Artificiell intelligens inom tillverkning är en trendig term. När man beskriver AI-baserade lösningar för upptäckt av fel handlar det ofta om visuell inspektionsteknik baserad på djupinlärning och datorsyn.

Vad är djupinlärning i en visuell inspektion?

Deep learning är en aspekt av maskininlärningsteknologi som drivs av artificiella neurala nätverk. Principen för djupinlärningsteknik är att lära maskiner att lära sig genom exempel. Genom att tillhandahålla ett neuralt nätverk med märkta exempel på specifika datatyper är det möjligt att extrahera vanliga mönster mellan dessa exempel och sedan förvandla dem till en matematisk ekvation. Detta hjälper till att klassificera framtida bitar av information.

Med visuell inspektionsteknik möjliggör integrering av djupinlärningsalgoritmer differentiering av delar, avvikelser och karaktärer, som imiterar en mänsklig visuell inspektion medan ett datoriserat system körs. 

Så, vad betyder det exakt? Låt oss använda ett exempel:

Om du skulle skapa en visuell inspektionsprogramvara för fordonstillverkning, bör du utveckla en djup inlärningsbaserad algoritm och träna den med exempel på defekter den måste upptäcka. Med tillräckligt med data kommer det neurala nätverket så småningom att upptäcka defekter utan några ytterligare instruktioner.

Djupinlärningsbaserade visuella inspektionssystem är bra på att upptäcka defekter som är komplexa till sin natur. De tar upp komplexa ytor och kosmetiska brister och generaliserar och konceptualiserar delarnas ytor.

Hur man integrerar AI Visual Inspection System

1. Ange problemet

Visuell inspektionsutveckling börjar ofta med en affärs- och teknisk analys. Målet här är att avgöra vilken typ av defekter systemet ska upptäcka.

Andra viktiga frågor att ställa är:

• Vad är den visuella inspektionssystemmiljön?
• Ska inspektionen ske i realtid eller skjutas upp? 
• Hur noggrant ska det visuella inspektionssystemet upptäcka defekter, och ska det skilja dem efter typ?
• Finns det någon befintlig programvara som integrerar den visuella inspektionsfunktionen, eller kräver den en utveckling från grunden?
• Hur ska systemet meddela användaren / användarna om upptäckta defekter?
• Ska det visuella inspektionssystemet registrera defektdetekteringsstatistik?
• Och nyckelfrågan: Finns data för utveckling av djupinlärningsmodeller, inklusive bilder av "bra" och "dåliga" produkter och de olika typerna av defekter?

Datavetenskapliga ingenjörer väljer den optimala tekniska lösningen och flödet för att fortsätta baserat på svaren de får.

2. Samla in och förbered data

Datavetenskapliga ingenjörer måste samla in och förbereda data som krävs för att utbilda en framtida modell innan djupinlärningsmodellutveckling startar. För tillverkningsprocesser är det viktigt att implementera IoT -dataanalys. När man diskuterar modeller för visuella inspektioner är data ofta videoposter, där bilder som bearbetas av en visuell inspektionsmodell inkluderar videoramar. Det finns flera alternativ för datainsamling, men de vanligaste är:

1. Ta en befintlig videoinspelning från en klient
2. Ta videoinspelningar med öppen källkod som är tillämpliga för definierade ändamål
3. Samla in data från grunden enligt krav på djupinlärningsmodell

De viktigaste parametrarna här är videoinspelningens kvalitet. Data av högre kvalitet leder till mer exakta resultat. 

När vi har samlat in data förbereder vi dem för modellering, rengöring, kontrollerar avvikelser och säkerställer dess relevans.

3. Utveckla Deep Learning Model

Valet av en metod för utvecklingsmodeller för djupinlärning beror på komplexiteten i en uppgift, erforderlig leveranstid och budgetbegränsningar. Det finns flera tillvägagångssätt:

Använda en djupinlärningsmodellutvecklingstjänst (t.ex.: Google Cloud ML Engine, Amazon ML, etc.)

Denna typ av tillvägagångssätt är vettigt när kraven för defektdetekteringsfunktioner överensstämmer med mallar från en viss tjänst. Dessa tjänster kan spara både tid och budget eftersom det inte finns något behov av att utveckla modeller från grunden. Du måste ladda upp data och ställa in modellalternativ enligt relevanta uppgifter. 

Vad är haken? Dessa typer av modeller går inte att anpassa. Modellernas möjligheter är begränsade till alternativ som tillhandahålls av en viss tjänst.

Använda förutbildade modeller

En förutbildad modell är en redan skapad modell för djupinlärning som utför uppgifter som liknar det vi vill utföra. Vi behöver inte bygga en modell från grunden eftersom den använder en utbildad modell baserad på våra data.

