Od telefonów w naszych kieszeniach po rzeczywistość autonomicznych samochodów – gospodarka konsumencka zaczęła wykorzystywać moc sztucznej inteligencji (AI).
Technologia sztucznej inteligencji jest obecnie wykorzystywana w zaawansowanych praktykach produkcyjnych w celu automatyzacji inspekcji i innych zadań opartych na ocenie, takich jak: lokalizacja części, weryfikacja montażu i odczytywanie znaków. Wiodący producenci zwracają się w kierunku sztucznej inteligencji, żeby rozwiązać wyzwania związane z automatyzacją. Pracują nad tym, jak mogą wdrożyć tę technologię, by zoptymalizować swoje operacje.
W AUTOMATECH WSPIERAMY PRZEDSIĘBIORSTWA W TRANFORMACJI PRZEMYSŁU 4.0
Celem każdej firmy produkcyjnej są działania zmierzające do optymalizacji działań biznesowych, w tym związanych z efektywnością produkcji, redukcją kosztów, a w ostatnim czasie także uwzględniających zrównoważony rozwój.
Od 1994 roku uczestniczymy w rozwoju przedsiębiorstw: projektujemy, wykonujemy i wdrażamy projekty automatyki przemysłowej europejskich przedsiębiorstw. Wspieramy naszych klientów w procesie projektowania rozwiązań na drodze do transformacji cyfrowej, jednocześnie pamiętając o zachowaniu lub podniesieniu (w zależności od rodzaju przeprowadzanego projektu) poziomu bezpieczeństwa przemysłowego.
Obejrzyj realizacje AUTOMATECH – projekty automatyzujące, robotyzujące i digitalizujące w przemyśle OBEJRZYJ NAGRANIE
Jednym z obszarów naszych działań są projekty z obszaru przemysłowej kontroli wizyjnej.
AUTOMATECH jest Partner System Integratorem Cognex.
Przykładem zastosowania systemu kontroli wizyjnej przez AUTOMATECH jest INSPEKTOR AUTOMATECH – urządzenie umożliwiające inspekcję takich parametrów jak: poprawność nadruku daty, OCR, odczyt kodów kreskowych czy poprawność naklejenia etykiety.
Zobacz nagranie jak działa INSPEKTOR AUTOMATECH:
ROZPOCZĘCIE PROJEKTU GŁĘBOKIEGO UCZENIA W BRANŻY PRODUKCYJNEJ
Wiele firm produkcyjnych korzysta z głębokiego uczenia, żeby uzupełnić swoje istniejące systemy kontroli lub gdy algorytmy oparte na regułach zawodzą. Na przykład, gdy sam produkt lub liczba potencjalnych wad danej części różni się znacznie w zależności od elementu, system może mieć trudności z programowym zdefiniowaniem ich jako dobrych lub złych.
Głębokie uczenie może pomóc w takich scenariuszach, ale pomyślne wdrożenie i ostateczne wyniki zależą od podjęcia niezbędnych kroków z góry. Zazwyczaj projekty uczenia głębokiego obejmują cztery etapy: planowanie, gromadzenie danych i etykietowanie prawdy podstawowej, optymalizację i testowanie akceptacji fabrycznej.
1. PLANOWANIE
Jeśli firma zdecyduje się wdrożyć rozwiązanie do głębokiego uczenia, musi zebrać zespół osób o różnych kompetencjach, żeby przyjrzeć się obecnemu procesowi, zdefiniować nowe cele i określić, czy głębokie uczenie może pomóc w ich osiągnięciu. Zespół ten powinien składać się z kierownictwa fabryki, automatyki, kontroli jakości i integratora systemów/konstruktora maszyn.
Nowe cele muszą być dobrze zdefiniowane, spójne i wspólnie uzgodnione przez wszystkich członków zespołu. Mogą one obejmować zmniejszenie liczby dopuszczonych wadliwych produktów, kontrolowanie kosztów poprzez zmniejszenie liczby odpadów czy wadliwych produktów, części lub zapewnienie dodatkowych możliwości klasyfikacji wad poza określeniem dobre-złe.
Jeśli współpracujący zespół zdecyduje się pójść dalej z projektem, jednym z kroków jest zidentyfikowanie innowacyjnego projektu, który można wykorzystać do uzasadnienia wydatków na zasoby dla kierownictwa. Projekt ten nie powinien obejmować nierealistycznych celów. Powinien to być projekt, który nie jest ani zbyt łatwy ani zbyt trudny i który może przynieść solidne zyski, żeby dać kierownictwu znać, że przyszłe wdrożenia głębokiego uczenia się mogą być opłacalne.
