Досягнення виробничої досконалості за допомогою моделей розпізнавання зображень для виявлення поверхневих дефектів

В середньому, вартість низької якості продукції для виробничих галузей становить близько 20% від загальних продажів. Контроль якості відіграє важливу роль у багатьох галузях, а можливість виявлення та ідентифікації поверхневих дефектів має першорядне значення. Традиційні методи ручного контролю, які спираються на людське сприйняття та судження, часто виявляються недостатніми за часом, суб’єктивністю та людською помилкою.

Однак, завдяки досягненням у галузі штучного інтелекту та моделей розпізнавання зображень, тепер стало можливим автоматизувати процеси виявлення поверхневих дефектів з більшою точністю та ефективністю. У цьому блозі ми розглянемо концепцію використання моделей розпізнавання зображень для виявлення поверхневих дефектів та обговоримо приклад використання у сталеливарній промисловості. Розбиваючи процес контролю на окремі етапи, ми намагаємось зрозуміти, як системи, що працюють на основі штучного інтелекту, можуть точно виявляти та класифікувати поверхневі дефекти.

Виїви у виявленні поверхневих дефектів

Різноманітність ускладнень у виявленні поверхневих дефектів для галузей, таких як виробництво, автомобільна промисловість, електроніка та текстиль, може привести до дефектів у якості продукції. Складність у виробничих дефектах становить значний бар’єр для організацій, потенційно призводячи до компрометації цілісності продукції та незадоволеності клієнтів. Швидкість, з якою працюють виробничі лінії, вимагає швидкого механізму ідентифікації дефектів, підкреслюючи необхідність реального часу для виявлення дефектів. Деякі з ключових перешкод для ефективного виявлення дефектів:

• Розмаїття та складність дефектів: Виробничі процеси можуть призвести до різноманітних дефектів, які відрізняються за розміром та складністю. Наприклад, у автомобільній промисловості дефекти можуть варіюватися від тонких недоліків фарби до структурних аномалій, що робить постійне виявлення та класифікацію складною задачею.
• Висока швидкість виробництва: Галузі, такі як виробництво споживчої електроніки, потребують швидкого виявлення дефектів, щоб запобігти потраплянню дефектної продукції на ринок. Наприклад, у виробництві плат швидке виявлення проблем з пайкою є важливим для підтримання надійності продукції та задоволеності клієнтів.
• Реальний час обробки: Фармацевтична промисловість потребує реального часу для виявлення дефектів, щоб забезпечити безпеку продукції та відповідність нормативним вимогам. Виявлення дефектів у покритті таблеток, наприклад, запобігає зниженню якості ліків та потенційним проблемам з регулюванням.
• Ручний візуальний контроль: Означає ретельний огляд продукції на наявність поверхневих дефектів та аномалій. Через ручний процес це може бути часу споживаючим, особливо для великих партій, що призводить до затримок у робочому процесі. Це також схильне до пропуску дефектів або неправильної класифікації під час тривалого періоду інспекції. Ручний контроль сильно залежить від індивідуальної експертизи, яка може бути не масштабованою та недоступною.

Переваги використання штучного інтелекту

Системи візуального контролю на основі штучного інтелекту пропонують перспективне рішення для подолання викликів, пов’язаних з ручним візуальним контролем у виробничій галузі.

• Застосовуючи штучний інтелект та моделі розпізнавання зображень, системи на основі штучного інтелекту можуть забезпечити постійне та об’єктивне виявлення дефектів, мінімізуючи вплив людської суб’єктивності.
• Ці системи мають можливість аналізувати великі об’єми даних з помітною швидкістю та точністю, що призводить до значного скорочення часу інспекції та поліпшення загальної ефективності.
• Моделі штучного інтелекту можуть бути навчені для виявлення навіть тонких або важкоідентифікованих дефектів, які можуть бути пропущені людськими інспекторами, перевершуючи обмеження людського візуального сприйняття та підвищуючи загальну точність ідентифікації дефектів.
• На відміну від ручних інспекцій, які сильно залежать від навичок та експертизи окремих інспекторів, системи візуального контролю на основі штучного інтелекту не залежать від індивідуальної майстерності, що робить їх масштабованими та адаптованими до різних сценаріїв інспекції.
• З постійним навчанням та покращенням, ці системи можуть еволюціонувати для обробки складних моделей дефектів та забезпечувати все більш надійний та ефективний контроль якості.

Три етапи обробки дефектів

Моделі розпізнавання зображень інтегрують потужність глибокого навчання та ретельно розробленої структури для виконання кількох завдань з великою точністю. Вони виділяються у ключових етапах обробки дефектів: виявлення, класифікація та локалізація, забезпечуючи краще рішення порівняно з традиційними методами.

Застосовуючи ці три етапи обробки дефектів, галузі можуть оптимізувати свої процеси контролю якості та забезпечити ефективні заходи для усунення дефектів учасно.

Наступне покоління систем візуального контролю на основі штучного інтелекту

У Sigmoid ми розробили рішення, яке використовує передові алгоритми глибокого навчання, спеціально розроблені для обробки зображень. Критично важливим компонентом є ретельна оптимізація кожного етапу процесу обробки дефектів, використання спеціальних архітектур, які фокусуються на конкретних аспектах для забезпечення виняткової продуктивності.

Виявлення та класифікація: Перші два етапи, виявлення та класифікація, використовують попередньо навчену архітектуру CNN, розроблену для покращення ефективності та продуктивності видобування ознак. Ця попередньо навчена модель вже пройшла інтенсивне навчання на великому наборі даних, що особливо корисно, коли у нас обмежений набір даних, специфічний для використання. Для подальшого забезпечення стійкості та надійності нашої структури застосовуються різні техніки збільшення, підвищуючи її ефективність у реальних сценаріях.

Локалізація: Цей етап використовує спеціальну архітектуру глибокого навчання, розроблену спеціально для семантичної сегментації, де метою є не тільки класифікація кожного пікселя, але й визначення меж об’єктів. Вона складається з шляху кодування для захоплення контекстної інформації та симетричного шляху декодування для відновлення деталей простору. Ця структура допомагає у захопленні як глобальних, так і локальних ознак, критично важливих для точної локалізації. Крім того, кожен окремий тип дефекту має свою індивідуальну модель локалізації, здатну захоплювати особливі ознаки, властиві цьому дефекту.

На протяжі всього процесу наше рішення підтримує високий рівень точності на всіх трьох етапах обробки дефектів. Ілюстрація нашої пропрієтарної структури рішення наведена нижче:

Висновок

Використання моделей розпізнавання зображень для виявлення поверхневих дефектів відкриває нову еру в 控ролі якості. Системи на основі штучного інтелекту пропонують постійне та об’єктивне виявлення дефектів, прискорюючи процес та підвищуючи точність. Вони ідентифікують тонкі дефекти, перевершуючи людські можливості, та є масштабованими у різних сценаріях. Прийняття цієї технології не тільки знижує витрати, але й підвищує надійність продукції, та підвищує конкурентоспроможність, що позначається як істотний крок вперед у виробничій ефективності та досконалості.