О компании и проекте
ООО «ЦИМУС» - производители удобрений. В 2026 году мы запускаем собственную систему контроля качества на базе машинного зрения на действующих линиях.
Задача системы - автоматически выявлять брак (перекос крышки, кривая этикетка, сколы и царапины, недолив, дефект шва упаковки) и останавливать линию до того, как дефектная продукция дойдёт до клиента.
Мы ищем инженера, который доведёт эту систему от концепции до стабильной промышленной эксплуатации. Старт - прототип на действующем производстве; далее - масштабирование на другие линии и площадки.
Суть роли
Вам ставят проблему, а не пошаговое задание: «нужно ловить брак и останавливать линию». Дальше вы сами определяете решение - какие камеры и освещение использовать, где их разместить, какую модель обучить, как завести сигнал остановки на линию.
Программную часть вы реализуете самостоятельно, а монтаж выполняют специалисты на производстве, по вашим требованиям.
Это роль для самостоятельного инженера, который сам формирует техническое решение, а не ждёт детального ТЗ на каждый шаг.
Зона ответственности
-
Разработка программной части системы машинного зрения: обучение нейросетевых моделей детекции дефектов и реализация классических (rule-based) алгоритмов - измерение крышки, геометрия шва, метрология в кадре.
-
Построение рабочего пайплайна: захват кадра по датчику или энкодеру, предобработка изображения, инференс, принятие решения «годен / брак».
-
Интеграция с линией: передача сигнала на ПЛК для остановки линии и управления отбраковкой (дискретные сигналы, реле, «сухой контакт»), привязка весового контроля и сигнализации постов.
-
Выбор технического решения: подбор камер, оптики и схемы освещения, проектирование схемы размещения и постановка задач монтажной бригаде.
-
Ввод системы в эксплуатацию: запуск, отладка (борьба с ложными срабатываниями, бликами, задержкой останова), доведение до стабильной работы по целевым показателям.
-
Сбор и разметка датасета непосредственно на производстве, дообучение модели по мере накопления данных.
Требования (обязательно)
-
Реальный опыт ввода систем машинного зрения в эксплуатацию на производстве - не лабораторное обучение моделей, а доведение системы до устойчивой работы на действующей линии.
-
Уверенный Python и OpenCV; обучение нейросетей (PyTorch / Ultralytics, семейство YOLO или аналоги). Умение работать как с нейросетевым, так и с классическим зрением.
-
Опыт интеграции зрения с ПЛК и линией: дискретные сигналы, реле, сигнал на привод или отбраковыватель.
-
Работа с промышленными камерами (GigE Vision и аналоги), подбор оптики и освещения под конкретную задачу.
-
Самостоятельность: способность вывести техническое решение из постановки проблемы без пошагового ТЗ.
Будет преимуществом
-
C++ для ускорения инференса на контроллере.
-
Опыт с контроллерами машинного зрения (например, Hikrobot).
-
Понимание промышленных протоколов (Modbus / OPC UA, цифровой I/O).
-
Чтение компоновочных схем, базовые навыки CAD.
-
Опыт в розливной, упаковочной, пищевой или химической промышленности.
Это не ваша роль, если
-
Вы чистый ML-исследователь: обучаете модели, но ПЛК, линию и пусконаладку никогда не трогали.
-
Вы инженер АСУ ТП без опыта в машинном зрении.
-
Вам нужно детальное ТЗ на каждый шаг - здесь вы сами ставите задачи.
Условия
-
Формат - удалённая работа.
-
Выезды на производственную площадку (Москва / Пенза) - разовые, по необходимости: познакомиться с процессом, помочь с установкой и запуском, разобрать проблему на месте. Постоянного присутствия в этих городах не требуется.
Как откликнуться
В отклике коротко ответьте на один вопрос: расскажите про систему машинного зрения, которую вы лично вводили в эксплуатацию - от выбора камеры и освещения до сигнала на линию. Что пошло не так и как вы это исправили?
Развёрнутый ответ на этот вопрос для нас важнее формального резюме.
