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

У середньому, вартість низької якості продукції для виробничих галузей становить близько 20% від загального обсягу продаж. 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 неефективними щодо витрат часу, суб’єктивності та людської помилковості.

Однак, завдяки розвитку 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 намагатимемося зрозуміти, як системи, що використовують штучний інтелект, можуть точно виявляти та класифікувати поверхневі дефекти.

Виклики у виявленні поверхневих дефектів

Різноманітні ускладнення у виявленні поверхневих дефектів для галузей, таких як виробництво, автомобільна промисловість, електроніка та текстильна промисловість, можуть привести до дефектів 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 систем реального часу. Деякі з ключових перешкод для ефективного виявлення дефектів включають:

• Різноманітність та складність дефектів: Виробничі процеси можуть призвести до появи різних дефектів, що відрізняються за розміром та складністю. Наприклад, у автомобільній промисловості дефекти можуть варіюватися від тонких недоліків фарбування до структурних аномалій, що робить їхню постійну ідентифікацію та класифікацію складним завданням.
• Високі швидкості виробництва: Галузі, такі як виробництво споживчої електроніки, потребують швидкої ідентифікації дефектів, щоб запобігти потраплянню дефектної продукції на ринок. Наприклад, під час складання друкованих плат швидка ідентифікація проблем з пайкою є важливою для підтримання якості продукції та задоволеності клієнтів.
• Обробка в реальному часі: Фармацевтична промисловість потребує ідентифікації дефектів в реальному часі, щоб забезпечити безпеку продукції та дотримання нормативних вимог. Виявлення дефектів у покритті таблеток, наприклад, запобігає компрометації якості ліків та потенційних проблем з регулюванням.
• Ручний візуальний контроль: Включає ретельний огляд продукції для виявлення поверхневих дефектів та аномалій. Через ручний характер процесу він може бути тривалим, особливо для великих обсягів продукції, що призводить до затримок у роботі. Крім того, ручний контроль схильний до пропуску дефектів або неправильної класифікації під час тривалих періодів огляду. Ручний контроль сильно залежить від індивідуальної кваліфікації, 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.

• Застосування штучного інтелекту та моделей розпізнавання зображень дозволяє забезпечити постійне та об’єктивне виявлення дефектів, мінімізуючи вплив людської суб’єктивності.
• Ці системи здатні аналізувати великі об’єми даних з вражаючою швидкістю та точністю, що призводить до значного скорочення часу контролю та покращення загальної ефективності.
• Системи, що використовують штучний інтелект, можуть бути навчені виявляти навіть тонкі або важкодетектовані дефекти, які можуть бути пропущені людськими інспекторами, перевершуючи обмеження людського візуального сприйняття та підвищуючи загальну точність ідентифікації дефектів.
• На відміну від ручних методів контролю, які сильно залежать від кваліфікації та досвіду окремих інспекторів, системи візуального контролю на основі штучного інтелекту не залежать від індивідуальної кваліфікації, що робить їх масштабованими та адаптованими до різних сценаріїв контролю.
• З постійним навчанням та покращенням ці системи можуть розвиватися для обробки складних моделей дефектів та забезпечувати все більш надійний та ефективний контроль якості.

Три етапи обробки дефектів

Моделі виявлення зображень інтегрують потужність глибокого навчання та ретельно розроблену структуру для виконання кількох завдань з великою точністю. Вони виділяються у трьох ключових етапах обробки дефектів: виявленні, класифікації та локалізації, 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.

Наступне покоління систем візуального контролю на основі штучного інтелекту

У компанії Sigmoid ми розробили рішення, яке використовує передові алгоритми глибокого навчання, спеціально розроблені для обробки зображень. Ключовим компонентом є ретельна оптимізація кожного етапу процесу обробки дефектів, використання спеціальних архітектур, що 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 витягання ознак. Ця попередньо навчена модель вже пройшла широке навчання на великому наборі даних, що особливо корисно, коли у нас обмежені дані, специфічні для конкретного випадку. Для подальшого забезпечення стабільності та надійності нашої структури застосовуються різні техніки збільшення, що підвищують 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 просторових деталей. Ця структура допомагає захоплювати як глобальні, так і локальні ознаки, що є важливими для точної локалізації. Крім того, кожен окремий тип дефекту має свою індивідуальну модель локалізації, здатну захоплювати особливі ознаки, властиві цьому дефекту.

На всіх етапах нашого рішення підтримується висока точність. Нижче наведено ілюстрацію нашої пропріетарної структури рішення:

Висновок

Застосування моделей розпізнавання зображень для виявлення поверхневих дефектів відкриває нову еру в контролі якості. Системи, що використовують штучний інтелект, забезпечують постійне та об’єктивне виявлення дефектів, прискорюють процес та покращують точність. Вони виявляють тонкі дефекти, перевершуючи людські можливості, та є масштабованими у різних сценаріях. Прийняття цієї технології не тільки знижує витрати, але й підвищує надійність продукції, підвищує конкурентоспроможність, роблячи значний крок вперед у напрямку виробничої ефективності та досконалості. ss і покращення точності. Вони виявляють тонкі дефекти, перевершуючи людські можливості, і є масштабованими в різних сценаріях. Прийняття цієї технології не тільки знижує витрати, але й підвищує надійність продукції, підвищує конкурентоспроможність, роблячи значний крок вперед у напрямку виробничої ефективності та досконалості.