Wie Machine Vision und Deep Learning den Bereich der automatisierten Inspektion in der Fertigung verändern.

Künstliche Intelligenz erweist sich als Game Changer mit unzähligen Anwendungen in fast allen Bereichen. Es hält jetzt seinen Weg in den Bereich Produktion und Fertigung und ermöglicht es ihm, die Kraft von tiefe Lernen und dabei eine schnellere, kostengünstigere und überlegenere Automatisierung zu ermöglichen. Dieser Artikel soll ein kurzes Verständnis der automatisierten visuellen Bewertung vermitteln und zeigen, wie ein Deep-Learning-Ansatz viel Zeit und Mühe sparen kann.

Was ist Sichtprüfung?

Es beinhaltet die Analyse von Produkten in der Produktionslinie zum Zweck der Qualitätskontrolle. Die Sichtprüfung kann auch für die interne und externe Bewertung der verschiedenen Ausrüstungen in einer Produktionsanlage wie Lagertanks, Druckbehälter, Rohrleitungen und andere Ausrüstungen verwendet werden.

Es ist ein Prozess, der in regelmäßigen Zeitabständen stattfindet, beispielsweise im Alltag. Es hat sich immer wieder gezeigt, dass die visuelle Inspektion dazu führt, dass die meisten versteckten Mängel während der Produktion entdeckt werden.

Wann und wo ist eine Sichtprüfung erforderlich?

Während die visuelle Inspektion in der Fertigung zur Qualitäts- oder Fehlerbewertung verwendet wird, kann sie in Nicht-Produktionsumgebungen verwendet werden, um festzustellen, ob die auf ein „Ziel“ hinweisenden Merkmale vorhanden sind, und potenzielle negative Auswirkungen zu vermeiden.

Unter den vielen Branchen, in denen eine visuelle Inspektion erforderlich ist, gibt es mehrere, in denen die visuelle Inspektion als sehr schwerwiegend angesehen wird und aufgrund der potenziell hohen Kosten von Fehlern, die bei der Inspektion auftreten können, wie Verletzungen, Todesfälle, Verluste, eine hohe Priorität hat von teuren Geräten, verschrotteten Artikeln, Nacharbeiten oder dem Verlust von Kunden. Zu den Bereichen, in denen visuelle Inspektionen Priorität haben, gehören Nuklearwaffen, Nuklearenergie, Flughafengepäckkontrolle, Flugzeugwartung, Lebensmittelindustrie, Medizin und Pharmazie.

Warum bleiben Sie nicht einfach bei der manuellen Inspektion?

Obwohl alt Gold sein mag, könnte man argumentieren, dass es mehrere Einschränkungen bei der Verwendung der altmodischen Art der Inspektion gibt.

Die manuelle Inspektion erfordert die Anwesenheit einer Person, eines Inspektors, der die fragliche Einheit bewertet und entsprechend einer bestimmten Ausbildung oder Vorkenntnissen beurteilt. Außer dem bloßen Auge des geschulten Inspektors ist keine Ausrüstung erforderlich.

Untersuchungen zufolge liegen die Fehler bei der visuellen Inspektion typischerweise zwischen 20 und 30 % (Drury & Fox, 1975). Einige Unvollkommenheiten können auf menschliches Versagen zurückgeführt werden, während andere auf Platzbeschränkungen zurückzuführen sind. Bestimmte Fehler können durch Training und Übung reduziert, aber nicht vollständig beseitigt werden.

Fehler bei der visuellen Inspektion bei der Herstellung treten in zwei Formen auf – das Übersehen eines bestehenden Fehlers oder die falsche Identifizierung eines Fehlers, der nicht existiert (falsch positiv). Fehlalarme treten tendenziell viel häufiger auf als Fehlalarme (siehe, 2012). Fehler können zu Qualitätsverlusten führen, während falsch positive Ergebnisse unnötige Produktionskosten und Gesamtverlust verursachen können.

Außerdem leidet die manuelle Inspektion unter anderen Einschränkungen wie diesen

• Es bleibt die Tatsache, dass das menschliche Auge zwar technologisch fortschrittlicher ist als jede mechanische Kamera, aber auch leicht getäuscht werden kann. Betrachten Sie einige dieser Schwächen im Zusammenhang mit der visuellen Inspektion:

Human Vision allein ist unzuverlässig — Optische Täuschungen wie links können zeigen, wie unzuverlässig das menschliche Auge sein kann. Dies bedeutet nicht unbedingt, dass eine manuelle Inspektion völlig nutzlos ist, aber dass es unklug wäre, sich vollständig darauf zu verlassen.