W przypadku niektórych producentów, istniejące rozwiązanie z zakresu wizji maszynowej mogło generować zbyt wiele wyników fałszywie ujemnych lub fałszywie dodatnich lub system mógł przestać działać dobrze z powodu zbyt wielu odmian produktu lub zmian środowiskowych. Na przykład w kontroli elektroniki samochodowej, aplikacje zgrzewania punktowego mogą stanowić problem dla systemów opartych na regułach.
2. GROMADZENIE DANYCH
Po utworzeniu przez firmę zespołu projektowego ds. głębokiego uczenia się, określeniu celów i wybraniu projektu do realizacji, kolejnym krokiem jest zebranie danych.
Na tym etapie należy zebrać dwa rodzaje danych:
3. OPTYMALIZACJA
Po zidentyfikowaniu przez firmę celów i zgromadzeniu danych oraz podstawowych informacji dla projektu głębokiego uczenia, kolejnym krokiem jest optymalizacja systemu wizyjnego i bazy danych obrazów.
Podczas tej fazy inspektor i system wizyjny klasyfikują części produkcyjne jako poprawne lub niepoprawne. Następnie wewnętrzny ekspert sprawdza wszelkie części trudne do sklasyfikowania i prawidłowo je etykietuje. Niejednoznaczne części oraz próbki dobrych i złych części trafią do bazy danych w celu ulepszenia modelu głębokiego uczenia. Programiści muszą pamiętać o dodaniu do zestawu szkoleniowego skomplikowanych obrazów, takich jak te przedstawiające części z nietypowymi wadami lub odbiciami oświetlenia.
4. INSPEKCJA
Oprogramowanie do głębokiego uczenia automatyzuje szeroki zakres funkcji produkcyjnych, które są niepraktyczne dla ludzkich pracowników i algorytmów opartych na regułach.
Weźmy pod uwagę inspektora pracującego na linii produkcyjnej samochodów: drzwi, błotniki, siedzenia, okna i setki innych komponentów mogą zostać porysowane, wgniecione, rozdarte lub wyszczerbione po drodze. Pracownicy mogą wychwycić niektóre z tych wad. Systemy widzenia maszynowego z zaawansowanymi technologicznie kamerami i złożonymi algorytmami może oznaczyć kilka lepiej zdefiniowanych, z góry określonych wad. Problem polega na tym, że wszystkie zmienne w środowisku produkcyjnym mogą powodować niedoskonałości, których nie da się przewidzieć. Tutaj z pomocą przychodzi oprogramowanie do głębokiego uczenia. Wykorzystuje ono kamery cyfrowe i algorytmy rozpoznawania obrazu, żeby nauczyć się identyfikować szerokie spektrum problemów, takich jak rdza, przebarwienia i uszkodzenia.
ODCZYTYWANIE ZŁOŻONYCH I TRUDNYCH KODÓW W KAŻDYCH WARUNKACH DZIĘKI FUNKCJI OCR OPARTEJ NA GŁĘBOKIM UCZENIU
Wyobraź sobie oszczędność czasu dzięki wstępnie wyszkolonemu narzędziu do optycznego rozpoznawania znaków (OCR ang. optical character recognition) i weryfikacji (OCV ang. optical character verifcaition). Eliminując z góry żmudne szkolenie, narzędzie to działałoby od razu po wyjęciu z pudełka. A jeśli pojawiłaby się nierozpoznawalna czcionka, prawdopodobnie z powodu odblasków, słabego wytrawiania lub innej przyczyny deformacji, narzędzie to mogłoby zostać ponownie przeszkolone w fabryce i tylko na problematycznych błędnie odczytanych znakach. Jest to obietnica narzędzi OCR i OCV opartych na głębokim uczeniu, które opierają się na wstępnie wytrenowanej, uniwersalnej bibliotece i wymagają jedynie szkolenia w zakresie czcionek specyficznych dla aplikacji.
Spójne, łatwe do odczytania czcionki ustawione na jasnym lub ciemnym tle można rozwiązać wystarczająco dobrze za pomocą tradycyjnej wizji maszynowej. Producenci potrzebują jednak nowego rodzaju dedykowanego rozwiązania OCR, gdy mylące tła i problemy z obrazowaniem stanowią wyzwanie dla ich systemów widzenia maszynowego, a liczba i rodzaj czcionek specyficznych dla aplikacji są nieprzewidywalne. Źle zdeformowane, przekrzywione i słabo wytrawione kody są jednymi z najczęstszych winowajców. Inne trudne kody to te zawierające znaki o niskim kontraście lub kody drukowane, wytrawiane, kropkowane lub wytłaczane na mylących tła.
Źródło: tłumaczenie cognex.com
Experts in Safety ● Automation Engineering
Automatech Sp. z o.o.
ul. Ewy 2, 05-816 Opacz - Kolonia
Nasze strony
Realizacja: ReklamaSem
