Πώς ερμηνεύει η Βιομηχανική Όραση Τεχνητής Νοημοσύνης μια εικόνα ελαττωμάτων προϊόντων;

Στα εργοστάσια εξαρτημάτων αυτοκινήτων, κάθε τεμάχιο εργασίας περνά από τον σταθμό επιθεώρησης. Στην παραδοσιακή λειτουργία επιθεώρησης, οι εργαζόμενοι εξετάζουν τα εξαρτήματα με μεγεθυντικούς φακούς για να ελέγξουν για γρατζουνιές, γρέζια και ρωγμές. Παρά την τυποποιημένη επαγγελματική εκπαίδευση για όλους τους επιθεωρητές, η ανθρώπινη κρίση ποικίλλει από άτομο σε άτομο κατά την αναγνώριση μικρών ανεπαίσθητων ατελειών. Επιπλέον, η παρατεταμένη εντατική οπτική εργασία προκαλεί αναπόφευκτα κόπωση των ματιών και κόπωση του εργαζομένου.

Από την εμφάνιση της επιθεώρησης ποιότητας με βιομηχανική όραση AI, η ροή εργασίας έχει αναβαθμιστεί πλήρως: μόλις ένα εξάρτημα φτάσει στον σταθμό, οι βιομηχανικές κάμερες καταγράφουν την εικόνα του μέσα σε ένα δευτερόλεπτο. Το σύστημα AI λαμβάνει άμεσα αποφάσεις, για παράδειγμα επισημαίνοντας ένα εξάρτημα "ακατάλληλο λόγω γρατζουνιάς 0,5 χιλιοστών", και απορρίπτει αυτόματα τα ελαττωματικά προϊόντα. Εν τω μεταξύ, αρχειοθετεί τις κατηγορίες ελαττωμάτων και παρέχει ανατροφοδότηση στα εξοπλισμό παραγωγής για αξιολόγηση βελτιστοποίησης παραμέτρων.

Πολλοί άνθρωποι αναρωτιούνται πώς η όραση AI ανιχνεύει με ακρίβεια τα ελαττώματα των προϊόντων. Σήμερα θα αναλύσουμε λεπτομερώς τις υποκείμενες αρχές λειτουργίας της.

Η Βιομηχανική Όραση AI δεν είναι απλώς μια βιομηχανική κάμερα ούτε αυτόνομο λογισμικό. είναι ένα ολοκληρωμένο σύστημα πλήρους στοίβας.

Η πλήρης ροή εργασίας παρατίθεται ως εξής:

Τεμάχιο Εργασίας → Οπτικό Σύστημα Απεικόνισης (Μάτια) → Λήψη Εικόνας μέσω Βιομηχανικών Κανόνων → Υλικό Υπολογιστικής Αιχμής (Εγκέφαλος Όρασης) → Ανάλυση από Αλγορίθμους Όρασης AI → Κρίση Ελαττώματος → Εκτέλεση & Ανατροφοδότηση μέσω MES/PLC → Διαχείριση Ποιότητας Κλειστού Βρόχου.

Για να διευκολύνουμε την διαισθητική κατανόηση, κάνουμε μια αναλογία μεταξύ του ανθρώπινου σώματος και του συστήματος Βιομηχανικής Όρασης AI:

Το βασικό υλικό για την οπτική λήψη είναι η βιομηχανική κάμερα, η οποία διαφέρει δραστικά από τις καταναλωτικές κάμερες για καθημερινή χρήση. Οι κάμερες smartphone είναι βελτιστοποιημένες για την ανθρώπινη όραση, δίνοντας προτεραιότητα στην αναπαραγωγή χρωμάτων και την οπτική ευκρίνεια. Αντίθετα, οι βιομηχανικές κάμερες εστιάζουν στη σταθερότητα των pixel, τη δειγματοληψία υψηλής ταχύτητας, τη διαστατική ακρίβεια και την οπτική συνέπεια.