Ungenauigkeit des Sehvermögens — Das menschliche Auge ist nicht in der Lage, genaue Messungen vorzunehmen, insbesondere auf sehr kleinem Maßstab. Selbst beim Vergleich zweier ähnlicher Objekte bemerkt das Auge möglicherweise nicht, dass eines etwas kleiner oder größer als das andere ist. Dieses Konzept gilt auch für Eigenschaften wie Oberflächenrauheit, Größe und alle anderen zu messenden Faktoren.

Arbeitskosten – Die manuelle Inspektion bleibt aufgrund der Ernennung von (mehreren) geschulten Personen ein kostspieliges Unterfangen. In Bezug auf die Kosten können manuelle Inspektionsmitarbeiter ein Jahresgehalt von 50,000 bis 60,000 US-Dollar verdienen.

Eine New-Age-Alternative

Die automatisierte visuelle Inspektion kann diese Probleme überwinden, indem das gesamte Verfahren der visuellen Inspektion unabhängig von jeglicher menschlicher Beteiligung gemacht wird. Der Einsatz automatisierter Systeme übertrifft in der Regel den Standard der manuellen Inspektion.

Mit Deep Learning und Machine Vision ist es nicht nur möglich, sondern durchaus realisierbar, intelligente Systeme zu bauen, die gründliche Qualitätsprüfungen bis ins kleinste Detail durchführen. Wir benötigen keine sprechenden Android-Roboter, um die Produktion wie die Inspektion zu automatisieren. Zur Automatisierung des visuellen Inspektionsprozesses ist nur eine minimale physische Ausrüstung erforderlich. Stattdessen wird der Prozess durch den Einsatz von Deep Learning intelligenter gemacht. Dieser Ansatz umfasst typischerweise Schritte wie Bildaufnahme, Vorverarbeitung, Merkmalsextraktion, Klassifikation usw. Dies wird ebenfalls in eine breite Gruppe eingeteilt Bilderkennung.

Was ist Deep Learning und wie wird es berücksichtigt?

Die Deep-Learning-Technologie verwendet neuronale Netze mit Tausenden von Schichten, die in der Lage sind, menschliche Intelligenz nachzuahmen, um Anomalien, Teile und Zeichen zu unterscheiden und gleichzeitig natürliche Variationen in komplexen Mustern zu tolerieren. Auf diese Weise vereint Deep Learning die Anpassungsfähigkeit der visuellen Inspektion durch den Menschen mit der Geschwindigkeit und Robustheit eines computergestützten Systems.

Deep Learning lehrt Maschinen, das zu tun, was für den Menschen selbstverständlich ist: durch Beispiel zu lernen. Neue, kostengünstige Hardware macht es praktisch, mehrschichtige „tiefe“ neuronale Netze einzusetzen, die neuronale Netze im menschlichen Gehirn nachahmen. Dies verleiht der Fertigungstechnologie erstaunliche neue Fähigkeiten, um Bilder zu erkennen, Trends zu erkennen und intelligente Vorhersagen und Entscheidungen zu treffen. Ausgehend von einer während des anfänglichen Trainings entwickelten Kernlogik können tiefe neuronale Netze ihre Leistung kontinuierlich verfeinern, wenn ihnen neue Bilder, Sprache und Text präsentiert werden.

Was ist dann Machine Vision?

Machine Vision ist die Technologie und die Methoden, die verwendet werden, um eine bildbasierte automatische Inspektion bereitzustellen. Es ist ein System, das visuelle Computertechnologie verwendet, um die Aktivitäten, die entlang der Produktionslinie nacheinander stattfinden, mechanisch zu „sehen“. Die Komponenten eines automatischen Inspektionssystems umfassen normalerweise eine Beleuchtung, eine Kamera oder ein anderes Bilderfassungsgerät, einen Prozessor, Software und Ausgabegeräte.

