На Кисловодском хлебозаводе внедрили систему нейросетевой видеоаналитики CVC, которая автоматически считает хлебобулочные изделия после выхода из печи и передаёт сведения о фактическом выпуске в 1С. Вместо учёта крупными партиями предприятие получает данные по каждой распознанной единице продукции.
На основной печи выпускается около 33 тыс. изделий в сутки. После настройки системы расхождение между автоматическим подсчётом и контрольными данными, как правило, составляет не более 30 изделий, то есть менее 0,1%. Результат проверяли ручным пересчётом и просмотром видеозаписей спорных событий.
От вагонетки на 256 изделий к поштучному учёту
До внедрения видеоаналитики продукцию считали вручную по вагонеткам. В одну вагонетку помещалось 256 изделий, поэтому пропущенная или неправильно учтённая партия могла дать к концу смены расхождение уже в сотни единиц. После завершения производства проверить правильность такого учёта было сложно: фактически предприятие располагало только цифрой, которую передавал сотрудник.
Для автоматического контроля выбрали участок непосредственно после печи. Это сложная точка для обычных дискретных датчиков: изделия движутся широким потоком, могут находиться на подносах, а ассортимент в течение смены меняется. Датчик присутствия способен фиксировать прохождение объекта, но сам по себе не определяет, какой именно вид продукции находится в кадре и сколько изделий одновременно проходит через контролируемую зону.
По словам разработчика системы, на основной печи нейросеть различает девять классов продукции — несколько типов и весовых исполнений батонов, рогалики и другие изделия. Каждая распознанная единица формирует отдельное событие, связанное с видеозаписью. Оператор получает сводные данные по печам и наименованиям продукции, а сведения о количестве автоматически передаются в действующую систему 1С.
На каждой подключённой печи используется отдельная камера. До проекта собственного видеонаблюдения на этих участках не было: схему размещения камер подготовила CVC, монтаж выполнила эксплуатационная служба предприятия, а настройку проводили дистанционно. Таким образом, система была встроена непосредственно в существующее производство без отдельной перестройки технологической линии.
От пилота до четырёх печей
Первый пилот запустили осенью 2025 года на одной печи. От заключения договора до промышленного подсчёта прошло около двух месяцев, причём значительную часть времени заняла установка оборудования. Первую очередь сдали в декабре, и в том же месяце предприятие заказало расширение ещё на три печи.
С апреля 2026 года система работает уже на четырёх печах в промышленном режиме. При этом выход на нынешнюю точность потребовал дополнительной работы: после первых результатов алгоритм подсчёта перестроили по предложению предприятия, а дальнейшая настройка заняла ещё около двух месяцев. Проверка точности на стороне завода продолжалась примерно месяц — результаты системы сравнивали с ручным учётом, а спорные случаи просматривали по сохранённым видеозаписям.
Это важная часть проекта: видеоаналитика здесь выполняет сразу две функции. Первая — формирует фактическое количество выпущенных изделий. Вторая — оставляет проверяемое событие, к которому можно вернуться при расхождении. В обычном ручном учёте после окончания смены восстановить происхождение ошибки значительно сложнее.
Фактический выпуск теперь сопоставляется с производственными данными мастеров, а обнаруженные расхождения можно разбирать по конкретным случаям. В результате 1С получает ещё один источник производственной информации — данные непосредственно с технологического участка, а не только итоговую цифру, сформированную человеком.
Следующий этап — сырьё и контроль технологического времени
Предприятие рассматривает дальнейшее использование данных машинного зрения уже за пределами подсчёта готовой продукции. Один из следующих этапов — учёт расхода сырья. Если система достоверно показывает фактический выпуск, предприятие может точнее сопоставлять количество полученной продукции с использованным сырьём и пересматривать нормы расхода.
Более дальнее направление — контроль движения тележек по производственному цеху. В хлебопекарном производстве это может использоваться для отслеживания продолжительности расстойки и соблюдения технологического регламента. Кисловодский хлебозавод также рассматривает распространение решения на другие площадки группы.
Для зерновой отрасли здесь интересна архитектура проекта: камера → распознавание объекта или события → цифровая запись → передача результата в учётную систему. Машинное зрение может дополнять обычные датчики там, где необходимо одновременно определить количество и тип видимых объектов, например, при учёте мешков с мукой или комбикормом, паллетированной продукции, транспортных единиц или контроле отдельных операций погрузки.
При этом такую систему нельзя считать заменой весового оборудования для непрерывного потока зерна. Для массового учёта сыпучего продукта остаются нужны автомобильные и вагонные весы, бункерные весы, расходомеры и другие специализированные средства измерения. Машинное зрение полезно как дополнительный источник объективных производственных событий и как способ связать визуально контролируемые операции с общей системой учёта.
Для БАЗУ-Русь наиболее показательно, что камера в этом проекте работает уже не как обычное видеонаблюдение, а как производственный датчик, данные которого поступают в цифровой контур предприятия. Такой подход особенно интересен для автоматизации операций, где стандартный дискретный датчик не способен одновременно определить тип объекта, его количество и сохранить возможность последующей проверки события.
Источники
- Российский союз пекарей — внедрение CVC на Кисловодском хлебозаводе, поштучный учёт, интеграция с 1С, камеры на четырёх печах и проверка точности
- CVC — официальный сайт разработчика нейросетевой видеоаналитики для производственных процессов
- Администрация Кисловодска / городские информационные ресурсы — внедрение российской системы нейросетевой видеоаналитики на предприятии
