Kontrola delova direktno na liniji
Kamere snimaju unapred definisana svojstva delova ili ambalaže. Computer Vision označava odstupanja, a neizvesni nalazi idu na dodatnu proveru. Pravila kontrole i takt određuju povezivanje sa linijom.
Proizvodnja i kvalitet · Computer Vision
Ranije otkrivanje nedostataka uz AI vizuelnu kontrolu
Industrijska vizuelna kontrola može da otkrije moguće nedostatke već tokom proizvodnje, umesto tek na završnoj kontroli. Kamere snimaju definisane karakteristike delova ili proizvoda. U zavisnosti od zadatka, slike analiziraju klasični postupci obrade slike zasnovani na pravilima ili trenirani modeli veštačke inteligencije. Nalazi se zatim mogu koristiti za odluke u proizvodnji i kontroli kvaliteta.
Razvijamo i integrišemo takve sisteme – od prikupljanja slika i logike kontrole do razvoja modela kada je to opravdano i povezivanja sa mašinama, MES-om i sistemima za upravljanje kvalitetom. Pouzdane odluke zahtevaju ponovljive uslove snimanja, proverene kriterijume kontrole i jasnu reakciju na neizvesne nalaze.
Nedostaci se mogu ranije otkriti kada se relevantna svojstva proizvoda snimaju i proveravaju tokom proizvodnog koraka ili odmah nakon njega. Industrijska analiza slike može da prepozna oštećenja površine, nedostajuće komponente i nepravilnosti na pakovanju. Geometrijska odstupanja mogu se proveravati ako su optika, rezolucija, kalibracija i merna nesigurnost primereni zahtevanim tolerancijama.
Izbor između klasične obrade slike i Machine Learning modela zavisi od vrste greške i uslova na liniji. Kontrola mora da razlikuje stvarne nedostatke od dozvoljenih odstupanja. Rezultat može da pokrene dodatnu proveru, izdvajanje dela ili analizu parametara procesa, umesto automatske odluke u svakom slučaju.
Ovo su mogući slučajevi primene, ne izmereni rezultati kod klijenata. Izvodljivost zavisi od uslova snimanja, raspoloživih podataka, takta linije i radnje koja sledi nakon nalaza.
Kamere snimaju unapred definisana svojstva delova ili ambalaže. Computer Vision označava odstupanja, a neizvesni nalazi idu na dodatnu proveru. Pravila kontrole i takt određuju povezivanje sa linijom.
Slike kontrole povezujemo sa varijantom proizvoda, oznakom serije i vremenom snimanja. Tim za kvalitet može da prati pojedinačne nalaze i upoređuje vrste grešaka.
Nalaze vizuelne kontrole upoređujemo sa stanjem mašina i parametrima procesa kako bismo istražili odstupanja u proizvodnom kontekstu. Statistička povezanost može da ukaže na moguće uzroke, ali sama po sebi ne dokazuje uzročno-posledičnu vezu.
Optika, osvetljenje, položaj kamere, prikupljanje i označavanje slika i evaluacija modela deo su iste arhitektonske odluke. Dobar rezultat na laboratorijskim slikama ne dokazuje da će kontrola biti pouzdana na proizvodnoj liniji.
Razvijamo logiku detekcije uz Computer Vision i odvojeno merimo lažne uzbune i propuštene nedostatke po relevantnoj klasi greške. Kada to zahtevaju kašnjenje, mrežna povezanost ili uslovi rada, Edge AI omogućava lokalno izvršavanje modela. U okviru Data & AI Engineering povezujemo model, odluku o kvalitetu i stvarni proizvodni proces.
Nije svaka vizuelna razlika greška. Stručnjaci za kvalitet definišu relevantne vrste nedostataka, tolerancije i posledice svakog nalaza.
Merimo detekcije i propuštene slučajeve za svaku vrstu greške. Definišemo kada neizvesnost zahteva ljudsku proveru, umesto oslanjanja na jednu ukupnu metriku tačnosti.
Povezivanje sa upravljanjem linijom, MES-om i sistemima kvaliteta mora da poštuje takt, prava pristupa i sledljivost. Za otkaz kamere, prekoračenje vremena ili neizvestan nalaz potreban je definisan rezervni postupak, na primer dodatna provera umesto neproverenog prihvatanja dela.
Novi postupak poredimo sa postojećom kontrolom: tačno otkriveni nedostaci, propušteni slučajevi, lažne uzbune, dodatne ručne provere i vreme reakcije. U procenu ulaze i kamere, osvetljenje, označavanje podataka, integracija i redovna evaluacija. Primenu širimo tek kada su potvrđeni uslovi kontrole i operativna korist.
Počinjemo od jasno definisane vrste nedostatka i reprezentativnih snimaka iz proizvodnje. Detekciju proveravamo na odvojenim test podacima i u realnom taktu, uključujući različite varijante proizvoda i promene osvetljenja. Bez ponovljivih uslova snimanja i dogovorenih koraka za neizvesne nalaze ne obećavamo određeni stepen automatizacije.
Kada je potrebno, rezultate kontrole povezujemo kroz integraciju proizvodnih podataka kako bi se nalazi tumačili zajedno sa informacijama o mašinama i procesu.
Kada su relevantni nedostaci vidljivi na slici, jasno definisani i mogu da se snime u ponovljivim uslovima. Važni su i raspoloživo vreme kontrole i radnja koja sledi.
Ne uvek. Lokalno izvršavanje ima smisla kada su kašnjenje, ograničena povezanost ili uslovi rada prepreka udaljenom sistemu. Odluka zavisi od arhitekture proizvodnje.
Koristimo odvojene test podatke i pratimo lažne uzbune i propuštene nedostatke po vrsti greške. Provere ponavljamo kada se promene varijante, kamere ili uslovi snimanja.
Opišite mesto kontrole, najvažnije vrste nedostataka i dostupne slike ili senzorske podatke. Proverićemo tehničku izvodljivost, način evaluacije i integraciju potrebnu za prvi test u proizvodnim uslovima.