👁️

AI proizvod

Vizualna kontrola kvalitete s AI i strojni vid u proizvodnji

Name: Vizualna kontrola kvalitete s AI i strojni vid u proizvodnji
Brand: Meta Smart Factory

Automatizirana vizualna inspekcija koja nikada ne trepne

MSF Computer Vision softver je za vizualnu kontrolu kvalitete s AI izravno na proizvodnoj liniji. Modeli dubokog učenja pregledavaju 100% vaših proizvoda brzinom proizvodnje i otkrivaju površinske nedostatke, pogreške sklapanja i dimenzijska odstupanja koja ljudsko oko propušta.

Zatražite demo Pokrenite PoC

Što je vizualna kontrola kvalitete s AI?

Vizualna kontrola kvalitete s AI strojni je vid s dubokim učenjem: industrijske kamere i istrenirani modeli automatski provjeravaju proizvedene dijelove na površinske nedostatke, pogreške sklapanja i dimenzijska odstupanja. Računalni vid tvrtke Meta Smart Factory pregledava 100% dijelova brzinom linije. Zaključivanje radi na lokalnom GPU poslužitelju koji obrađuje 8–10 tokova kamera bez veze s oblakom, neispravni dijelovi izbacuju se preko PLC-a, a svaka se odluka pohranjuje sa slikom.

Kako se gradi stanica za vizualni pregled strojnim vidom

Stanicu za vizualni pregled čine kamera, rasvjeta i odluka, a MSF je isporučuje kao jednu cjelovitu stanicu, s inženjeringom i softverom. Matrične kamere (area-scan) pokrivaju pojedinačne dijelove koji dolaze u taktu, linijske kamere (line-scan) kontinuiranu traku ili vrpcu, a za sve što se kreće potreban je global shutter. 2D je dovoljan za prisutnost, položaj, dimenzije u ravnini, tisak i boju. 3D, laserskom triangulacijom ili strukturiranim svjetlom, koristi se ondje gdje se provjerava visina ili oblik, primjerice kod vitoperenja. Rasvjeta se bira prema nedostatku (svijetlo polje, tamno polje, pozadinsko osvjetljenje, kupola ili koaksijalno svjetlo), stroboskopski se pali na signal okidača i zaklanja se kako dnevno svjetlo ne bi mijenjalo sliku.

Kako vision AI odlučuje: prolaz, škart ili pregled

Modeli dubokog učenja na lokalnom GPU poslužitelju razvrstavaju svaki dio u nekoliko milisekundi. Osim prolaza i škarta postoji i zona za pregled: granični dijelovi idu kontroloru, pa detekcija može biti strogo podešena, a linija se ipak ne zatrpava lažnim odbacivanjima. Odluka preko PLC-a pokreće izbacivač, skretnicu ili blokadu, a svaka se odluka čuva sa slikom, vremenskom oznakom, stanicom, radnim nalogom, šaržom i verzijom modela. Rezultati pune SPC karte u modulu Upravljanje kvalitetom i otvaraju zapise o nesukladnosti s priloženom slikom. Inženjerske odluke koje dolaze prije modela opisuje članak uvođenje AI vizualne kontrole na proizvodnu liniju.

Ključne značajke

Otkrivanje nedostatakaOgrebotine, pukotine, mrlje i nedostajući elementi otkrivaju se u milisekundama modelima dubokog učenja.

100% inline inspekcijaSvaki pojedinačni dio pregledava se brzinom linije, ne samo uzorci.

Provjera sklapanjaProvjerava ispravne komponente, orijentaciju i cjelovitost prije sljedeće postaje.

OCR i čitanje kodovaČita serijske brojeve, kodove datuma i naljepnice za automatsku sljedivost.

Modeli koji kontinuirano učeModeli se kontinuirano poboljšavaju dok operateri potvrđuju ili ispravljaju klasifikacije.

Integracija s kvalitetomRezultati hrane SPC karte MSF Quality modula i automatski pokreću NCR-ove.

Namjenski GPU Vision poslužiteljOn-premise poslužitelj za UI zaključivanje (klase NVIDIA RTX 5090, opcija H200 za velika poduzeća) obrađuje 8 do 10 video zapisa kamere u stvarnom vremenu, uz nisku latenciju, bez ovisnosti o oblaku i spreman za 10GbE.