Διάφοροι τύποι καμερών αναπτύσσονται για να προσαρμοστούν σε διακριτά σενάρια ανίχνευσης και αντικείμενα, με τρεις κύριες κατηγορίες: κάμερες σάρωσης περιοχής, κάμερες σάρωσης γραμμής και κάμερες υψηλής ταχύτητας. Οι βασικές τους διαφορές εξηγούνται παρακάτω:

1. Κάμερα Σάρωσης Περιοχής

   Καταγράφει μια πλήρη ορθογώνια εικόνα σε μία έκθεση, παρόμοια με τη φωτογραφία smartphone. Ιδανική για την επιθεώρηση στατικών ή χαμηλής ταχύτητας μεμονωμένων τεμαχίων εργασίας, χρησιμοποιείται ευρέως για μετρήσεις διαστάσεων και ανίχνευση επιφανειακών ελαττωμάτων μηχανικών εξαρτημάτων.

2. Κάμερα Σάρωσης Γραμμής

   Καταγράφει μόνο μία γραμμή pixel ανά έκθεση, στη συνέχεια συνδυάζει αμέτρητα καρέ γραμμής σε μια πλήρη εικόνα, λειτουργώντας σαν σαρωτής. Είναι προσαρμοσμένη για συνεχώς κινούμενα αντικείμενα μακριάς λωρίδας, όπως χαλύβδινες λωρίδες, ύφασμα και χαρτί, επιτρέποντας επιθεώρηση ευρέος πεδίου εξαιρετικά υψηλής ανάλυσης.

3. Κάμερα Υψηλής Ταχύτητας

   Διαθέτει εξαιρετικά υψηλούς ρυθμούς καρέ (έως χιλιάδες καρέ ανά δευτερόλεπτο), καταγράφοντας παροδικά φαινόμενα αόρατα στα ανθρώπινα μάτια, όπως η πτήση σφαίρας και οι δοκιμές σύγκρουσης.

Οι φακοί και οι πηγές φωτός είναι δύο άλλα κρίσιμα οπτικά στοιχεία. Οι δακτυλιοειδείς φωτισμοί, οι ομοαξονικοί φωτισμοί και οι φωτισμοί μπάρας χρησιμοποιούνται ευρέως σε διαφορετικά σενάρια. Ουσιαστικά, ο οπτικός σχεδιασμός καθορίζει εάν το σύστημα AI μπορεί να συλλάβει αποτελεσματικά έγκυρες οπτικές πληροφορίες.

Αυτός είναι ο κεντρικός σύνδεσμος ολόκληρου του συστήματος. Οι άνθρωποι κρίνουν τα ελαττώματα των προϊόντων βασιζόμενοι στη συσσωρευμένη εμπειρία και τους τυποποιημένους κανόνες επιθεώρησης. Αντίθετα, η AI πρώτα μετατρέπει τις οπτικές εικόνες σε μαζικούς ψηφιακούς πίνακες, στη συνέχεια αναγνωρίζει ρωγμές, χρωματικές αποκλίσεις, παραμορφώσεις σχήματος και άλλες ανωμαλίες μέσω αριθμητικής σύγκρισης.

Η λογική μοιάζει με την ανθρώπινη μάθηση: οι άνθρωποι μαθαίνουν σταδιακά τα χαρακτηριστικά των γατών (αυτιά, σχήμα σώματος, χρώμα) μετά από επαναλαμβανόμενη παρατήρηση, και στη συνέχεια μπορούν να διακρίνουν τις γάτες από άλλα πλάσματα. Ομοίως, η AI χρειάζεται προ-εκπαίδευση με σύνολα δεδομένων. Σε πολλά πρακτικά βιομηχανικά σενάρια όπου τα δείγματα ελαττωμάτων είναι σπάνια, το σύστημα μπορεί να εκπαιδευτεί αποκλειστικά με μαζικά δείγματα κατάλληλων προϊόντων. Μόλις ένα αντικείμενο αποκλίνει από τα κανονικά χαρακτηριστικά αναφοράς, το σύστημα θα ενεργοποιήσει αμέσως έναν συναγερμό.

