Vizualni pregled z UI in strojni vid za kontrolo kakovosti

Sodobni modeli za učenje z malo primeri pogosto začnejo z nekaj sto slikami; sistem se nato med obratovanjem naprej uči.

Industrijske kamere in osvetlitev izberemo glede na aplikacijo. Dobavimo celotno tehnično zasnovano postajo.

Nove različice se hitro naučijo na podlagi obstoječih modelov, kar je idealno za proizvodnjo z veliko raznolikostjo izdelkov.

Na pravilno dimenzioniranem strežniku sklepanje traja milisekunde in redko je ozko grlo, čeprav je treba zakasnitev načrtovati po posameznem delovnem mestu, kadar si več kamer deli en GPU. Odloča preostanek zanke: kos mora ob prožitvi mirovati in biti vsakič enako osvetljen, odločitev o izmetu pa mora priti, preden kos doseže mesto izločanja. Če vam taktni čas za to ne pusti prostora, je rešitev mehanska in ne hitrejši model.

Da, naknadne vgradnje so običajne, vendar je delo pretežno mehansko in elektro, ne programsko. Potrebujete signal za prožitev iz PLC-ja ali senzorja, aktuator, ki zna izločiti slab kos, in kabelsko povezavo nazaj do strežnika za sklepanje. Učenje modela je navadno najkrajši del projekta; terminski plan določa to, da se kos kameri v vsakem ciklu predstavi enako.

Vsega, česar kamera ne vidi. Notranje razpoke, poroznost pod površino, uvar zvara, zatezni moment in lastnosti materiala zahtevajo drugo metodo, ne boljšega modela. Vid je šibek tudi tam, kjer napaka nima stalnega vizualnega znaka, kjer je meja sprejemljivosti stvar človeškega okusa in ne opisljivega kriterija, in kjer se kosi pojavljajo pod nepredvidljivimi koti. Preden specificirate postajo, se odločite, katere vrste napak pravzaprav lovite.

Ko sistem teče, mora nekdo potrditi ali popraviti razvrstitve, pri katerih model ni prepričan, in prav ta povratna informacija ohranja modele ažurne. Gre za ponavljajočo se obremenitev, polnega delovnega mesta pa ne zahteva. Največ dela je prej, v prvih tednih, ko zbirate reprezentativne slike dobrih kosov in vsake vrste napake, ki vas zanima. Tega ne sme nihče prevzeti povrhu polne izmene, brez namenjenega časa.

Zmoti se v dveh smereh in z odločitvenim pragom eno zamenjujete za drugo. Če prag zaostrite, gredo dobri kosi v izmet ali v ponovni pregled; če ga popustite, napake pobegnejo naprej. Oboje mora biti vidno, zato se vsaka odločitev shrani skupaj s sliko, izločene kose pa je treba v določenih presledkih preverjati proti človeški presoji. Postajo, pri kateri nihče ne pregleduje lažnih izmetov, se bodo operaterji sčasoma naučili preglasiti.

Sklepanje teče na lokalnem strežniku GPU Vision, zato odločitvena zanka v realnem času nikoli ne zapusti tovarne. Prav to ohranja zakasnitev dovolj nizko za izločanje v liniji. Shranjene slike in popravki operaterjev, ki se uporabljajo za ponovno učenje, so ločeno vprašanje: če modele na vaših podatkih prilagaja MSF, v pogodbi uredite, ali te slike ostanejo na lokaciji. Preostanek platforme je mogoče postaviti kot SaaS, v zasebnem oblaku ali lokalno.

Izloči se z linije, nato pa o njem odloči tisti, ki je za to odločitev odgovoren: izmet, dodelava ali odstop od zahtev. Rezultat sam gre v MSF Quality, kjer pristane na kartah SPC in lahko samodejno sproži zapis o neskladnosti. Kar ni samodejno, je eskalacija, ko začne določena vrsta napake naraščati, zato se o poti odločanja in eskalacije dogovorite, preden je kamera nameščena.