Machine Vision übertrifft das menschliche Sehen bei der quantitativen und qualitativen Messung einer strukturierten Szene aufgrund seiner Geschwindigkeit, Genauigkeit und Wiederholbarkeit. Ein Bildverarbeitungssystem kann leicht Objektdetails beurteilen, die für das menschliche Auge zu klein sind, und sie mit größerer Zuverlässigkeit und weniger Fehlern untersuchen. In einer Produktionslinie können Bildverarbeitungssysteme Hunderte oder Tausende von Teilen pro Minute zuverlässig und wiederholt prüfen, was die Prüffähigkeiten des Menschen weit übertrifft.

Ein traditionelles automatisiertes System bietet zwar Kostenminimierung und Verbesserung der Effizienz, jedoch nicht die Flexibilität oder Toleranz gegenüber Variationen, die Menschen haben. Manuelle Prüfer sind in der Lage, zwischen subtilen, kosmetischen und funktionellen Mängeln zu unterscheiden und können Abweichungen im Aussehen der Teile interpretieren, die die wahrgenommene Qualität beeinträchtigen können. Obwohl die Geschwindigkeit, mit der sie Informationen verarbeiten können, begrenzt ist, sind Menschen in einzigartiger Weise in der Lage, Konzepte zu entwickeln und zu verallgemeinern. Menschen lernen durch Beispiel und können unterscheiden, worauf es wirklich ankommt, wenn es um leichte Anomalien zwischen Teilen geht. Dies wirft die Frage auf, wie maschinelles Sehen in vielen Fällen die beste Wahl für die qualitative Interpretation einer komplexen, unstrukturierten Szene treffen kann – insbesondere solcher mit subtilen Fehlern und unvorhersehbaren Fehlern.

Warum Machine Vision und Deep Learning in diesem Szenario Hand in Hand gehen

Obwohl maschinelle Bildverarbeitungssysteme aufgrund von Skalierung, Drehung und Posenverzerrung gewisse Abweichungen im Aussehen eines Teils tolerieren, führen komplexe Oberflächentexturen und Probleme mit der Bildqualität zu ernsthaften Herausforderungen bei der Inspektion. Bildverarbeitungssysteme allein können die enorme Möglichkeit von Variationen und Abweichungen zwischen visuell sehr ähnlichen Bildern nicht einschätzen.

Deep-Learning-basierte Systeme eignen sich gut für visuelle Inspektionen, die komplexer Natur sind: Muster, die auf subtile, aber tolerierbare Weise variieren. Deep Learning eignet sich gut zum Beheben komplexer Oberflächen- und Schönheitsfehler wie Kratzer und Dellen an gedrehten, gebürsteten oder glänzenden Teilen. Unabhängig davon, ob sie zum Auffinden, Lesen, Prüfen oder Klassifizieren von interessierenden Merkmalen verwendet wird, unterscheidet sich die auf Deep Learning basierende Bildanalyse von der traditionellen maschinellen Bildverarbeitung durch ihre Fähigkeit, das Erscheinungsbild eines Teils zu konzipieren und zu verallgemeinern.

Und das ist nicht alles

Hier sind weitere Gründe, sich bei der Fertigung für eine automatisierte Sichtprüfung zu entscheiden:

Bessere Wahrnehmung

Machine Vision hat eine sehr hohe optische Auflösung, die von der für die Bilderfassung verwendeten Technologie und Ausrüstung abhängt.

Im Vergleich zum menschlichen Sehen hat maschinelles Sehen ein „breiteres“ Spektrum der visuellen Wahrnehmung mit der Fähigkeit, auch Beobachtungen in den Ultraviolett-, Röntgen- und Infrarotbereichen des Spektrums durchzuführen.

Schneller - Sowohl Beobachtungen als auch Schlussfolgerungen werden extrem schnell gemacht, mit der Geschwindigkeit eines Computers, gemessen in FLOPs, und sie führen auch zu präzisen Berechnungen.

Das System verfügt über die gesamte Leistung, die mit höheren Verarbeitungsgeschwindigkeiten verbunden ist, zusammen mit einer potenziell unendlichen Speicherkapazität.

Zuverlässig — Das System ist unvoreingenommen und nach Bedarf programmierbar und folgt den Anweisungen ohne Frage.

Genau - Ein automatisiertes System ist in der Lage, auf standardisierte Weise Absolutmaße zu messen.

Unabhängig von der Umgebung — Ein solches System kann unter gefährlichen und gefährlichen Bedingungen oder Umgebungen eingesetzt werden, in denen sich der menschliche Eingriff als riskant erweisen kann.

