Kunstmatige intelligentie in de maakindustrie is een trendy term. Bij het beschrijven van op AI gebaseerde oplossingen voor defectdetectie gaat het vaak om visuele inspectietechnologie op basis van deep learning en computervisie.

Wat is diep leren in een visuele inspectie?

Deep learning is een aspect van machine learning-technologie die wordt aangedreven door kunstmatige neurale netwerken. Het werkingsprincipe van deep learning-technologie is het leren van machines om bijvoorbeeld te leren. Door een neuraal netwerk te voorzien van gelabelde voorbeelden van specifieke gegevenstypen, is het mogelijk om gemeenschappelijke patronen tussen die voorbeelden te extraheren en deze vervolgens om te zetten in een wiskundige vergelijking. Dit helpt om toekomstige stukjes informatie te classificeren.

Met visuele inspectietechnologie maakt het integreren van deep learning-algoritmen het mogelijk om onderdelen, anomalieën en karakters te onderscheiden, die een menselijke visuele inspectie imiteren terwijl een geautomatiseerd systeem wordt uitgevoerd. 

Dus, wat betekent het precies? Laten we een voorbeeld gebruiken:

Als u visuele inspectiesoftware voor de automobielindustrie zou maken, moet u een op deep learning gebaseerd algoritme ontwikkelen en dit trainen met voorbeelden van defecten die het moet detecteren. Met voldoende gegevens zal het neurale netwerk uiteindelijk defecten detecteren zonder aanvullende instructies.

Op deep learning gebaseerde visuele inspectiesystemen zijn goed in het detecteren van defecten die complex van aard zijn. Ze pakken complexe oppervlakken en cosmetische gebreken aan en generaliseren en conceptualiseren de oppervlakken van de onderdelen.

Hoe AI visueel inspectiesysteem te integreren?

1. Geef het probleem aan

Visuele inspectie-ontwikkeling begint vaak met een zakelijke en technische analyse. Het doel hier is om te bepalen wat voor soort defecten het systeem moet detecteren.

Andere belangrijke vragen om te stellen zijn:

• Wat is de visuele inspectiesysteemomgeving?
• Moet de inspectie realtime of uitgesteld zijn? 
• Hoe grondig moet het visuele inspectiesysteem defecten detecteren en onderscheid maken naar type?
• Is er bestaande software die de visuele inspectiefunctie integreert, of moet deze helemaal opnieuw worden ontwikkeld?
• Hoe moet het systeem de gebruiker(s) informeren over geconstateerde gebreken?
• Moet het visuele inspectiesysteem statistieken voor het detecteren van defecten registreren?
• En de hamvraag: zijn er gegevens voor de ontwikkeling van deep learning-modellen, inclusief afbeeldingen van "goede" en "slechte" producten en de verschillende soorten defecten?

Data science-ingenieurs kiezen de optimale technische oplossing en gaan verder op basis van de antwoorden die ze krijgen.

2. Gegevens verzamelen en voorbereiden

Data science-ingenieurs moeten gegevens verzamelen en voorbereiden die nodig zijn om een ​​toekomstig model te trainen voordat de ontwikkeling van deep learning-modellen begint. Voor productieprocessen is het belangrijk om IoT-gegevensanalyses te implementeren. Bij het bespreken van visuele inspectiemodellen zijn de gegevens vaak videorecords, waarbij afbeeldingen die door een visueel inspectiemodel worden verwerkt videoframes bevatten. Er zijn verschillende opties voor het verzamelen van gegevens, maar de meest voorkomende zijn:

1. Een bestaande video-opname van een klant maken
2. Open-source video-opnamen maken die geschikt zijn voor gedefinieerde doeleinden
3. Gegevens helemaal opnieuw verzamelen volgens de vereisten van het deep learning-model

De belangrijkste parameters hierbij zijn de kwaliteit van de video-opname. Gegevens van hogere kwaliteit leiden tot nauwkeurigere resultaten. 

Zodra we de gegevens hebben verzameld, bereiden we deze voor op modellering, reinigen we ze, controleren we op afwijkingen en zorgen we ervoor dat ze relevant zijn.

