製造における欠陥検出のための AI 視覚検査

製造業における人工知能は流行の用語です。 AIベースの欠陥検出ソリューションを説明するとき、それは多くの場合、ディープラーニングとコンピュータービジョンに基づく目視検査技術に関するものです。

目視検査におけるディープラーニングとは何ですか？

ディープラーニングは、人工ニューラルネットワークを利用した機械学習テクノロジーのXNUMXつの側面です。ディープラーニングテクノロジーの動作原理は、例によって学習するように機械を教えることです。特定のデータ型のラベル付きの例をニューラルネットワークに提供することにより、それらの例の間で共通のパターンを抽出し、それらを数式に変換することができます。これは、将来の情報を分類するのに役立ちます。

目視検査技術を使用すると、深層学習アルゴリズムを統合することで、コンピューター化されたシステムの実行中に人間の目視検査を模倣するパーツ、異常、および文字を区別できます。

それで、それは正確にはどういう意味ですか？例を使用してみましょう：

自動車製造用の目視検査ソフトウェアを作成する場合は、ディープラーニングベースのアルゴリズムを開発し、検出する必要のある欠陥の例を使用してトレーニングする必要があります。十分なデータがあれば、ニューラルネットワークは追加の指示なしで最終的に欠陥を検出します。

ディープラーニングベースの目視検査システムは、本質的に複雑な欠陥の検出に優れています。それらは複雑な表面と外観上の欠陥に対処し、部品の表面を一般化して概念化します。

AI目視検査システムを統合する方法

1.問題を述べる

目視検査の開発は、多くの場合、ビジネス分析とテクニカル分析から始まります。ここでの目標は、システムが検出する必要のある欠陥の種類を決定することです。

その他の重要な質問は次のとおりです。

目視検査システム環境とは？
検査はリアルタイムにする必要がありますか、それとも延期する必要がありますか？
目視検査システムは欠陥をどの程度徹底的に検出し、タイプごとに区別する必要がありますか？
目視検査機能を統合した既存のソフトウェアはありますか、それとも最初から開発する必要がありますか？
システムは、検出された欠陥についてユーザーにどのように通知する必要がありますか？
目視検査システムは欠陥検出統計を記録する必要がありますか？
そして重要な質問：「良い」製品と「悪い」製品の画像やさまざまな種類の欠陥など、ディープラーニングモデル開発のデータは存在しますか？

データサイエンスエンジニアは、受け取った回答に基づいて、最適な技術ソリューションとフローを選択して続行します。

2.データを収集して準備する

データサイエンスエンジニアは、深層学習モデルの開発を開始する前に、将来のモデルをトレーニングするために必要なデータを収集して準備する必要があります。製造プロセスでは、IoTデータ分析を実装することが重要です。目視検査モデルについて説明する場合、データは多くの場合ビデオレコードであり、目視検査モデルによって処理される画像にはビデオフレームが含まれます。データ収集にはいくつかのオプションがありますが、最も一般的なものは次のとおりです。

クライアントから提供された既存のビデオレコードを取得する
定義された目的に適用可能なオープンソースのビデオ記録を取得する
ディープラーニングモデルの要件に従ってゼロからデータを収集する

ここで最も重要なパラメータは、ビデオレコードの品質です。より高品質のデータは、より正確な結果につながります。

データを収集したら、モデリングの準備をし、データをクリーンアップし、異常をチェックして、その関連性を確認します。

3.ディープラーニングモデルを開発する

ディープラーニングモデル開発アプローチの選択は、タスクの複雑さ、必要な納期、および予算の制限によって異なります。いくつかのアプローチがあります：

ディープラーニングモデル開発サービスの使用（例：Google Cloud ML Engine、Amazon MLなど）

このタイプのアプローチは、欠陥検出機能の要件が特定のサービスによって提供されるテンプレートと一致している場合に意味があります。これらのサービスは、モデルを最初から開発する必要がないため、時間と予算の両方を節約できます。関連するタスクに応じて、データをアップロードし、モデルオプションを設定する必要があります。

キャッチは何ですか？これらのタイプのモデルはカスタマイズできません。モデルの機能は、特定のサービスによって提供されるオプションに制限されています。

事前トレーニング済みモデルの使用

事前トレーニング済みモデルは、実行したいものと同様のタスクを実行する、すでに作成された深層学習モデルです。データに基づいてトレーニングされたモデルを使用するため、モデルを最初から作成する必要はありません。

