Dosahování výrobní excelence pomocí modelů rozpoznávání obrazu pro detekci povrchových defektů

Průměrné náklady na špatnou kvalitu produktů ve výrobním průmyslu jsou přibližně 20 % z celkových tržeb. Kontrola kvality hraje zásadní roli ve mnoha odvětvích a schopnost detekovat a identifikovat povrchové defekty je nejvyšší důležitosti. Tradiční metody manuální inspekce, které se spoléhají na lidské vnímání a úsudek, často selhávají vzhledem k spotřebě času, subjektivitě a lidské chybě.

Nicméně s pokroky v umělé inteligenci a modelech rozpoznávání obrazu je nyní možné automatizovat procesy detekce povrchových defektů s větší přesností a efektivitou. V tomto blogu budeme prozkoumávat koncept využití modelů rozpoznávání obrazu pro detekci povrchových defektů a diskutovat o příkladu použití ve výrobě oceli. Rozdělením inspekčního procesu na samostatné kroky se pokusíme pochopit, jak systémy poháněné umělou inteligencí mohou přesně detekovat a klasifikovat povrchové defekty.

Výzvy v detekci povrchových defektů

Různé komplikace v detekci povrchových defektů ve výrobním, automobilovém, elektronickém a textilním průmyslu mohou vést k vadám v kvalitě produktů. Složitost výrobních závad představuje významnou bariéru pro organizace, což může vést k ohrožení integrity produktů a nespokojenosti zákazníků. Rychlost, s jakou fungují výrobní linky, vyžaduje rychlé mechanismy identifikace defektů, což zdůrazňuje naléhavost řešení pro detekci v reálném čase. Některé z hlavních překážek efektivní detekce defektů jsou:

• Různorodost a složitost defektů: Výrobní procesy mohou vést k širokému spektru defektů, lišících se velikostí a složitostí. Například ve výrobě automobilů se defekty mohou pohybovat od jemných vad ve vrstvě barvy až po strukturální anomálie, což činí detekci a klasifikaci náročným úkolem.
• Vysoké výrobní rychlosti: Průmysly, jako je spotřební elektronika, vyžadují rychlou identifikaci defektů, aby se zabránilo tomu, že vadné položky se dostanou na trh. Například při sestavování desek s plošnými spoji je rychlá identifikace problémů se svařováním zásadní pro udržení spolehlivosti produktů a spokojenosti zákazníků.
• Zpracování v reálném čase: Průmysl farmaceutik vyžaduje detekci v reálném čase, aby zajistil bezpečnost a soulad produktů. Detekce defektů v povlaku tablet, například, brání kompromitování kvality léků a potenciálním problémům s regulacemi.
• Manuální vizuální inspekce: Zahrnuje prohlížení produktů za účelem detekce povrchových defektů a nepravidelností. Díky manuální povaze tohoto procesu může být časově náročné, zejména u velkých množství, což vede k zpoždění toku práce. Je také náchylné k přehlédnutí nebo nesprávné klasifikaci defektů během prodloužených inspekčních období. Manuální inspekce silně závisí na individuálním odborném znalostech, které mohou postrádat škálovatelnost a dostupnost.

Výhody použití umělé inteligence

Systémy založené na umělém rozumu nabízejí slibné řešení problémů, kterým čelí tradiční metody manuální vizuální inspekce ve výrobním průmyslu.

• Pomocí umělé inteligence a modelů rozpoznávání obrazu mohou systémy založené na umělém rozumu poskytnout konzistentní a objektivní detekci defektů, minimalizující dopad lidské subjektivity.
• Tyto systémy jsou schopny analyzovat velké objemy dat s pozoruhodnou rychlostí a přesností, což vede k významnému snížení doby inspekce a zlepšení celkové efektivity.
• Modely založené na umělém rozumu lze vyškolit k detekci i jemných nebo obtížně identifikovatelných defektů, které mohou uniknout lidským inspektorům, čímž se překonávají limity lidského vizuálního vnímání a zvyšuje se celková přesnost identifikace defektů.
• Na rozdíl od manuálních inspekcí, které silně závisí na dovednostech a odborném znalostech jednotlivých inspektorů, systémy založené na umělém rozumu nejsou závislé na individuální způsobilosti, což je činí škálovatelnými a adaptabilními pro různé scénáře inspekce.
• S kontinuálním učením a zlepšováním se tyto systémy mohou vyvíjet, aby zvládly složitější vzorce defektů, a poskytují stále spolehlivější a efektivnější kontrolu kvality.

Tři fáze zpracování defektů

Modely detekce obrazu integrují sílu hlubokého učení a pečlivě navržené rámce, aby splnily několik úkolů s velkou přesností. Vynikají v klíčových fázích zpracování defektů: detekci, klasifikaci a lokalizaci, poskytujíce lepší řešení ve srovnání s konvenčními metodami.

Pomocí těchto tří fází zpracování defektů mohou průmysly optimalizovat procesy kontroly kvality a zajistit, aby se účinná nápravná opatření provedla včas.

Další generace systémů založených na umělém rozumu pro vizuální inspekci

Ve společnosti Sigmoid jsme vyvinuli řešení, které využívá nejmodernější algoritmy hlubokého učení speciálně navržené pro zpracování obrazu. Zásadní součástí je jeho pečlivá optimalizace každé fáze procesu zpracování defektů, využívající přizpůsobené architektury zaměřené na specifické aspekty, aby zajistily výjimečné výkony.

Detekce a klasifikace: První dvě fáze, detekce a klasifikace, využívají předem vyškolený architektonický model CNN, který je navržen pro zlepšení efektivity a účinnosti extrakce funkcí. Tento předem vyškolený model prošel rozsáhlým školením na velkém datasetu, což je zvláště výhodné, když máme omezená data specifická pro případ použití. Pro další zajištění robustnosti a spolehlivosti našeho rámce jsou použity různé techniky augmentace, zvyšující jeho účinnost v reálných scénářích.

Lokalizace: Tato fáze využívá vyhrazenou architekturu hlubokého učení, která je speciálně navržena pro semantickou segmentaci, kde cílem je nejen klasifikovat každý pixel, ale také vymezit hranice objektů. Skládá se z encoderové cesty pro zachycení kontextových informací a symetrické decoderové cesty pro obnovení prostorových detailů. Tato struktura umožňuje zachytit globální i lokální funkce, které jsou zásadní pro přesnou lokalizaci. Kromě toho má každý typ defektu svůj individuální model lokalizace, který je schopen zachytit jedinečné funkce, které jsou pro něj charakteristické.

Během tohoto procesu naše řešení udržuje vysokou míru přesnosti ve všech třech fázích zpracování defektů. Ilustrace našeho vlastního řešení je uvedena níže:

Závěr

Využití modelů rozpoznávání obrazu pro detekci povrchových defektů představuje novou éru v kontrole kvality. Systémy poháněné umělou inteligencí nabízejí konzistentní, objektivní detekci, urychlují proces a zlepšují přesnost. Identifikují jemné defekty, překonávají lidské schopnosti, a jsou škálovatelné napříč různými scénáři. Přijetí této technologie nejen snižuje náklady, ale také zvyšuje spolehlivost produktů a konkurenceschopnost, což představuje významný krok vpřed ve výrobní efektivitě a excelenci.