Vizuální kontrola kvality s AI a strojové vidění

Moderní modely typu „few-shot" často stačí nastartovat s několika stovkami snímků; systém se dál učí přímo za provozu.

Průmyslové kamery a osvětlení se volí podle konkrétní aplikace. Dodáváme kompletně navržené pracoviště.

Nové varianty se rychle dotrénují na základě existujících modelů, což je ideální pro výrobu s vysokou variabilitou.

Na správně dimenzovaném serveru běží inference v řádu milisekund a sama o sobě bývá to nejmenší; latenci je ale nutné rozpočítat na pracoviště, pokud několik kamer sdílí jednu GPU. Rozhoduje zbytek smyčky: díl musí být v okamžiku triggeru v klidu a nasvícený vždy stejně a rozhodnutí o vyřazení musí dorazit dřív, než se díl dostane k výhybce. Pokud vám na to takt nenechává prostor, řešením je mechanika, ne rychlejší model.

Ano, retrofit je běžný, ale práce je z větší části mechanická a elektro, ne softwarová. Potřebujete signál triggeru z PLC nebo ze senzoru, akční prvek, který dokáže díl vyřadit, a kabeláž zpátky k inferenčnímu serveru. Natrénování modelu bývá nejkratší částí projektu; termín určuje to, jak dostat díl před kameru každý cyklus stejně.

Cokoli, na co kamera nevidí. Vnitřní trhliny, póry pod povrchem, provaření svaru, utahovací moment a vlastnosti materiálu vyžadují jinou metodu, ne lepší model. Vidění naráží také tam, kde vada nemá konzistentní vizuální projev, kde je hranice přijatelnosti spíš věcí lidského vkusu než popsatelného kritéria, a kde se díly natáčejí nahodile. Než začnete pracoviště specifikovat, ujasněte si, které režimy vad vlastně chcete zachytit.

Když běží, musí někdo potvrzovat nebo opravovat klasifikace, u kterých si systém není jistý, a právě tahle zpětná vazba drží modely aktuální. Je to opakovaná zátěž, plný úvazek to nevyžaduje. Většina práce je dřív, v prvních týdnech: nasbírat reprezentativní snímky dobrých kusů a každé třídy vady, která vás zajímá. Nikdo by to neměl dostat na krk navíc k plné směně bez vyhrazeného času.

Plete se ve dvou směrech a rozhodovacím prahem vyměňujete jedno za druhé. Utáhnete ho a dobré kusy jdou do zmetků nebo na přeměření; povolíte ho a vady projdou. Obojí musí být vidět, proto se každé rozhodnutí ukládá i se snímkem a vyřazené kusy se v pevném intervalu porovnávají s posouzením člověka. Pracoviště, jehož falešné zmetky nikdo nekontroluje, se operátoři dřív nebo později naučí obcházet.

Inference běží na lokálním GPU serveru pro vidění, takže rozhodovací smyčka v reálném čase nikdy neopustí závod. Právě proto je latence dost nízká na vyřazení přímo na lince. Uložené snímky a opravy operátorů použité k dotrénování jsou samostatná otázka: pokud modely ladí MSF na vašich datech, ošetřete ve smlouvě, jestli tyto snímky zůstávají v závodě. Zbytek platformy lze provozovat jako SaaS, v privátním cloudu nebo on-premise.

Vyjede z linky a pak o něm rozhodne ten, komu to rozhodnutí patří: zmetek, oprava, nebo odchylka. Samotný výsledek jde do modulu MSF Kvalita, kde se promítne do SPC diagramů a může automaticky založit protokol o neshodě. Co automatické není, je eskalace ve chvíli, kdy se nějaká třída vady začne trendovat, takže si cestu rozhodnutí i eskalace dohodněte dřív, než se kamera namontuje.