事前にトレーニングされたモデルは、すべてのタスクに100％準拠しているわけではありませんが、時間とコストを大幅に節約できます。以前に大規模なデータセットでトレーニングされたモデルを使用すると、問題に応じてこれらのソリューションをカスタマイズできます。

ゼロからの深層学習モデルの開発

この方法は、複雑で安全な目視検査システムに最適です。このアプローチは時間と労力を要する可能性がありますが、結果はそれだけの価値があります。

カスタムの視覚検査モデルを開発する場合、データサイエンティストは、XNUMXつまたは複数のコンピュータービジョンアルゴリズムを使用します。これらには、画像分類、オブジェクト検出、およびインスタンスセグメンテーションが含まれます。

多くの要因が深層学習アルゴリズムの選択に影響を与えます。これらには以下が含まれます：

事業目標
オブジェクト/欠陥のサイズ
照明条件
検査する製品の数
欠陥の種類
画像の解像度

欠陥カテゴリの例：

建物の品質評価のための目視検査モデルを開発しているとしましょう。主な焦点は、壁の欠陥を検出することです。欠陥のカテゴリは、塗料やカビの剥離から壁のひび割れまで非常に多様である可能性があるため、正確な目視検査結果を取得するには、広範なデータセットが必要です。ここでの最適なアプローチは、インスタンスのセグメンテーションベースのモデルを最初から開発することです。事前にトレーニングされたモデルアプローチも実行可能な場合があります。

もうXNUMXつの例は、高粘度の親溶液などの製品の粒子から気泡を区別したい医薬品製造の目視検査です。ここではバブルの存在が唯一の欠陥カテゴリであるため、必要なデータセットは上記の例ほど広範囲ではありません。最適な深層学習モデル開発アプローチは、モデル開発サービスを最初から開発するよりも使用することかもしれません。

4.トレーニングと評価

目視検査モデルを開発した後の次のステップは、それをトレーニングすることです。この段階で、データサイエンティストは、モデルのパフォーマンスと結果の精度を検証および評価します。ここでは、テストデータセットが役立ちます。目視検査システムは、古くなっているか、展開後に処理したいものと類似している一連のビデオレコードである可能性があります。

5.展開と改善

目視検査モデルを展開するときは、ソフトウェアとハードウェアのシステムアーキテクチャがモデルの容量にどのように対応しているかを考慮することが重要です。

ソフトウェア

目視検査を利用したソフトウェアの構造は、データ送信用のWebソリューションとニューラルネットワーク処理用のPythonフレームワークの組み合わせに基づいています。

ここで重要なパラメータはデータストレージです。データを保存する一般的な方法は、ローカルサーバー、クラウドストリーミングサービス、サーバーレスアーキテクチャのXNUMXつです。

目視検査システムには、ビデオ記録の保存が含まれます。データストレージソリューションの選択は、多くの場合、ディープラーニングモデルの機能に依存します。たとえば、目視検査システムが大規模なデータセットを使用する場合、最適な選択はクラウドストリーミングサービスである可能性があります。

Hardware

業界および自動化プロセスに応じて、目視検査システムを統合するために必要なデバイスには、次のものが含まれる場合があります。

カメラ：主要なカメラオプションは、リアルタイムのビデオストリーミングです。いくつかの例には、IPやCCTVが含まれます。
ゲートウェイ： 専用のハードウェアアプライアンスとソフトウェアプログラムの両方が、目視検査システムに適しています。
CPU/GPU：リアルタイムの結果が必要な場合は、CPUよりもGPUの方が適しています。これは、画像ベースの深層学習モデルに関しては、GPUの方が処理速度が速いためです。目視検査モデルを操作するためにCPUを最適化することは可能ですが、トレーニング用に最適化することはできません。最適なGPUの例は、ジェットソンナノ.
測光器 （オプション）：目視検査システム環境の照明条件によっては、光度計が必要になる場合があります。
比色計 （オプション）：光源の色と輝度を検出する場合、イメージング比色計は一貫して高い空間解像度を備えているため、詳細な目視検査が可能です。
サーモグラフィーカメラ （オプション）：蒸気/水パイプラインおよび施設の自動検査の場合、サーモグラフィーカメラデータを用意することをお勧めします。サーモグラフィカメラのデータは、熱/蒸気/水漏れの検出に役立つ情報を提供します。赤外線カメラのデータは、断熱検査にも役立ちます。
ドローン （オプション）：今日では、ドローンのない到達困難なエリアの自動検査を想像することは困難です：建物の内部、ガスパイプライン、タンカーの目視検査、ロケット/シャトルの検査。ドローンには、リアルタイムの欠陥検出を行うことができる高解像度カメラが装備されている場合があります。

