Цель исследования – разработка и апробация нейросетевой модели для детекции брака на производственном предприятии, осуществляющем выпуск продукции для детей дошкольного возраста, на базе предобученной модели YOLOv8. Данное решение было предложено для реализации в связи с регулярным получением отзывов с торговых площадок, связанных с теми или иными недокомплектами, что, в свою очередь, образуется ввиду использования ручного труда на предприятии. Попытки решить данный производственный вопрос без применения искусственного интеллекта успехом не увенчались ввиду значительного объема выпускаемых изделий и отсутствием технологий, способных на 100 % исключить данный фактор (брак при ручной сборке). Для проверки гипотезы был создан минимально жизнеспособный продукт, в основе которого был использован собственный размеченный датасет для обучения нейросети, состоящий из изображений выпускаемых изделий с детектируемыми объектами, в течение недели была обучена сама нейросеть на размеченных данных, а также была проведена адаптация результата для конечных пользователей с помощью написания простейшего фронтенда и реализации подключения видеокамеры в режиме реального времени. Модель в своей работе в режиме реального времени показала отличные результаты. Предложенное решение подтвердило первичную гипотезу, а также возможность успешного использования нейросетей на предприятиях Российской Федерации, выпускающих детскую продукцию.

The purpose of the study is to develop and test a neural network model for detecting defects at a manufacturing enterprise that produces products for preschool children based on the pre-trained YOLOv8 model. This solution was proposed for implementation in connection with the regular receipt of feedback from trading platforms related to certain deficiencies, which, in turn, is formed due to the use of manual labor in the enterprise. Attempts to solve this production issue without the use of artificial intelligence have not been successful due to the significant volume of products produced and the lack of technologies capable of 100% eliminating this factor (defects in manual assembly). To test the hypothesis, a minimally viable product was created, based on which its own marked-up dataset was used to train a neural network, consisting of images of manufactured products with detectable objects, within a week the neural network itself was trained on marked-up data, and the result was adapted for end users by writing the simplest frontend and implementing the connection of a video camera in real-time mode. The model has shown excellent results in its real-time operation. The proposed solution confirmed the primary hypothesis, as well as the possibility of successful use of neural networks at enterprises of the Russian Federation producing children’s products.