Visuele inspectie met AI en machine vision voor kwaliteitscontrole

Moderne few-shot-modellen starten vaak al met enkele honderden afbeeldingen; het systeem blijft leren tijdens productie.

Industriële camera’s en verlichting worden per toepassing geselecteerd. Wij leveren het volledig uitgewerkte inspectiestation.

Nieuwe varianten worden snel getraind op basis van bestaande modellen. Dat past goed bij high-mix-productie.

Op een goed gedimensioneerde server draait de inferentie in milliseconden en is die zelden de beperking, al moet je de latency per station inplannen zodra meerdere camera's dezelfde GPU delen. Bepalend is de rest van de loop: het onderdeel moet bij de trigger stilstaan en steeds hetzelfde belicht zijn, en de afkeurbeslissing moet binnen zijn voordat het onderdeel het uitwerppunt passeert. Laat uw indextijd daar geen ruimte voor, dan is de oplossing mechanisch en niet een sneller model.

Ja, retrofits zijn normaal, maar het werk is vooral mechanisch en elektrisch en veel minder software. U heeft een triggersignaal vanuit de PLC of een sensor nodig, een actuator die een afkeur kan uitvoeren en een kabeltracé terug naar de inferentieserver. Het trainen van het model is meestal het kortste deel van het project; het onderdeel elke cyclus op dezelfde manier voor de camera krijgen bepaalt de doorlooptijd.

Alles wat de camera niet ziet. Inwendige scheuren, porositeit onder het oppervlak, lasindringing, aanhaalmoment en materiaaleigenschappen vragen om een andere meetmethode, niet om een beter model. Vision heeft het ook moeilijk waar een defect geen consistent visueel kenmerk heeft, waar de acceptatiegrens een kwestie van menselijke smaak is in plaats van een beschrijfbare grens, en waar onderdelen zich in onvoorspelbare standen aanbieden. Bepaal eerst welke faalvormen u werkelijk wilt afvangen voordat u een station specificeert.

Zodra het draait moet iemand de classificaties bevestigen of corrigeren waarover het systeem twijfelt, en juist die feedback houdt de modellen actueel. Het is een terugkerende belasting, maar geen volledige functie. Het meeste werk zit eerder, in de eerste weken: representatieve beelden verzamelen van goede onderdelen en van elke defectklasse die u belangrijk vindt. Niemand moet dit erbij doen bovenop een volle dienst zonder dat er tijd voor is vrijgemaakt.

Het gaat twee kanten op fout, en met de beslisdrempel ruilt u het ene tegen het andere in. Zet u de drempel strakker, dan worden goede onderdelen afgekeurd of opnieuw geïnspecteerd; zet u hem ruimer, dan glippen defecten door. Beide moeten zichtbaar zijn, dus elke beslissing wordt met het bijbehorende beeld opgeslagen en de afkeur hoort met een vaste frequentie tegen menselijk oordeel te worden getoetst. Een station waarvan de onterechte afkeur nooit wordt nagekeken, is een station dat operators op termijn gaan overrulen.

De inferentie draait op de GPU-visionserver op locatie, dus de realtime beslisloop verlaat de fabriek nooit. Dat houdt de latency laag genoeg voor een inline afkeur. De opgeslagen beelden en operatorcorrecties die voor hertraining worden gebruikt zijn een aparte vraag: laat u de modellen door MSF op uw data afstemmen, leg dan in het contract vast of die beelden op locatie blijven. De rest van het platform kunt u als SaaS, private cloud of on-premise uitrollen.

Het wordt van de lijn afgevoerd, waarna degene die daarover beslist kiest tussen schroot, rework of vrijgave onder concessie. Het resultaat zelf gaat naar MSF Quality, waar het op de SPC-kaarten terechtkomt en automatisch een NCR kan aanmaken. Wat niet automatisch gaat, is de escalatie zodra een defectklasse een trend gaat vertonen; spreek de afhandeling en de escalatieroute dus af voordat de camera wordt gemonteerd.