3. Ontwikkel een diep leermodel

De keuze voor een deep learning-modelontwikkelingsaanpak hangt af van de complexiteit van een taak, de vereiste levertijd en budgetbeperkingen. Er zijn verschillende benaderingen:

Een deep learning-modelontwikkelingsservice gebruiken (bijv. Google Cloud ML Engine, Amazon ML, enz.)

Dit type benadering is zinvol wanneer de vereisten voor defectdetectiefuncties in overeenstemming zijn met de sjablonen die door een bepaalde service worden geleverd. Deze services kunnen zowel tijd als budget besparen, omdat het niet nodig is om modellen helemaal opnieuw te ontwikkelen. U moet gegevens uploaden en modelopties instellen volgens de relevante taken. 

Wat is het addertje onder het gras? Dit soort modellen zijn niet aanpasbaar. De mogelijkheden van modellen zijn beperkt tot de opties die door een bepaalde service worden geboden.

Vooraf getrainde modellen gebruiken

Een vooraf getraind model is een reeds gemaakt deep learning-model dat taken uitvoert die vergelijkbaar zijn met wat we willen uitvoeren. We hoeven geen model helemaal opnieuw te bouwen, omdat het een getraind model gebruikt op basis van onze gegevens.

Een vooraf getraind model voldoet misschien niet 100% aan al onze taken, maar het biedt aanzienlijke tijd- en kostenbesparingen. Door modellen te gebruiken die eerder zijn getraind op grote datasets, kunnen we deze oplossingen aanpassen aan ons probleem. 

Diepe leermodelontwikkeling vanaf nul

Deze methode is ideaal voor complexe en veilige visuele inspectiesystemen. De aanpak kost misschien tijd en moeite, maar de resultaten zijn het waard. 

Bij het ontwikkelen van aangepaste visuele inspectiemodellen gebruiken datawetenschappers een of meerdere computervisie-algoritmen. Deze omvatten afbeeldingsclassificatie, objectdetectie en instantiesegmentatie.

Veel factoren zijn van invloed op de keuze voor een deep learning-algoritme(n). Waaronder:

• Zakelijke doelen
• Grootte van objecten/defecten 
• Lichtomstandigheden
• Aantal te inspecteren producten
• Soorten defecten
• Resolutie van afbeeldingen

Een voorbeeld van defectcategorieën:

Stel dat we een visueel inspectiemodel ontwikkelen voor kwaliteitsbeoordeling in gebouwen. De belangrijkste focus is het detecteren van defecten aan de muren. Een uitgebreide dataset is nodig om nauwkeurige visuele inspectieresultaten te verkrijgen, aangezien de defectcategorieën ongelooflijk divers kunnen zijn, van afbladderende verf en schimmel tot muurscheuren. De optimale benadering hier zou zijn om vanaf het begin een op instantiesegmentatie gebaseerd model te ontwikkelen. Een vooraf getrainde modelbenadering is in sommige gevallen ook haalbaar.

Een ander voorbeeld is een visuele inspectie voor farmaceutische productie, waarbij u luchtbellen wilt onderscheiden van deeltjes in producten zoals hoogviskeuze ouderoplossingen. De aanwezigheid van bubbels is hier de enige defectcategorie, dus de benodigde dataset zal niet zo uitgebreid zijn als in bovenstaand voorbeeld. De optimale benadering voor de ontwikkeling van modellen voor diep leren zou kunnen zijn om een ​​modelontwikkelingsservice te gebruiken in plaats van er een helemaal opnieuw te ontwikkelen.

4. Train en evalueer

De volgende stap na het ontwikkelen van het visuele inspectiemodel is het trainen ervan. In deze fase valideren en evalueren datawetenschappers de prestaties en resultaatnauwkeurigheid van het model. Een testdataset is hierbij handig. Een visueel inspectiesysteem kan een reeks videorecords zijn die verouderd zijn of vergelijkbaar zijn met degene die we na implementatie willen verwerken.

5. Implementeren en verbeteren

Bij het implementeren van een visueel inspectiemodel is het belangrijk om te overwegen hoe software- en hardwaresysteemarchitecturen overeenkomen met een modelcapaciteit.