Projektirano osvjetljenje i prikaz dijelaSvako se radno mjesto specificira prema nedostatku: svijetlo ili tamno polje, pozadinsko, kupolasto ili koaksijalno svjetlo, bljeskano s okidačem i zasjenjeno tako da poslijepodnevno sunce ne može promijeniti sliku.

Prolaz, škart i pojas za pregledTreći ishod granične komade šalje na pregled umjesto operateru, pa detekcija može biti stegnuta a da liniju ne preplavi lažnim škartom.

Izbacivanje koje provodi PLCOdluka pokreće potiskivač, skretnicu ili blokadu preko PLC-a, uz rukovanje postavljeno tako da neuspjelo snimanje ili sporo zaključivanje daju sigurno stanje, a senzor potvrđuje da je dio otišao s linije.

Svaka odluka pohranjena sa slikomSvaka se odluka čuva sa slikom, vremenskom oznakom, postajom, radnim nalogom, šaržom i verzijom modela, pa se zadržavanje robe svodi na upit, bez tjedan dana papirologije.

Ponovno treniranje s vlasnikom i rokomNovi dobavljač, druga šarža materijala, trošenje alata ili nova revizija dijela odvode liniju od snimke na kojoj je model treniran, pa je ponovno treniranje stalna, redovita zadaća imenovane osobe.

Procjene i izazovi

DetaljnijeUvođenje vizualne kontrole kvalitete s AI na proizvodnoj liniji: inženjerske odluke koje dolaze prveO većini projekata vizualne kontrole odlučeno je prije nego što itko napiše red koda: u trenutku kad netko definira što je greška, učvrsti gdje će komad stajati i odabere kako će ga osvijetliti. Model može raditi samo sa slikom koju dobije. Ovaj vodič namijenjen je ljudima koji sustav specificiraju (inženjerima kvalitete i procesa, automatičarima, onima koji ga poslije preuzimaju) i polazi od pretpostavke da poznajete svoj proces, ali ne i strojni vid.Pročitajte cijeli tekst →

Na prvi pogled

100%Pregledani dijelovi

8–10Video tokovi kamera po GPU poslužitelju

msBrzina inspekcije

24/7Dosljedna kvaliteta

Tehničke specifikacije

Oprema za zaključivanje: On-premise GPU Vision poslužitelj klase NVIDIA RTX 5090, uz opciju H200, dimenzioniran za 8-10 kamera, uz latenciju proračunatu po postaji kad kamere dijele jedan GPU.
Postavljanje: Zaključivanje je uvijek na liniji, na on-premise poslužitelju; ostatak platforme postavlja se kao SaaS, privatni oblak ili na vlastitoj infrastrukturi.
Kamere: Plošne kamere za pojedinačne dijelove koji se zaustavljaju u taktu, linijske za kontinuiranu traku ili vrpcu, uz konstantno ili enkoderom usklađeno gibanje; globalni zatvarač za sve što se giba.
2D i 3D: 2D za prisutnost, položaj, dimenzije u ravnini, tisak i boju; 3D laserskom triangulacijom ili strukturiranim svjetlom ondje gdje je značajka visina ili oblik, primjerice iskrivljenje.
Sučelje prema liniji: Treba signal okidanja s PLC-a ili senzora, aktuator koji može izbaciti dio i kabelsku trasu do poslužitelja za zaključivanje; naknadna ugradnja na postojeće linije uobičajena je.
Veza s PLC-om: Izbacivanje ide preko PLC-a, istom MSF IIoT i OPC UA povezivošću koju koristi MES; za odluku o pojedinom dijelu nije potrebno čitanje s procesne sabirnice.
Integracije: MSF MES za radni nalog, lot i karantenu označenog komada; MSF Quality za SPC karte po klasi nedostatka i automatske zapise nesukladnosti s priloženom slikom.
Mjesto pohrane slika: Ondje gdje MSF podešava modele na vašim pohranjenim slikama i ispravcima operatera, ostaju li te slike u tvornici rješava se ugovorom.

U radu: demonstracijski videozapisi

Vizualna kontrola kvalitete računalnim vidom i UI

Vizualna inspekcija kvalitete uz UI na linijama kontinuirane proizvodnje — računalni vid

Digitalizacija ručnog rada računalnim vidom temeljenim na UI

DetaljnijeStrojni vid u proizvodnji: kontrola kvalitete, sigurnost i zašto integracija s MES-om odlučuje o ishoduGdje strojni vid s umjetnom inteligencijom uistinu nadmašuje ljudsku kontrolu a gdje ne, što stvarna primjena traži u osvjetljenju i označenim slikama, i zašto kamera koja ne može upisati u MES ostaje demonstracija.Pročitajte cijeli tekst →

Često postavljana pitanja

Koliko je uzoraka slika potrebno?

