Nasazení vizuální kontroly kvality s AI na výrobní lince: inženýrská rozhodnutí, která jsou na řadě jako první

Začněte u vady, ne u kamery

Než přijde na řadu jakákoli otázka po hardwaru, dohodněte se, co se na tomto dílu počítá jako vada a kdo o tom rozhoduje. Zní to jako banalita, dokud si to nevyzkoušíte.

Vezměte z linky sto dílů, včetně těch nepříjemných, a nechte dva zkušené kontrolory, aby je nezávisle na sobě roztřídili na dobré a vadné. U jednoznačných vad se shodnou. U hraniční populace — slabý škrábanec, nedostříknutí, potisk, který je čitelný, ale ne ostrý — se shodnou často jen stěží.

Právě tento rozpor je skutečným stropem přesnosti. Pokud se dva lidé, kteří tu práci dělají roky, neshodnou na tomtéž dílu, neexistuje jediná správná odpověď, kterou by se model mohl naučit, a nedodá ji ani žádný dodavatel; jakékoli číslo o přesnosti v nabídce proto nic neznamená, dokud není definice hotová.

Řešením není lepší algoritmus. Je jím psaný katalog vad — každý typ pojmenovaný, s obrázky — a sada hraničních fyzických dílů pro každou třídu: nejhorší ještě přijatelný díl a nejlepší díl, který se ještě vyřazuje. Tyto díly se pak stanou referencí pro anotaci i pro přejímací zkoušku.

Problém, který nikdo neumí konzistentně definovat, nelze automatizovat — dá se o něm jen rychleji hádat.

Výběr průmyslové kamery podle kritérií, ne podle značky

Výběr kamery je počtářská úloha, ne věc vkusu.

Rozlišení se odvíjí od nejmenšího detailu, který musíte vidět. Vydělte zorné pole — díl plus rezerva na to, jak může ležet — počtem pixelů senzoru a dostanete milimetry na pixel. Vada, která dopadne na jediný pixel, se spolehlivě nenajde, počítejte proto s několika pixely přes nejmenší detail, a s více tam, kde má nízký kontrast. Rozlišení nad touto hranicí stojí přenosové pásmo a hloubku ostrosti a kontrast stejně vítězí nad počtem pixelů.

Expozice musí stíhat linku. Pohybová neostrost je rychlost krát doba expozice: díl jedoucí metrem za sekundu se při milisekundové expozici rozmaže o jeden milimetr. Když rozmazání přeroste vadu, je prohráno předem. Kratší expozice znamená víc světla — proto jsou osvětlení a kamera jedno rozhodnutí. Pro cokoli, co se pohybuje, předepište globální závěrku; rolovací závěrka čte obraz řádek po řádku a pohybující se díl zkreslí.

Plošná, nebo řádková kamera. Plošná kamera se hodí na kusové díly zastavené nebo zaindexované na stanici. Řádková kamera skládá obraz po jednotlivých řádcích, tedy pro spojitý pás, plech nebo extrudát, případně pro válcový díl otáčený před kamerou, a potřebuje pohyb konstantní nebo synchronizovaný enkodérem.

Monochrom, pokud vadou není barva. Monochromatický senzor věnuje každý pixel detailu a je citlivější za horšího světla. Barvu volte jen tam, kde barva nese informaci: špatně barevná součástka, skvrna, barva potisku proti specifikaci.

Rozhraní a kabeláž. Rozhraní určuje délku kabelu, přenosové pásmo a cenu — GigE na dlouhé trasy, USB3 na pracovním stole, vysokorychlostní průmyslová rozhraní pro rychlé řádkové snímání. A pak ta nevděčná část, která stojí za většinou poruch v provozu: kabel do energetického řetězu, konektory se zajištěním, odlehčení tahu a vedení trasy mimo kabely pohonů a svařovacích zdrojů.

Osvětlení pro strojové vidění rozhoduje o výsledku víc než kamera

Vada, kterou světlo udělá zjevnou, je jednoduchý problém; táž vada, kterou má model vydolovat ze zašuměného obrazu, je problém drahý. Většinu úloh pokryje několik geometrií. Světlé pole, tedy světlo ve směru pohledu, dává rovnoměrný univerzální obraz pro potisk, barvu a přítomnost. Tmavé pole pod velmi ostrým úhlem rozsvítí škrábance a gravírování proti tmavému pozadí. Protisvětlo postaví díl do siluety, na obrysové rozměry, polohu otvorů a výšku hladiny. Kopulové osvětlení obalí zakřivený nebo lesklý díl rovnoměrným světlem a je odpovědí na potisk na odrazivém povrchu. Koaxiální světlo přichází podél optické osy, pro rovné zrcadlící povrchy a laserové popisy.