Με την τεχνολογική πρόοδο, η AI μπορεί να αναγνωρίσει ένα ολοένα και ευρύτερο φάσμα κατασκευαστικών ελαττωμάτων, τα οποία ταξινομούνται σε τέσσερις κύριες κατηγορίες:

• Ελαττώματα Εμφάνισης: γρατζουνιές, λεκέδες, ρωγμές, χρωματική απόκλιση
• Ελαττώματα Διαστάσεων: σφάλματα ανοίγματος, μετατόπιση συναρμολόγησης, ανώμαλα κενά
• Ελαττώματα Συναρμολόγησης: ελλείποντα εξαρτήματα, αντίστροφη τοποθέτηση, ελλείποντα βίδες
• Ελαττώματα Διαδικασίας: ανώμαλη συγκόλληση, ανεπαρκής απόδοση κόλλας, μετατόπιση εκτύπωσης

Πολλά εργοστάσια χρησιμοποιούν μόνο την επιθεώρηση όρασης για απλές υπενθυμίσεις συναγερμού μετά την ανίχνευση ελαττωμάτων. Ωστόσο, η μεγαλύτερη βιομηχανική αξία έγκειται στη δημιουργία ενός πλήρους κλειστού βρόχου παραγωγής. Η ιδανική ροή εργασίας κλειστού βρόχου είναι:

Ανίχνευση ελαττωμάτων AI → Δημιουργία αποτελεσμάτων → Ειδοποίηση στο σύστημα διαχείρισης ποιότητας → Εντολή ελέγχου PLC → Εκτέλεση απόρριψης ελαττώματος → Ανατροφοδότηση προσαρμογής παραμέτρων / διακοπής παραγωγής, σχηματίζοντας έναν πλήρη κλειστό βρόχο ανίχνευσης, ανάλυσης και βελτιστοποίησης.

Από την οπτική γωνία της εταιρικής προμήθειας, οι απαιτούμενες εγκαταστάσεις ταξινομούνται σε επίπεδα υλικού και λογισμικού:

1. Εξοπλισμός απεικόνισης: βιομηχανικές κάμερες, φακοί, πηγές φωτός, ενεργοποιητές
2. Εξοπλισμός υπολογιστών: βιομηχανικοί υπολογιστές IPC, διακομιστές GPU, κουτιά υπολογιστών αιχμής AI
3. Εκτελεστικός εξοπλισμός: ελεγκτές PLC, ρομποτικοί χειριστές, μηχανισμοί διαλογής

1. Λογισμικό επεξεργασίας εικόνας: υπεύθυνο για τη λήψη και προεπεξεργασία εικόνας
2. Πλατφόρμα αλγορίθμων όρασης AI: υπεύθυνη για την εκπαίδευση και επανάληψη μοντέλων
3. Διεπαφές βιομηχανικών συστημάτων: σύνδεση με συστήματα MES, QMS, ERP και PLC

Ο εξοπλισμός με πλήρες υλικό και λογισμικό δεν εγγυάται την επιτυχία του έργου. Συνοψίζοντας από άφθονες βιομηχανικές περιπτώσεις, οι 3 συχνότερες αιτίες αποτυχίας είναι οι εξής:

1. Κακή οπτική διάταξη: Οι συνθήκες φωτισμού καθορίζουν άμεσα την ποιότητα των συλλεγόμενων δεδομένων εικόνας, και ο ακατάλληλος φωτισμός είναι η πιο διαδεδομένη βασική αιτία.
2. Ανεπαρκή δείγματα ελαττωμάτων: Η AI βασίζεται σε ιστορικά δεδομένα ελαττωμάτων για την εκπαίδευση μοντέλων. ανεπαρκή δείγματα θα οδηγήσουν σε εξαιρετικά χαμηλή ακρίβεια ανίχνευσης.
3. Μόνο επιθεώρηση ανοιχτού βρόχου: Τα ανιχνευθέντα ελαττώματα δεν συνδέονται με τα συστήματα ελέγχου παραγωγής, με αποτέλεσμα επαναλαμβανόμενα πανομοιότυπα σφάλματα παραγωγής χωρίς βελτιώσεις.