Erste Schritte mit der automatisierten visuellen Inspektion

Was die Anforderungen angeht, benötigt AVI nicht wirklich viel physisches Equipment. Die für den Beginn der Automatisierung der Sichtprüfung erforderliche Ausrüstung kann unterteilt werden in Hardware und Software. Ressourcen.

Hardware

Diese Ressourcen bestehen aus primären Geräten wie Kamera, Photometer, Kolorimeter und optionalen sekundären Geräten, die zum Sortieren oder Sortieren erforderlich sind und von Industrie- und Automatisierungsprozessen abhängen.

Wir machen im Wesentlichen ein Bild und analysieren das Bild, eine Kamera ist alles, was Sie brauchen!

Abhängig von der Branche, in der sie verwendet wird, können die physischen Geräte tatsächlich in drei Teilsysteme eingeteilt werden

• Zuführsystem — Verteilt Gegenstände gleichmäßig und bewegt sie mit konstanter Geschwindigkeit, sodass das optische System Einzelbilder einzelner Gegenstände erfassen kann.
• Optisches System — Besteht aus einer speziell angepassten Lichtquelle und einem Sensor (normalerweise eine Digitalkamera). Das optische System erfasst Bilder der geprüften Artikel, damit die Software diese verarbeiten und analysieren kann.
• Trennsystem — Entfernt fehlerhafte Artikel und/oder Qualitäten und teilt Produkte entsprechend ihrer Qualität in mehrere Kategorien ein.

Software

Die Hauptanforderung für AVI ist die Softwareschicht, deren Kern die Computer-Vision-Technologie ist, die hilft, Produkte oder jedes Objekt von Interesse auf Defekte und das Fehlen/Vorhandensein bestimmter Teile zu untersuchen.

Der Softwareteil eines automatisierten visuellen Inspektionssystems erfordert fortschrittliche Bildanalysealgorithmen und umfangreiche Programmierung. Diese Algorithmen verarbeiten Bilder, um ihre Qualität anzupassen, interessante Punkte und Regionen zu lokalisieren und schließlich basierend auf den in diesen Regionen gefundenen Merkmalen zu entscheiden.

Deep-Learning-Technologien haben automatisierte visuelle Inspektionssysteme ermöglicht, die menschliche oder herkömmliche maschinelle Bildverarbeitungsprozesse übertreffen

Deep-Learning-Modelle haben sich aufgrund ihres großen Erfolgs bei der Lösung von Inspektionsproblemen als unverzichtbarer Bestandteil der Software erwiesen. Sie können an Tausenden von Bildern von beispielsweise Schrauben trainiert werden, ein Deep-Learning-Algorithmus lernt nach und nach, sinnvolle Abweichungen vom „Standard“-Erscheinungsbild einer Schraube zu erkennen. Abhängig von Ihrem Anwendungsfall kann Ihr Inspektionsproblem mit einer oder einer Kombination verschiedener Aufgaben gelöst werden, z Objekterkennung, Semantische Segmentierung und Bildklassifizierung. Es könnte sich auch um OCR-Modelle zum Lesen von Seriennummern oder Barcodes handeln.

Um hohe Bildverarbeitungsgeschwindigkeiten beizubehalten, muss ein geschulter Deep-Learning-Modell muss im Allgemeinen auf Computern mit hohen Ressourcen bereitgestellt werden. Zum Beispiel ist eine GPU erforderlich, um Ergebnisse in Echtzeit zu erhalten.

Bei der resultierenden Genauigkeit und Leistung des Inspektionsmodells spielen mehrere Faktoren eine Rolle – Lichtverhältnisse, die Anzahl der zu prüfenden Produkte, Arten von zu suchenden Defekten, Größe der Defekte/Objekte, die Auflösung des Bildes, um nur einige zu nennen. Ein automatisiertes visuelles Inspektionssystem erfordert daher ein Team von erfahrenen F&E-Ingenieuren, die in der Lage sind, solch komplexe Systeme aufzubauen.

Jede Fertigungseinheit hat unterschiedliche und oft einzigartige Daten(Bilder) – diese können an einem anderen Kameratyp, einer Innenbeleuchtung oder dem Produkt selbst liegen. Daher ist der Softwareteil von AVI immer eine maßgeschneiderte Lösung, die auf die spezifischen Inspektionsanforderungen zugeschnitten ist.