Moderni few-shot modeli često počinju s tek nekoliko stotina slika; sustav nastavlja učiti tijekom proizvodnje.

Trebaju li posebne kamere?

Industrijske kamere i osvjetljenje biraju se prema primjeni, a isporučujemo kompletno projektirano radno mjesto.

Što ako se proizvodi često mijenjaju?

Nove varijante brzo se treniraju na temelju postojećih modela, što je idealno za proizvodnju velike raznolikosti.

Usporava li inline vizualna inspekcija liniju?

Na ispravno dimenzioniranom poslužitelju zaključivanje se mjeri milisekundama i rijetko je usko grlo, ali latenciju treba proračunati po postaji kad više kamera dijeli jedan GPU. Odgovor određuje ostatak petlje: dio mora mirovati i biti jednako osvijetljen u trenutku okidanja, a odluka o škartu mora stići prije nego što dio dođe do mjesta izbacivanja. Ako vam takt ne ostavlja prostora za to, rješenje je mehaničko; brži model tu ne pomaže.

Može li se računalni vid naknadno ugraditi na postojeću proizvodnu liniju?

Može, retrofit je uobičajen, ali posao je uglavnom mehanički i elektro. Treba vam signal okidanja s PLC-a ili senzora, aktuator koji može izbaciti dio i kabelska trasa do poslužitelja za zaključivanje. Treniranje modela obično je najkraći dio projekta; rokove određuje to da se dio kameri prikaže jednako u svakom ciklusu.

Što UI vizualna inspekcija ne može otkriti?

Sve što kamera ne vidi. Unutarnje pukotine, poroznost ispod površine, provar, moment pritezanja i svojstva materijala traže drugu metodu; bolji model ih neće riješiti. Vid se muči i ondje gdje nedostatak nema dosljedan vizualni potpis, gdje je granica prihvatljivog stvar ljudskog ukusa i ne da se opisati te gdje se dijelovi prikazuju pod nepredvidivim kutom. Odlučite koje načine otkazivanja zapravo lovite prije nego što specificirate postaje.

Koliko radnog vremena troši sustav računalnog vida kad je jednom u pogonu?

Kad radi, netko mora potvrditi ili ispraviti klasifikacije koje sustav označi kao nesigurne, a upravo ta povratna informacija održava modele aktualnima. To je ponavljajuće opterećenje koje ne traži puno radno mjesto. Najviše posla je ranije, u prvim tjednima, kod prikupljanja reprezentativnih slika dobrih dijelova i svake klase nedostatka koja vas zanima. Nitko to ne bi trebao raditi povrh pune smjene bez predviđenog vremena.

Što se događa kad sustav pogriješi?

Griješi u dva smjera i jedno mijenjate za drugo pragom odluke. Stegnete li ga, dobri dijelovi idu u škart ili na ponovnu kontrolu; olabavite li ga, nedostaci prolaze dalje. Oba smjera moraju biti vidljiva, pa se svaka odluka pohranjuje sa slikom, a izbačeni dijelovi u zadanim razmacima provjeravaju se u odnosu na ljudsku procjenu. Ako se lažni škart s neke postaje nikad ne pregledava, operateri će je prije ili kasnije naučiti zaobilaziti.

Šalju li se slike naših proizvoda u oblak?

Zaključivanje radi na on-premise GPU Vision poslužitelju, pa petlja odlučivanja u stvarnom vremenu nikad ne izlazi iz pogona. Upravo to drži latenciju dovoljno niskom za inline izbacivanje. Pohranjene slike i ispravci operatera koji se koriste za ponovno treniranje zasebno su pitanje: ako MSF podešava modele na vašim podacima, ugovorom riješite ostaju li te slike u tvornici. Ostatak platforme može se postaviti kao SaaS, privatni oblak ili on-premise.

Što se događa s dijelom koji sustav označi kao neispravan?

Izbacuje se s linije, a zatim o njemu odlučuje onaj tko je za tu odluku zadužen: škart, dorada ili ustupak. Sam rezultat ide u MSF Quality, gdje završava na SPC kartama i može automatski pokrenuti NCR. Eskalacija nije automatska kad neka klasa nedostataka počne rasti, pa dogovorite put odlučivanja i eskalacije prije nego što kamera bude montirana.