Škrábanec, důlek a chyba potisku jsou tři různé úlohy pro osvětlení: na škrábanec světlo pod ostrým úhlem; na důlek, který mění sklon, a ne barvu, světlo, jehož odraz se s tím sklonem posune; na potisk ploché světlo bez odlesků. Pokrýt všechny tři z jednoho svítidla je cesta, jak skončit se stanicí, která umí všechno průměrně.

A pak okolní světlo, které tiše rozbíjí systémy, jež přejímkou prošly: odpolední slunce střešním světlíkem, směna, která rozsvítí jiná stropní svítidla. Řešte to fyzicky — stanici zakrytujte, nasaďte pásmový filtr sladěný s vlnovou délkou LED a od spouštěcího signálu snímku strobujte krátce a silně, aby vaše světlo přebilo halu.

Stabilní obraz je levnější než větší model.

2D, nebo 3D

Většina kontroly je úloha 2D: přítomnost, poloha, rozměry v rovině, potisk, barva, cokoli, co se na povrchu projeví jako kontrast.

Po 3D sáhněte tam, kde je znakem výška nebo tvar a spolehlivý kontrast nevzniká — výška housenky lepidla, koplanarita vývodů, profil svarové housenky, prohnutí, důlek v nelakovaném plechu, výška hladiny v neprůhledném obalu. Laserová triangulace potřebuje relativní pohyb, strukturované světlo zvládne i stojící díl; obojí naráží na zrcadlové povrchy a zákryty a na díl vyprodukuje mnohonásobně víc dat.

Praktický test: dokáže-li dobrý kontrolor díl posoudit z fotografie, je to úloha 2D. Musí-li s ním ve světle natáčet, jde o 3D nebo o specializovanou geometrii osvětlení — a osvětlení stojí za to zkusit dřív.

Kontrola etiket a potisku obvykle není úloha pro AI

Velká část toho, co přijde jako požadavek na kontrolu s AI, je ověřování etiket a potisku, a velká část z toho je deterministická: ohodnocení kvality čárového kódu nebo Data Matrixu, porovnání vytištěného textu s očekávaným řetězcem, kontrola, že na správném výrobku je správná revize.

Těžké přitom není čtení, ale to, odkud se bere očekávaná hodnota. Když operátor cílový text na stanici napíše, zautomatizovali jste překlep; kód, šarže, datum a revize musí přijít z výrobní zakázky v MES nebo ERP. Strojové učení si tu zaslouží místo u kvality tisku — rozmazání, chybějící body, deformace na zakřiveném povrchu — ne u porovnání samotného.

Trénovací data, bez příkras

Vaše linka vyrábí drtivou většinou dobré díly a tato nevyváženost určuje charakter dat pro kontrolu. Dělá celkovou přesnost bezcennou: model, který označí všechno za dobré, dopadne na datové sadě složené skoro jen z dobrých dílů výborně. Posuzujte podle vad — kolik se jich zachytilo a kolik dobrých dílů se vyřadilo.

Nevyváženost určuje i přístup. Detekce anomálií se naučí normál z dobrých dílů a hlásí odchylku; potřebuje málo snímků vad a reaguje i na to, co nikdy neviděla, ale řekne jen, že je díl neobvyklý, ne co je na něm špatně. Učení s učitelem, tedy klasifikace a segmentace, vadu pojmenuje a lokalizuje, což katalog vad a SPC potřebují, ale vyžaduje skutečné příklady od každé třídy, a víc, než kdo čeká. Tak či tak zná model jen ty vady, které mu byly ukázány.

Pak je tu drift. Model je snímkem linky v době trénování a linka se mění: nový dodavatel, jiná šarže materiálu, opotřebení nástroje, kamera šťouchnutá při čištění, revize dílu. Přetrénování je údržbová činnost s vlastníkem a plánem, ne fáze projektu, která jednou skončí.

Anotace si zaslouží vlastní rozhodnutí, protože kdo snímky anotuje, ten pro závod definuje kvalitu. Patří lidem, kteří vlastní definici vady, a pracuje se podle hraničních vzorků; jinak se neshoda kontrolorů z úvodu vrátí jako nekonzistentní anotace a ty zastropují všechno, co je za nimi.

Syntetická a rozšířená data pomáhají na konkrétních místech. Augmentace — malé změny natočení, polohy, jasu, zaostření — je levná, dokud zůstanete uvnitř toho, co stanice fyzicky dokáže vytvořit. Renderované snímky pomohou nejvíc tam, kde je vada geometrická a popsatelná: chybějící součástka, špatná orientace. Nejméně pomohou tam, kde je neznámou právě vzhled vady — a ten renderer vymyslet neumí.

