← Vsi članki
AI

Strojni vid v proizvodnji: kontrola kakovosti, varnost in zakaj o izidu odloča integracija z MES

📅 · 4 min branja · Ekipa Meta Smart Factory

Kje strojni vid z umetno inteligenco resnično prekaša človeško kontrolo in kje ne, kaj resnična uvedba zahteva pri osvetlitvi in označenih slikah, in zakaj kamera, ki ne zna pisati v MES, ostane demonstracija.

Strojni vid je v pametni tovarni najlažje pokazati in med najtežjimi za zagon v proizvodnji. Model, ki na prosojnici najde napako, je rešen problem. Model, ki zdrži ob treh zjutraj, novembra, ko sonce skozi strešno okno ne sije več tako kot med pilotom, je povsem druga vaja.

To loči oba primera in to je treba vprašati dobavitelja pred dokazom koncepta, ne po njem.

V čem je strojni vid resnično boljši od človeka

Doslednost pri hitrosti, na opredeljeni napaki, trajno. Človek bolje od katerega koli modela opazi nekaj novega in nenavadnega. Človek slabše od katerega koli modela gleda osemstoti kos izmene z enako pozornostjo kot prvega.

Zato primeri, ki se izplačajo, delijo isto obliko: velik obseg, opisljiv razred napake in resničen strošek, če napaka uide. Površinske napake na tekočem traku. Prisotnost in usmerjenost sestavnih delov pred zaprtjem škatle. Berljivost etikete, kode šarže in datuma — dolgočasno delo in eden najpogostejših vzrokov reklamacij v živilski in farmacevtski industriji. Raven polnjenja in tesnost vara. Dimenzijske kontrole, ki jih nekdo opravlja z merilom in podlogo.

Tudi razočaranja delijo obliko: redke napake brez zgodovine slik, opredelitve napake, ki se spreminjajo z razpoloženjem kupca, in vse tisto, kjer je pošten odgovor, da se dva izkušena kontrolorja ne strinjata.

Nadzor varnosti v realnem času je drug izdelek

Nadzor varnosti se prodaja skupaj s strojnim vidom za kakovost in se vede povsem drugače. Kontrola kakovosti gleda kos v nadzorovanem izrezu. Nadzor varnosti opazuje prostor in išče ljudi, uporabo zaščitne opreme, bližino viličarja in pešca ter vstop v cono, ki mora biti prazna, dokler stroj deluje.

Tehnična razlika je v tem, da varnost teče neprekinjeno nad nenadzorovanim prizorom, zato so lažni preplahi celoten problem. Model kakovosti, ki prepogosto kriči, ustvarja dodelavo. Model varnosti, ki prepogosto kriči, v štirinajstih dneh utihne — in takrat je sistem slabši od nobenega, ker mu verjamejo in se moti.

Organizacijska razlika je večja. Snemanje ljudi pri delu je v velikem delu Evrope najprej vprašanje predstavnikov zaposlenih in varstva podatkov in šele nato tehnično. Uvedbe, ki preživijo, so tiste, kjer so bili rok hrambe, anonimizacija in pravica do vpogleda dogovorjeni, preden je bila kamera nameščena.

Zakaj integracija odloča med sistemom in demonstracijo

Kontrolna celica, ki prižge rdečo lučko, je to povedala operaterju, ki stoji ob njej. Nič več. Tovarni ni povedala.

Tisto, zaradi česar se kontrola sešteva, je zapis nazaj. Ocena pristane na nalogu, šarži, delovnem mestu in časovnem žigu, v istem sistemu, ki drži preostalo proizvodnjo. Takoj ko se to zgodi, postane mogoče več stvari, ki jih samostojna kamera ne zmore pri nobeni natančnosti.

Napaka samodejno blokira naslednjo operacijo, tako da kos na poti v izmet ne nabira nadaljnje vrednosti. Stopnja napak postane količina, ki jo terminiranje vidi, tako da stroj, ki uhaja iz tolerance, spremeni načrt, namesto da bi ga presenetil. Genealogija na vprašanje o odpoklicu odgovori v minutah, ker vsaka slika in ocena visita na šarži, ki visi na dobaviteljevi šarži. In model se izboljšuje, ker popravki operaterja že po zasnovi postanejo označeni učni podatki, ne pa nekaj, kar je odvisno od tega, ali se je kdo spomnil izvoziti mapo.

Zato vprašanje o integraciji pride pred vprašanjem o natančnosti. Vprašajte, kateri sistem drži nalog, na katerega se ocena zapisuje. Če platforma strojnega vida vodi lastno evidenco proizvodnje, bo nekdo usklajeval dve resnici.

Kaj uvedba resnično zahteva

Osvetlitev, prvo in najmanj bleščeče. Večina projektov strojnega vida, ki padejo pri natančnosti, je padla pri osvetlitvi in ponovljivosti postavitve kosa, ne pri modelu. Nadzorovana, stalna svetloba in fiksni položaj kosa skoraj vedno premagata boljši algoritem.