ディープラーニングモデルは、展開後に改善の余地があります。ディープラーニングアプローチは、新しいデータの反復収集とモデルの再トレーニングを通じて、ニューラルネットワークの精度を高めることができます。その結果、操作中にデータを増やすことで学習する「よりスマートな」目視検査モデルが実現します。

目視検査のユースケース

ヘルスケア

COVID-19との戦いで、ほとんどの空港と国境検問所は、病気の兆候がないか乗客をチェックできるようになりました。

Baiduの中国の大手ハイテク企業である、はAIをベースにした大規模な目視検査システムを開発しました。このシステムは、乗客の体温を予測するコンピュータービジョンベースのカメラと赤外線センサーで構成されています。テクノロジー、北京の青河駅、200分あたり最大37.3人をスクリーニングできます。 AIアルゴリズムは、XNUMX度を超える温度の人を検出します。

もうXNUMXつの実際のケースは、によって開発されたディープラーニングベースのシステムです。アリババ会社。このシステムは、胸部CTスキャンでコロナウイルスを96％の精度で検出できます。 5,000のCOVID-19症例のデータにアクセスできるため、システムは20秒でテストを実行します。さらに、通常のウイルス性肺炎とコロナウイルスを区別することができます。

航空会社

ボーイングによると、70兆ドルの航空宇宙サービス市場の2.6％は品質とメンテナンスに専念しています。 2018年、エアバスは新しい自動化された、ドローンベースの航空機検査システム目視検査を加速し、容易にします。この開発により、航空機のダウンタイムが削減されると同時に、検査レポートの品質が向上します。

自動車

トヨタは最近、ドライバーが減速しようとしても車が加速し、米国で1.3人が死亡したという欠陥のために6億ドルの和解に合意しました。コグネックスViDi、自動車メーカーは、品質の問題をより正確に分析および特定し、発生する前に解決することができます。

コンピュータ機器製造

より小さな回路基板設計の需要が高まっています。富士通研究所は、 AI対応の認識システムエレクトロニクス産業向け。彼らは、品質、コスト、および納期の大幅な進歩を報告しています。

テキスタイル

自動化された目視検査とディープラーニングアプローチの実装により、テクスチャ、織り、ステッチ、およびカラーマッチングの問題を検出できるようになりました。

たとえば、 DatacolorのAIシステム過去の目視検査の履歴データを考慮して、サンプルにより厳密に一致するカスタム公差を作成できます。

最後に、前述の総支配人からの引用で締めくくります。「提案されたテクノロジーが最高であるかどうかは私には違いありませんが、問題がどれだけうまく解決されるかは気になります。」

ソーラーパネル

ソーラーパネルは、ほこりや微小亀裂に悩まされることが知られています。製造中および設置前後のソーラーパネルの自動検査は、故障したソーラーパネルの出荷を防ぎ、ソーラーファームの損傷したパネルを迅速に検出するために良い考えです。たとえば、DJI Enterprise ドローンを使用ソーラーパネル検査用。

パイプライン検査

ガスと石油のパイプラインは非常に長いことが知られています。 2014年の最新データによると、世界2,175,000か国で合計3,500,000マイル（120 km）弱のパイプラインがあります。ガスや石油の漏出は、化学汚染、爆発、大火によって自然に甚大な被害をもたらす可能性があります。

コンピュータビジョン技術の助けを借りた衛星およびドローンの検査は、ガス/石油の漏れを早期に検出して特定するための優れたツールです。最近、DroneDeploy 報告彼らは約180マイルのパイプラインをマッピングした。

AI目視検査：重要なポイント

概念：Alの視覚検査は、従来のコンピュータービジョン手法と人間の視覚に基づいています。
選択：深層学習モデルの開発アプローチは、タスク、納期、および予算の制限によって異なります。
アルゴリズム：深層学習アルゴリズムは、コンピューター化されたシステムの実行中に人間の分析を模倣することによって欠陥を検出します。
アーキテクチャ：ソフトウェアとハードウェアは、ディープラーニングモデルの容量に対応している必要があります。
主な質問：目視検査を開始するときの主な質問は、「システムはどのような欠陥を検出する必要があるか」です。
改善点：展開後、データの蓄積によりディープラーニングモデルが「よりスマート」になります。

PlatoAi。 Web3の再考。増幅されたデータインテリジェンス。
アクセスするには、ここをクリックしてください。

出典：https：//www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing

生成的データインテリジェンス

製造における欠陥検出のためのAI目視検査