Software 

De structuur van software op basis van visuele inspectie is gebaseerd op de combinatie van weboplossingen voor datatransmissie en een Python-framework voor neurale netwerkverwerking. 

De belangrijkste parameter hier is gegevensopslag. Er zijn drie veelvoorkomende manieren om gegevens op te slaan: op een lokale server, een cloudstreamingservice of serverloze architectuur. 

Een visueel inspectiesysteem omvat de opslag van videorecords. De keuze voor een dataopslagoplossing hangt vaak af van de functionaliteit van een deep learning-model. Als een visueel inspectiesysteem bijvoorbeeld een grote dataset gebruikt, kan de optimale selectie een cloudstreamingservice zijn.

Hardware

Afhankelijk van de industrie en automatiseringsprocessen, kunnen apparaten die nodig zijn om het visuele inspectiesysteem te integreren, zijn:

• camera: De belangrijkste cameraoptie is realtime videostreaming. Enkele voorbeelden zijn IP en CCTV.
• Poort: Zowel speciale hardware-apparaten als softwareprogramma's werken goed voor een visueel inspectiesysteem.
• CPU's/GPU's: Als realtime resultaten nodig zijn, zou een GPU de betere keuze zijn dan een CPU, omdat de eerste een hogere verwerkingssnelheid heeft als het gaat om op afbeeldingen gebaseerde deep learning-modellen. Het is mogelijk om een ​​CPU te optimaliseren voor het bedienen van het visuele inspectiemodel, maar niet voor training. Een voorbeeld van een optimale GPU zou kunnen zijn: jetson nano. 
• fotometer (optioneel): Afhankelijk van de lichtomstandigheden van de omgeving van het visuele inspectiesysteem kunnen fotometers nodig zijn.
• Kleurmeter (optioneel): Bij het detecteren van kleur en luminantie in lichtbronnen hebben imaging colorimeters consistent hoge ruimtelijke resoluties, waardoor gedetailleerde visuele inspecties mogelijk zijn. 
• Thermografische camera (optioneel): Bij geautomatiseerde inspectie van stoom/waterleidingen en faciliteiten is het een goed idee om thermografische cameragegevens te hebben. Thermografische cameragegevens bieden waardevolle informatie voor detectie van warmte-/stoom-/waterlekkage. Thermische cameragegevens zijn ook nuttig voor inspectie van warmte-isolatie.
• Drones (optioneel): Tegenwoordig is geautomatiseerde inspectie van moeilijk bereikbare gebieden zonder drones moeilijk voorstelbaar: interne onderdelen van gebouwen, gaspijpleidingen, visuele inspectie van tankers, inspectie van raketten/shuttles. Drones kunnen zijn uitgerust met camera's met een hoge resolutie die realtime defectdetectie kunnen uitvoeren.

Deep learning-modellen staan ​​open voor verbetering na implementatie. Een diepgaande leerbenadering kan de nauwkeurigheid van het neurale netwerk vergroten door het iteratief verzamelen van nieuwe gegevens en het opnieuw trainen van modellen. Het resultaat is een "slimmer" visueel inspectiemodel dat leert door gegevens tijdens bedrijf te vergroten.

Visuele inspectie use cases

Gezondheidszorg

In de strijd tegen COVID-19 kunnen de meeste luchthavens en grensovergangen nu passagiers controleren op tekenen van de ziekte.

Baidu, het grote Chinese techbedrijf, ontwikkelde een grootschalig visueel inspectiesysteem op basis van AI. Het systeem bestaat uit computer vision-gebaseerde camera's en infraroodsensoren die de temperatuur van passagiers voorspellen. De technologie, operationeel in Het treinstation van Qinghe in Peking, kan tot 200 personen per minuut screenen. Het AI-algoritme detecteert iedereen met een temperatuur boven de 37.3 graden.

Een ander praktijkvoorbeeld is het op deep learning gebaseerde systeem dat is ontwikkeld door de Alibaba bedrijf. Het systeem kan het coronavirus detecteren in CT-scans van de borst met een nauwkeurigheid van 96%. Met toegang tot gegevens van 5,000 COVID-19-gevallen voert het systeem de test in 20 seconden uit. Bovendien kan het onderscheid maken tussen gewone virale longontsteking en coronavirus.

