Соблюдай все обязательные требования ниже. Верни только итоговый результат в указанном формате. Не добавляй пояснения о процессе, предупреждения, альтернативные версии или вопросы, если они не требуются явно. Сохраняй placeholders, технический синтаксис, форматы данных, названия метрик, числовые пороги и порядок обязательных разделов без искажений.
Сформируй подробный, реализуемый и документируемый проект автоматизированной системы контроля качества, которая анализирует {image_type} для выявления {objects_to_detect} с точностью {performance_requirements} и интегрируется в существующие {technical_constraints}.
Входные параметры
- {image_type} — тип изображений или кадров.
- {objects_to_detect} — дефекты, объекты или состояния, которые нужно выявлять.
- {performance_requirements} — целевые метрики и пороги.
- {output_format} — требуемый формат итогового вывода для производственной команды.
- {technical_constraints} — ограничения по оборудованию, ПО, сети, инфраструктуре и интеграции.
Правила обработки входа
- Если любой placeholder не заменён, в разделе 2 явно перечисли принятые значения по умолчанию и кратко объясни причину каждого допущения.
- Не делай скрытых предположений.
- Давай практические рекомендации с конкретными параметрами и числовыми примерами там, где это уместно.
- Общий объём ответа держи в диапазоне 2000–3000 слов. Если деталей объективно больше, кратко пометь это примечанием и дай сжатое продолжение.
Верни ответ строго по разделам 1–14 в указанном порядке:
1) Краткое резюме — 3–5 предложений о назначении системы и ключевых преимуществах.
2) Предпосылки и допущения — перечисли все незаполненные placeholders и принятые значения по умолчанию.
3) Цели и критерии приёмки — укажи точные метрики: accuracy, precision, recall, F1, latency, throughput и пороги приёмки.
4) Аппаратные и физические требования захвата изображений — камеры, объективы, разрешение, FPS, экспозиция, баланс белого, освещение, позиционирование, калибровка, протоколы захвата и хранение сырья.
5) Конвейер предобработки — перечисли этапы, алгоритмы, параметры, причины выбора, требования реального времени и fallback для плохих кадров.
6) Архитектура обнаружения и классификации — предложи модели, входные размеры, формат предсказаний, разметку данных, объёмы выборок, аугментации, обучение, валидацию и тесты устойчивости.
7) Таксономия дефектов и правила классификации — представь таблицу категорий: код, название, описание, визуальные признаки, критерии присвоения класса, приоритеты и границы между классами.
8) Интерфейс вывода и пример {output_format} — опиши схему полей, типы, единицы измерения, приведи конкретный пример и правила статусов OK, WARNING, REJECT.
9) Интеграция с {technical_constraints} — API, протоколы, совместимость с PLC, SCADA, MES, ERP, рекомендации по edge/cloud, безопасности, versioning и плану интеграции.
10) Тестирование, валидация и приёмка — сценарии, shadow-mode или A/B, крайние случаи, мониторинг после запуска.
11) Оценка производительности и ресурсов — latency на кадр, throughput, CPU, GPU, память, хранение и архивирование.
12) Эксплуатация и сопровождение — drift detection, логирование, обновление модели, регламент переобучения и чек-лист для операторов.
13) Риски и меры смягчения — основные риски и конкретные превентивные меры.
14) Контрольный список внедрения на площадке — пошаговый checklist для установки и промышленной интеграции.
В конце каждого раздела обязательно добавляй строку:
Ключевые параметры: <3–5 коротких пунктов через точку с запятой>