Slike napake, drugo. Nekaj sto označenih primerov na razred napake je realen začetek za večino površinskih nalog in preverjanj prisotnosti. Če se napaka pojavi dvakrat na leto, strojni vid ni orodje — to je težava obvladovanja procesa.

Tretje, odločitev, kaj se zgodi ob pozitivni najdbi, sprejeta pred zagonom: izločiti, blokirati, alarmirati ali označiti za pregled. Ekipe, ki to odložijo, končajo s kontrolnim sistemom, na katerega nihče ni pooblaščen odreagirati.

In četrto, pot za preglasitev za operaterje. Ne kot popuščanje — kot mehanizem, ki model izboljšuje, in kot tisto, kar ohrani zaupanje, ko se model prvič zmoti.

Rob ali oblak

Sklepanje sodi na rob, ob linijo. Zakasnitev in odvisnost od omrežja nista sprejemljivi tveganji za odločitev, ki mora pasti med dvema delovnima mestoma, in obrat ne sme prenehati s kontrolo, ker je povezava WAN zatrepetala.

Učenje, upravljanje modelov, različice in primerjava med obrati sodijo v središče. Skupina, ki isti izdelek proizvaja v štirih državah, želi eno linijo modela, ne štirih lokalno nastavljenih modelov, ki se tiho razhajajo, dokler njihove stopnje izmeta niso več primerljive.

Kako voditi dokaz koncepta, da bo kaj dokazal

En razred napake, ena linija, s pripisanim stroškom. Poženite ga vzporedno z obstoječo kontrolo namesto namesto nje in štejte neskladja v obe smeri — spregledi tehtajo več od lažnih preplahov, razkrije pa jih le vzporedno delovanje.

Poženite ga skozi cikel izmen in, če je mogoče, skozi spremembo vremena. Merilo uspešnosti določite pred začetkom in v jeziku obrata: spregledi na tisoč ali sproščene ure kontrole. Dokaz koncepta brez vnaprej dogovorjenega praga se vedno konča z razpravo, ali je štiriindevetdeset odstotkov dobro.

Pogovorite se z našimi strokovnjaki

Pogosta vprašanja

Kako deluje kontrola kakovosti s strojnim vidom na proizvodni liniji?

Kamera z nadzorovano osvetlitvijo zajame vsak kos v fiksnem položaju, model, naučen na označenih primerih razredov napak, na robu v milisekundah poda oceno, ta ocena pa se zapiše v MES na nalog, šaržo in delovno mesto. Prav ta zapis nazaj omogoči, da napaka blokira naslednjo operacijo, namesto da bi se pojavila na končni kontroli.

Ali se platforme strojnega vida lahko integrirajo s sistemi MES ali ERP?

Lahko se, in prav v tem je razlika med sistemom in demonstracijo. Ocena mora pristati na istem nalogu in isti šarži, kot ju uporablja preostala proizvodnja. V MSF modul strojnega vida zapisuje v isti podatkovni model kot izvedba in kakovost, tako da stopnja napak hrani terminiranje, genealogija odgovarja na vprašanja o odpoklicu, popravki operaterja pa samodejno postanejo učni podatki.

Kakšno natančnost dosega vizualna kontrola z umetno inteligenco?

Na dobro opredeljenem razredu napake, ob nadzorovani osvetlitvi in ponovljivi postavitvi kosa je strojni vid dosledno boljši od človeške kontrole, ker se ne utrudi. Natančnost obvladujeta osvetlitev in postavitev, ne model. Redke napake brez zgodovine slik in napake, o katerih bi se dva izkušena kontrolorja prerekala, so slabi kandidati pri kateri koli oglaševani natančnosti.

Se nadzor varnosti z umetno inteligenco razlikuje od kontrole kakovosti?

Bistveno. Nadzor varnosti neprekinjeno opazuje nenadzorovan prostor in išče ljudi, zaščitno opremo in bližino, zato so glavno tveganje lažni preplahi — alarm, ki prepogosto zvoni, utihne, in takrat je sistem hkrati verodostojen in napačen. V velikem delu Evrope je to tudi vprašanje predstavnikov zaposlenih in varstva podatkov: hrambo, anonimizacijo in pravico do vpogleda je treba dogovoriti pred namestitvijo kamere.

Koliko slik je potrebnih za učenje industrijskega modela strojnega vida?

Nekaj sto označenih primerov na razred napake je realen začetek za večino nalog površine, prisotnosti in usmerjenosti. Če se napaka pojavi le nekajkrat na leto, dovolj primerov nikoli ne bo in to je treba obravnavati kot težavo obvladovanja procesa.

Naj sklepanje teče na robu ali v oblaku?

Sklepanje na robu, ob liniji, ker odločitev med dvema delovnima mestoma ne sme biti odvisna od povezave WAN. Učenje, različice modelov in primerjava med obrati sodijo v središče, da skupina, ki isti izdelek proizvaja v več državah, ohrani eno linijo modela namesto štirih, ki se tiho razhajajo.