной укладке профилей
- Пересортица — разные типоразмеры труб и балок учитывались неверно, что вызывало расхождения при отгрузке
- Простой склада — инвентаризация проводилась с остановкой отгрузок на 3-5 дней ежемесячно
- Недоступные зоны — ячейки на высоте 6-10 метров проверялись выборочно или не проверялись вовсе
- Отсутствие фотофиксации — расхождения фиксировались на бумаге, без возможности последующей проверки
Каждая ошибка учёта вела к рекламациям от клиентов, повторным отгрузкам и финансовым потерям. Одна рекламация обходится от 3 500 рублей, совокупные затраты достигали от 150 тыс. рублей в месяц.
Задача
Внедрить систему автоматического учёта металлопроката, которая:
Автоматически распознаёт 7 типов профилей в зонах хранения (двутавровая балка, уголок, круглая балка, круглая труба, тавровая балка, квадратный пруток, квадратная труба)
- Обеспечивает точность подсчёта не ниже 95%
- Определяет типоразмер профиля по площади и геометрии объекта
- Интегрируется с существующей 1С:Склад без модификации учётной системы
- Работает без остановки складских операций
- Сокращает время учёта одной ячейки до 5 минут
- Адаптируется к условиям склада (освещение, пыль, вибрация)
- Оповещает персонал о завершении подсчёта и расхождениях
Решение
Система была интегрирована в зоны хранения металлопроката и работает в реальном времени. Камеры устанавливаются над ячейками хранения, видеопоток передаётся на сервер обработки, где нейросеть распознаёт и подсчитывает профили.
Ключевые преимущества:
- Работа в сложных условиях (пыль, вибрация от погрузчиков, перепады освещения);
- Интеграция без замены существующих камер видеонаблюдения;
- Определение типоразмера по площади сегмента объекта;
- Масштабируемость на другие складские площадки без существенных доработок.
Оборудование и промышленное исполнение
Для охвата всех зон хранения была спроектирована система из 18 камер машинного зрения с разрешением 8 Мп и углом обзора 135°. Камеры установлены на креплениях с виброгасящими элементами — это компенсирует вибрацию от работы погрузчиков и кран-балок.
Сервер обработки размещён в защитном блоке с пылезащитой. АРМ оператора совмещено с постом учёта — сотрудник может запускать сессию контроля одновременно с приёмкой новой партии.
Все компоненты защищены от промышленных условий с классом IP65-IP68. Система разработана с учётом гибкости склада — высоту камер можно быстро перенастроить под разные зоны хранения без длительных простоев.
Подготовка данных и обучение нейросети
Для проекта был сформирован и размечен специализированный датасет с различными типами металлопроката — с учётом ракурсов, условий освещения, плотности укладки и частичных перекрытий профилей.
Сбор данных:
- Всего изображений: 10 000+
- Размеченных объектов: 85 000+ (по 7 классам профилей)
- Условия съёмки: разное освещение, ракурсы, частичное перекрытие
- Период сбора: 2 недели
Обучение происходило по шагам:
- Сначала создавалась базовая модель на публичных датасетах с детекцией промышленных объектов
- Потом модель испытывали на реальных изображениях со склада, где она могла ошибаться
- Каждую ошибку фиксировали и использовали для дообучения
- Так нейросеть постепенно училась правильно распознавать профили даже при разном освещении, плотности укладки и перекрытиях
Модель также легко адаптируется под новые типоразмеры продукции с минимальным дообучением.
Как работает система
- Настройка сессии и параметров контроля. Перед запуском оператор выбирает зону хранения и параметры проверки в интерфейсе системы. Для каждой зоны задаются ожидаемые типы профилей и плановые количества.
- Обработка изображений и работа нейросети. Когда камера фиксирует ячейку хранения, видеопоток стабилизируется и корректируется по освещению, после чего передаётся на нейросеть. Система определяет границы каждого профиля и обводит их контуром. Детектор измеряет размеры в пикселях, переводит их в миллиметры и сравнивает с эталонными параметрами — это позволяет выявлять отклонения по типоразмеру.
- Подсчёт и валидация. Нейросеть подсчитывает количество единиц каждого типа в ячейке и сравнивает с плановыми значениями из учётной системы. При обнаружении расхождений система формирует акт с указанием типа профиля, фактического количества, планового количества и расхождения в единицах и процентах.
- Отображение и фиксация результатов. Обнаруженные расхождения сразу появляются на главном экране в «Ленте событий». Оператор может кликнуть на событие и увидеть подробное изображение с характеристиками: тип профиля, количество, местоположение ячейки. Все события автоматически сохраняются в системном архиве с указанием даты, времени и типа расхождения.
Сложности реализации
Определение типоразмера при плотной укладке. Профили в штабелях частично перекрывают друг друга — верхние слои закрывают нижние. Это затрудняло точный подсчёт и измерение размеров.
Решение: Мы использовали технологию сегментации объектов — система обводит каждый профиль по контуру, а не просто рисует прямоугольник вокруг. Это позволяет разделять перекрытые объекты и измерять площадь каждого независимо. Для обучения мы собрали датасет с искусственным перекрытием профилей и дообучили модель на этих данных.
Перепады освещения в разных зонах склада. Дневной свет через окна + искусственное освещение создавали неравномерную картину, что влияло на точность распознавания.
Решение: Установили дополнительные LED-осветители с регулируемой яркостью и добавили в датасет изображения с разными условиями освещения. Нейросеть научилась корректировать изображение перед анализом.
Вибрация от работы погрузчиков. Камеры смещались при интенсивной работе складской техники, что приводило к изменению ракурса съёмки.
Решение: Разработали усиленные крепления для камер с виброгасящими элементами. Это исключило смещение и сохранило стабильность изображения.
Результат
Учёт металлопроката на складе стал полностью автоматическим и надёжным. Каждая ячейка проверяется в реальном времени, что исключает расхождения между фактическим остатком и данными в учётной системе.
Количественные показатели (после 3 месяцев эксплуатации):
Экономический эффект:
- Сокращение ФОТ учётчиков — высвобождение 3 сотрудников от рутинной инвентаризации
- Снижение потерь от пересортицы — 600 000 руб. в год
- Ускорение оборачиваемости склада — за счёт актуальных данных об остатках
- Окупаемость системы — 5 месяцев
Операционные выгоды:
- Меньше рекламаций — расхождения фиксируются на раннем этапе, некондиционные отгрузки почти не доходят до клиентов
- Автоматизация контроля — исключает ручной осмотр, можно перераспределить персонал на другие задачи
- Проактивное управление складом — данные помогают выявлять условия, вызывающие расхождения, и корректировать процессы заранее
- Готовность решения к тиражированию на другие площадки компании
Примечание: некоторые детали проекта изменены в целях соблюдения NDA. Все цифры основаны на реальных метриках внедрения.
ИП "Бородин Степан Алексеевич"
ИНН 665898804946
© Acmenra 2019 - 2026