Ať trénujete na čemkoli, odložte si stranou testovací sadu skutečných snímků včetně hraničních dílů. Je to jediný poctivý způsob, jak zjistit, zda je nový model lepší než ten starý.

Falešné poplachy jsou obchodní rozhodnutí, ne technické

Každý kontrolní systém má práh a ten proti sobě vyvažuje dvě chyby: utáhnete ho a zachytíte víc vad a vyřadíte víc dobrých dílů, povolíte ho a je to naopak. Žádné nastavení neodstraní obojí. Kterým směrem se přiklonit, je ekonomika konkrétního závodu — co stojí propuštěná vada proti tomu, co stojí nadměrné vyřazování ve zmetcích, v přepracování a v čase operátora.

S tou asymetrií se vyplatí počítat. Nadměrné vyřazování ničí důvěru rychleji než přehlédnuté vady. Přehlédnuté vady zůstanou týdny neviditelné; stanice, která vyřazuje dobré díly, je vidět do hodiny, a reakce je předvídatelná: operátor začne verdikty přebíjet, pak se přestane dívat, a z kamery je drahá lampa.

Někdo tedy musí vlastnit polohu prahu: jmenovitě určený člověk v kvalitě, nastavení zapsané v kontrolním plánu, záznam o změnách. Tři výsledky místo dvou — dobrý, vadný a pásmo k posouzení, které se směruje na člověka — dovolí držet detekci utaženou, aniž byste hraniční populaci hodili na operátora. Přejímací kritéria stanovte v řeči závodu ještě před náběhem, tedy v propuštěných vadách na tisíc dílů a ve falešných vyřazeních na směnu.

Verdikt na obrazovce nezmění nic

Snímek je pořízen, model má odpověď a s dílem se zatím nestalo nic. Musí následovat dvě věci.

Zásah do procesu. Vyřazení se musí fyzicky vynutit — vyhazovačem, výhybkou nebo blokací, která na tom dílu zastaví další operaci — přes PLC, s handshake navrženým tak, aby neúspěšné pořízení snímku nebo pomalá inference vedly k bezpečnému stavu, ne k tichému propuštění. Vyhození potvrďte čidlem, které vidí díl odejít. Vyhazovač, který mine a nikomu to neřekne, je horší než žádná kontrola, protože teď lidé věří, že díly zkontrolovány byly.

Záznam. Verdikt, snímek a časové razítko patří k výrobní zakázce, k šarži, k sériovému číslu, ke stanici a k verzi modelu, do MES a QMS. Na verzi modelu záleží: po přetrénování pocházejí včerejší verdikty od jiného soudce. Právě tento záznam dělá z kontroly věc, která se kumuluje — podíl vad podle tříd se stane veličinou v SPC a dohledání zasažených dílů je dotaz místo týdne papírování.

Co způsobí, že nasazení selže

Skoro vždy něco z tohoto seznamu, a málokdy model.

Nestabilní prezentace dílu — díl nepřijíždí na stejné místo, pod stejným úhlem a do stejné vzdálenosti: vibrace, uvolněný držák, přípravek šťouchnutý při čištění. Upnutí a ustavení je nejlevnější přesnost, jakou kdy koupíte.

Práh bez vlastníka, posouvající se podle toho, kdo má směnu.

Revize dílu, na kterou nikdo model nepřetrénoval. Řízení změn musí kontrolu uvádět jako dotčený systém.

Obcházení bez stopy. Operátoři potřebují možnost verdikt přebít, ale ta se musí logovat a vyhodnocovat.

Nikdo se nedívá na snímky. Někdo se musí v pravidelném rytmu dívat na vyřazené díly a na vzorek propuštěných; tak se drift zachytí dřív, než ho zachytí zákazník.

Podmínky proof of conceptu brané jako sériový provoz. Demo běželo na stole, v noci, s dílem, který držel v klidu člověk.

Kde do toho vstupujeme my

Modul Computer Vision od Meta Smart Factory pokrývá kontrolní část toho všeho — kamery a osvětlení specifikované pro vadu, kterou skutečně máte, modely natrénované na vašich vlastních dílech, inference přímo u linky — a je propojený s našimi moduly MES a Quality (QMS), takže verdikt dosedne k výrobní zakázce a šarži a vteče do dohledatelnosti a SPC, místo aby skončil u lampy. Vyřazení se ovládá přes PLC po téže IIoT a OPC UA konektivitě.

Jste-li na začátku, užitečným prvním krokem není demo. Je to test na sto dílech se dvěma kontrolory a psaný katalog vad — a rádi ho s vámi provedeme dřív, než někdo začne specifikovat kameru.