Vizuelna kontrola kvaliteta uz AI i mašinski vid za proizvodnju

Savremeni "few-shot" modeli često počinju sa svega nekoliko stotina slika; sistem nastavlja da uči tokom proizvodnje.

Industrijske kamere i osvetljenje biraju se prema primeni, a mi isporučujemo kompletnu, inženjerski projektovanu stanicu.

Nove varijante se brzo treniraju na osnovu postojećih modela, što je idealno za proizvodnju sa velikim brojem varijanti.

Na pravilno dimenzionisanom serveru inferenca traje nekoliko milisekundi i retko je ona usko grlo, mada latenciju treba računati po stanici kada više kamera deli jedan GPU. Odgovor zapravo zavisi od ostatka petlje: deo mora da miruje i da bude osvetljen isto u trenutku okidanja, a odluka o škartu mora da stigne pre nego što deo dođe do mesta izbacivanja. Ako vam takt ne ostavlja prostora za to, rešenje je mehaničko. Brži model tu ne pomaže.

Može, retrofit je uobičajen, ali je posao pretežno mehanički i elektro; softvera tu ima malo. Potreban vam je okidački signal sa PLC-a ili senzora, aktuator koji može da izbaci deo i kablovska trasa nazad do servera za inferencu. Treniranje modela je obično najkraći deo projekta; ono što određuje rokove jeste da se deo u svakom ciklusu predstavi kameri na isti način.

Sve ono što kamera ne vidi. Unutrašnje prsline, poroznost ispod površine, provar zavara, moment pritezanja i svojstva materijala traže drugu metodu merenja. Bolji model to ne rešava. Vid takođe teško izlazi na kraj tamo gde greška nema doslednu vizuelnu sliku, gde je granica prihvatljivog stvar ljudskog ukusa a ne opisivog kriterijuma i gde se delovi pojavljuju pod nepredvidivim uglom. Odlučite koje tipove grešaka zaista lovite pre nego što specificirate stanicu.

Kada radi, neko mora da potvrdi ili ispravi klasifikacije koje sistem označi kao nesigurne, i upravo ta povratna informacija održava modele aktuelnim. To je povremeno opterećenje i ne traži punu radnu poziciju. Najveći deo posla pada ranije, u prvim nedeljama, na prikupljanje reprezentativnih slika dobrih delova i svake klase greške koja vas zanima. Niko ne bi trebalo da to dobije uz punu smenu, bez izdvojenog vremena.

Greši u dva smera i pragom odluke birate koliko ćete jedno menjati za drugo. Ako ga pooštrite, dobri delovi odlaze u škart ili na ponovnu kontrolu; ako ga olabavite, greške prolaze dalje. Oba slučaja moraju biti vidljiva, pa se svaka odluka čuva zajedno sa slikom, a odbačene delove treba u utvrđenom intervalu proveravati u odnosu na ljudsku ocenu. Stanica čija se lažna odbacivanja nikada ne pregledaju je stanica koju će operateri vremenom naučiti da zaobilaze.

Inferenca se izvršava na lokalnom GPU serveru za vizuelnu kontrolu, pa petlja odlučivanja u realnom vremenu nikada ne napušta fabriku. Zato je latencija dovoljno niska za izbacivanje škarta na liniji. Sačuvane slike i ispravke operatera, koje se koriste za ponovno treniranje, posebna su tema: ako MSF podešava modele na vašim podacima, ugovorom rešite da li te slike ostaju kod vas. Ostatak platforme može se postaviti kao SaaS, privatni oblak ili lokalno (on-premise).

Izbacuje se sa linije, a zatim o njemu odlučuje onaj ko je za to zadužen: škart, dorada ili ustupak. Sam rezultat ide u MSF Quality, gde ulazi u SPC karte i može automatski da otvori NCR zapis. Ono što nije automatsko jeste eskalacija kada neka klasa greške počne da raste u trendu, pa se dogovorite o postupanju sa delom i putu eskalacije pre nego što se kamera montira.