Nanonets hilft Ihnen beim Erstellen und Bereitstellen von Deep-Learning-Modellen, die für die Entwicklung der Software zur Automatisierung der visuellen Inspektion unerlässlich sind

Das Experimentieren mit einer neuen unerforschten Domäne zur Verbesserung des Geschäfts erfordert ein effizientes Team mit langjähriger Erfahrung und einer nachgewiesenen Erfolgsbilanz bei der Entwicklung von Deep-Learning-Lösungen für Unternehmen.

Es gibt viele weitere Faktoren zu berücksichtigen, wenn Deep-Learning-Modelle trainieren, beispielsweise wie Sie Ihre Daten vorverarbeiten, Ihr Modell definieren und tatsächlich einen Computer erhalten, der leistungsfähig genug ist, um das Modell auszuführen.

Nanonetze bietet benutzerfreundliche APIs zum Trainieren und Bereitstellen von Deep-Learning-Modellen, die speziell auf die spezifischen Anforderungen eines Unternehmens zugeschnitten sind. Es kümmert sich um alle schweren Hebearbeiten, die erforderlich sind, um ein produktionsreifes, hochpräzises Modell zu bauen – Datenerweiterung, Lerntransfer und ja, Hyperparameteroptimierung!

Sobald es das beste Modell gefunden hat, stellt Nanonets es in seiner Cloud bereit, damit Sie das Modell über sein Webinterface testen oder mit 2 Zeilen Code in Ihr Programm integrieren können. Nanonets stellt auch Docker-Images bereit, die das trainierte Modell enthalten, mit denen Sie Modelle auf Ihren eigenen Maschinen bereitstellen können – das bedeutet, dass Ihre Daten/Images Ihre Räumlichkeiten/Ihr lokales Netzwerk nie verlassen müssen.

Einige typische Anwendungsfälle, in denen Nanonets verwendet werden können, sind:
• Qualitätskontrollprodukte, bevor sie die Produktionslinie verlassen
• Bewertet die Qualität der Ernte
• Versicherungsansprüche prüfen
• Untersuchen Sie Teile auf Fehler in Ihrer Produktionslinie
• Fehler erkennen und identifizieren in der Versorgungsinfrastruktur

Möchten Sie die visuelle Inspektion automatisieren? Sie sind faul zu programmieren und möchten nicht für GPUs ausgeben? Gehe rüber zu Nanonetze und fangen Sie an, Ihr Modell kostenlos zu bauen!

Was können wir aus all dem mitnehmen?

Künstliche Intelligenz revolutioniert schon jetzt unseren Alltag. Von der Google-Suche nach Bildern bis hin zu komplexen Industriesystemen, die die Produktqualität sicherstellen – Machine Vision erleichtert uns das Leben bei den alltäglichen und komplexesten Aufgaben. Und es ist möglich, dass die visuellen Qualitätsprüfungsaufgaben sehr bald größtenteils maschinenbasiert sein werden, so dass sich der Mensch auf anspruchsvollere Aufgaben konzentrieren kann.

Da die Technologie alltäglich wird, wird die Kosten von KI-Systemen sinken ständig, während die Effizienz steigt, ohne zu atmen. Der aktuelle Trend der Automatisierung in der Industrie hat das Thema Industrie 4.0 hervorgebracht, das Cyber-Physical Systems, das Internet der Dinge, Cloud Computing und Cognitive Computing umfasst. Industrie 4.0 wird allgemein als die vierte industrielle Revolution bezeichnet.

Industrie 4.0 fördert die sogenannte „Smart Factory“. Innerhalb modular aufgebauter Smart Factories überwachen Cyber-Physical Systems physische Prozesse, erstellen eine virtuelle Kopie der physischen Welt und treffen dezentrale Entscheidungen. Über das Internet der Dinge kommunizieren und kooperieren cyber-physische Systeme in Echtzeit untereinander und mit Menschen sowohl intern als auch über organisatorische Dienste, die von Teilnehmern der Wertschöpfungskette angeboten und genutzt werden.

Es besteht kein Zweifel, dass Machine Vision und Deep Learning ein integraler Bestandteil dieser industriellen Revolution sein werden, die globale Hersteller auf ein neues Effizienz- und Produktivitätsniveau drängt.

Vielleicht interessieren Sie sich auch für unsere neuesten Beiträge zu:

Münzsmart. Beste Bitcoin-Börse in Europa
Quelle: https://nanonets.com/blog/ai-visual-inspection/