AI-alapú vizuális minőségellenőrzés és gépi látás

A modern few-shot modellek gyakran néhány száz képpel indulnak; a rendszer a termelés során is folyamatosan tanul.

Az ipari kamerákat és megvilágítást alkalmazásonként választjuk ki, és a teljes megtervezett állomást leszállítjuk.

Az új változatok gyorsan betaníthatók a meglévő modellekből, ami ideális a nagy termékváltozatosságú gyártáshoz.

Megfelelően méretezett szerveren az inferencia ezredmásodpercek alatt lefut, és ritkán ez a szűk keresztmetszet, bár a késleltetést állomásonként be kell tervezni, ha több kamera osztozik egy GPU-n. A választ a hurok többi eleme dönti el: az alkatrésznek a trigger pillanatában állnia kell és mindig ugyanúgy megvilágítva, a kiejtési döntésnek pedig meg kell érkeznie, mielőtt a darab a kiterelési pontig ér. Ha az ütemidő erre nem hagy helyet, a megoldás mechanikai, nem egy gyorsabb modell.

Igen, a retrofit teljesen szokásos, de a munka nagyobb része mechanikai és villamos, nem szoftveres. Kell egy trigger jel a PLC-től vagy egy érzékelőtől, egy beavatkozó, amely a kiejtést végre tudja hajtani, és kábelezés vissza az inferencia szerverig. A modell betanítása rendszerint a projekt legrövidebb része; az ütemtervet az szabja meg, hogy az alkatrész minden ciklusban ugyanúgy mutatkozzon meg a kamerának.

Semmit, amit a kamera nem lát. A belső repedések, a felszín alatti porozitás, a varrat beolvadása, a meghúzási nyomaték és az anyagjellemzők más mérési elvet kívánnak, nem jobb modellt. A gépi látás ott is nehezen boldogul, ahol a hibának nincs következetes vizuális jegye, ahol az elfogadható tartomány inkább emberi ízlés kérdése, mint leírható határ, és ahol az alkatrészek kiszámíthatatlan szögben érkeznek. Döntse el, pontosan mely hibamódokat akarja elkapni, mielőtt állomást specifikál.

Üzem közben valakinek meg kell erősítenie vagy javítania a rendszer által bizonytalannak jelölt besorolásokat, és éppen ez a visszacsatolás tartja naprakészen a modelleket. Ez visszatérő terhelés, külön munkakört nem igényel. A ráfordítás nagyobb része korábbra esik, az első hetekre, amikor reprezentatív képeket gyűjtenek a jó darabokról és minden olyan hibaosztályról, amely számít. Ezt senkire ne tegyék rá egy teljes műszak mellé úgy, hogy nem kap rá időt.

Két irányban téved, és a döntési küszöbbel az egyiket a másikra váltja. Ha szigorítja, jó darabok kerülnek selejtbe vagy újraellenőrzésre; ha lazítja, hibák szöknek ki. Mindkettőnek láthatónak kell lennie, ezért minden döntés a hozzá tartozó képpel együtt tárolódik, a kiejtett darabokat pedig rögzített időközönként emberi megítéléssel kell összevetni. Az az állomás, amelynek téves kiejtéseit soha nem nézi át senki, előbb-utóbb oda jut, hogy a kezelők megtanulják felülbírálni.

Az inferencia a helyszíni, GPU-alapú képfeldolgozó szerveren fut, így a valós idejű döntési hurok el sem hagyja az üzemet. Ez tartja a késleltetést elég alacsonyan egy inline kiejtéshez. A tárolt képek és a kezelői javítások, amelyekből az újratanítás történik, külön kérdés: ha a modelleket az MSF hangolja az Önök adatain, szerződésben rendezzék, hogy ezek a képek a telephelyen maradnak-e. A platform többi része SaaS, privát felhő vagy on-premise módon is telepíthető.

Kiterelődik a sorról, majd az dönt a sorsáról, akinek ez a hatásköre: selejt, utómunka vagy eltérési engedély. Maga az eredmény az MSF minőségügyi modulba kerül, ott felkerül az SPC-kártyákra, és automatikusan nyithat nemmegfelelőségi jegyzőkönyvet. Ami nem automatikus, az az eszkaláció, amikor egy hibaosztály trendet kezd mutatni, ezért a döntési és eszkalációs utat még a kamera felszerelése előtt egyeztessék le.