Luchtvaartmaatschappijen

Volgens Boeing is 70% van de markt voor lucht- en ruimtevaartdiensten ter waarde van $ 2.6 biljoen gewijd aan kwaliteit en onderhoud. In 2018 introduceerde Airbus een nieuwe geautomatiseerde, op drones gebaseerd vliegtuiginspectiesysteem dat versnelt en vergemakkelijkt visuele inspecties. Deze ontwikkeling vermindert de uitvaltijd van vliegtuigen en verhoogt tegelijkertijd de kwaliteit van inspectierapporten.

Automotive

Toyota heeft onlangs ingestemd met een schikking van $ 1.3 miljard vanwege een defect waardoor auto's accelereerden, zelfs als bestuurders probeerden te vertragen, resulterend in 6 doden in de VS. Gebruik van de cognitieve mogelijkheden van visuele inspectiesystemen zoals Cognex ViDickunnen autofabrikanten kwaliteitsproblemen veel nauwkeuriger analyseren en identificeren en oplossen voordat ze zich voordoen.

Productie van computerapparatuur

De vraag naar kleinere printplaatontwerpen groeit. Fujitsu Laboratories loopt voorop bij de ontwikkeling van AI-compatibele herkenningssystemen voor de elektronica-industrie. Ze rapporteren aanzienlijke vooruitgang op het gebied van kwaliteit, kosten en levering.

Textiel

De implementatie van geautomatiseerde visuele inspectie en een diepgaande leerbenadering kunnen nu problemen met textuur, weven, stiksels en kleurafstemming detecteren.

Bijvoorbeeld Het AI-systeem van Datacolor kan historische gegevens van eerdere visuele inspecties in overweging nemen om aangepaste toleranties te creëren die beter overeenkomen met de monsters.

We sluiten af ​​met een citaat van de algemeen directeur die we eerder noemden: "Het maakt mij niet uit of de voorgestelde technologie de beste is, maar het maakt me wel uit hoe goed het mijn problemen gaat oplossen."

Zonnepanelen

Van zonnepanelen is bekend dat ze last hebben van stof en microscheurtjes. Geautomatiseerde inspectie van zonnepanelen tijdens productie en voor en na installatie is een goed idee om verzending van defecte zonnepanelen te voorkomen en snelle detectie van beschadigde panelen op uw zonnepark. Bijvoorbeeld DJI Enterprise maakt gebruik van drones voor inspectie van zonnepanelen.

Pijpleidinginspectie

Van gas- en oliepijpleidingen is bekend dat ze een enorme lengte hebben. De laatste gegevens van 2014 geven een totaal van iets minder dan 2,175,000 mijl (3,500,000 km) pijpleiding in 120 landen van de wereld. Gas- en olielekkage kan leiden tot enorme schade aan de natuur door chemische vervuiling, explosies en vuurzee.

Satelliet- en drone-inspectie met behulp van computervisietechnieken is een goed hulpmiddel voor het vroegtijdig opsporen en lokaliseren van een gas-/olielekkage. Onlangs heeft DroneDeploy gerapporteerd dat ze ongeveer 180 mijl aan pijpleidingen in kaart hebben gebracht.

AI visuele inspectie: belangrijke aandachtspunten

1. Concept: Al visuele inspectie baseert zich op traditionele computervisiemethoden en menselijke visie.
2. Keuze: De aanpak van de ontwikkeling van diepgaande leermodellen is afhankelijk van de taak, levertijd en budgetlimieten.
3. Algoritme: Deep learning-algoritmen detecteren defecten door een menselijke analyse te imiteren terwijl een geautomatiseerd systeem wordt uitgevoerd.
4. Architectuur: Software en hardware moeten overeenkomen met de capaciteit van het deep learning-model.
5. hoofdvraag:: Bij het starten van een visuele inspectie is de hoofdvraag: "Welke defecten moet het systeem detecteren?"
6. Verbeteringen: Na implementatie wordt het deep learning-model "slimmer" door gegevensaccumulatie.

PlatoAi. Web3 opnieuw uitgevonden. Gegevensintelligentie versterkt.
Klik hier om toegang te krijgen.

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