Inspecție vizuală cu AI și viziune artificială pentru controlul calității

Modelele moderne few-shot pornesc adesea cu câteva sute de imagini; sistemul continuă să învețe în producție.

Camerele industriale și iluminatul sunt selectate în funcție de aplicație. Livrăm postul complet, proiectat integral.

Variantele noi sunt antrenate rapid pornind de la modelele existente, ceea ce se potrivește producției cu variație mare.

Pe un server dimensionat corect inferența durează milisecunde și rareori ea este constrângerea, deși latența trebuie bugetată pe fiecare post atunci când mai multe camere împart același GPU. Răspunsul îl decide restul buclei: piesa trebuie să stea nemișcată și să fie iluminată identic în momentul trigger-ului, iar decizia de respingere trebuie să ajungă înainte ca piesa să treacă de punctul de deviere. Dacă timpul de ciclu nu lasă loc pentru asta, soluția trebuie căutată în partea mecanică.

Da, retrofit-urile sunt ceva obișnuit, dar munca este în cea mai mare parte mecanică și electrică, nu software. Aveți nevoie de un semnal de trigger de la PLC sau de la un senzor, de un actuator care să poată acționa asupra unei respingeri și de un traseu de cablu până la serverul de inferență. Antrenarea modelului este de regulă partea cea mai scurtă a proiectului; ce dictează termenele este să faceți piesa să se prezinte în fața camerei la fel la fiecare ciclu.

Orice nu vede camera. Fisurile interne, porozitatea sub suprafață, pătrunderea sudurii, cuplul de strângere și proprietățile de material cer o altă modalitate de măsurare. Viziunea are dificultăți și acolo unde defectul nu are o semnătură vizuală constantă, unde limita de acceptare ține de gustul unui om și nu de un criteriu descriptibil, și unde piesele se prezintă la unghiuri imprevizibile. Stabiliți ce moduri de defectare urmăriți de fapt înainte de a specifica un post de inspecție.

Odată pornit, cineva trebuie să confirme sau să corecteze clasificările pe care sistemul le marchează ca incerte, iar acest feedback este ceea ce ține modelele actualizate. Este o sarcină recurentă, care nu cere un post întreg. Cel mai mult efort cade mai devreme, în primele săptămâni, la colectarea de imagini reprezentative cu piese bune și cu fiecare clasă de defect care vă interesează. Nimeni nu ar trebui să preia asta pe lângă un schimb complet, fără timp alocat.

Greșește în două direcții, iar din pragul de decizie le compensați una cu cealaltă. Dacă îl strângeți, piese bune ajung la rebut sau la reinspecție; dacă îl relaxați, defecte scapă pe linie. Amândouă trebuie să fie vizibile, de aceea fiecare decizie este stocată împreună cu imaginea ei, iar respingerile ar trebui auditate față de judecata umană la un interval fixat. Un post de inspecție ale cărui respingeri false nu sunt niciodată revizuite este unul pe care operatorii vor învăța în cele din urmă să îl ocolească.

Inferența rulează pe serverul GPU de viziune on-premise, așa că bucla de decizie în timp real nu iese niciodată din fabrică. Asta ține latența suficient de mică pentru o respingere inline. Imaginile stocate și corecțiile operatorilor folosite la reantrenare sunt o chestiune separată: dacă modelele sunt ajustate de MSF pe datele dumneavoastră, stabiliți în contract dacă acele imagini rămân în locație. Restul platformei poate fi implementat ca SaaS, cloud privat sau on-premise.

Este deviată de pe linie, iar cel care răspunde de acea decizie stabilește soluția: rebut, rework sau derogare. Rezultatul în sine merge în MSF Quality, unde ajunge pe fișele SPC și poate deschide automat un NCR. Ce nu este automat este escaladarea atunci când o clasă de defect începe să aibă trend, așa că stabiliți traseul de soluționare și de escaladare înainte ca prima cameră să fie montată.