En förutbildad modell uppfyller kanske inte 100% alla våra uppgifter, men den ger betydande tids- och kostnadsbesparingar. Genom att använda modeller som tidigare tränats på stora datamängder kan vi anpassa dessa lösningar efter vårt problem. 

Deep Learning Model Development från Scratch

Denna metod är idealisk för komplexa och säkra visuella inspektionssystem. Tillvägagångssättet kan vara tid- och ansträngningskrävande, men resultaten är värda det. 

Vid utveckling av anpassade visuella inspektionsmodeller använder datavetenskapare en eller flera datorsynalgoritmer. Dessa inkluderar bildklassificering, objektdetektering och instanssegmentering.

Många faktorer påverkar valet av en eller flera djupinlärningsalgoritmer. Dessa inkluderar:

• Affärsmål
• Föremålens storlek/defekter 
• Ljusförhållanden
• Antal produkter som ska inspekteras
• Typer av defekter
• Upplösning av bilder

Ett exempel på defektkategorier:

Låt oss säga att vi utvecklar en visuell inspektionsmodell för kvalitetsbedömning i byggnader. Huvudfokus är att upptäcka defekter på väggarna. En omfattande datamängd är nödvändig för att få exakta visuella inspektionsresultat, eftersom defektkategorierna kan vara otroligt olika, från skalning av färg och mögel till väggsprickor. Det optimala tillvägagångssättet här skulle vara att utveckla en instanssegmenteringsbaserad modell från grunden. En förutbildad modell är också användbar i vissa fall.

Ett annat exempel är en visuell inspektion för farmaceutisk tillverkning, där du vill skilja luftbubblor från partiklar i produkter som mycket viskösa föräldralösningar. Förekomsten av bubblor är den enda defektkategorin här, så den erforderliga datamängden kommer inte att vara så omfattande som i exemplet ovan. Det optimala tillvägagångssättet för djupinlärningsmodell kan vara att använda en modellutvecklingstjänst framför att utveckla en från början.

4. Träna och utvärdera

Nästa steg efter att ha utvecklat den visuella inspektionsmodellen är att träna den. I detta skede validerar och utvärderar datavetenskapare modellens prestanda och resultatnoggrannhet. En testuppsättning är användbar här. Ett visuellt inspektionssystem kan vara en uppsättning videoposter som antingen är föråldrade eller liknande dem vi vill bearbeta efter distributionen.

5. Distribuera och förbättra

När du använder en visuell inspektionsmodell är det viktigt att överväga hur programvaru- och hårdvarusystemarkitekturer motsvarar en modellkapacitet.

Mjukvara 

Strukturen för visuell inspektionsdriven programvara bygger på kombinationen av webblösningar för dataöverföring och ett Python-ramverk för behandling av neurala nätverk. 

Nyckelparametern här är datalagring. Det finns tre vanliga sätt att lagra data: på en lokal server, en molntjänst eller en serverlös arkitektur. 

Ett visuellt inspektionssystem innefattar lagring av videoposter. Valet av datalagringslösning beror ofta på en djupinlärningsmodellfunktion. Till exempel, om ett visuellt inspektionssystem använder en stor datamängd, kan det optimala valet vara en molntjänst.

hårdvara

Beroende på branschen och automatiseringsprocesser kan enheter som krävs för att integrera visuellt inspektionssystem inkludera:

• Kamera: Det viktigaste kameralternativet är videoströmning i realtid. Några exempel inkluderar IP och CCTV.
• Inkörsport: Både dedikerade hårdvaruapparater och program fungerar bra för ett visuellt inspektionssystem.
• CPU/GPU: Om realtidsresultat är nödvändiga, skulle en GPU vara det bättre valet än en CPU, eftersom den förra har en snabbare bearbetningshastighet när det gäller bildbaserade djupinlärningsmodeller. Det är möjligt att optimera en CPU för drift av den visuella inspektionsmodellen, men inte för utbildning. Ett exempel på en optimal GPU kan vara jetson nano. 
• Fotometrar (valfritt): Beroende på ljusförhållandena i den visuella inspektionssystemmiljön kan fotometrar behövas.
• Kolorimeter (valfritt): Vid upptäckt av färg och luminans i ljuskällor har färgmätare med avbildning konsekvent höga rumsliga upplösningar, vilket möjliggör detaljerade visuella inspektioner. 
• Termografisk kamera (valfritt): Vid automatisk inspektion av ång-/vattenledningar och anläggningar är det en bra idé att ha termografiska kameradata. Termografiska kameradata ger värdefull information för upptäckt av värme/ånga/vattenläckage. Värmekameradata är också användbara för inspektion av värmeisolering.
• Drönare (valfritt): Numera är det svårt att föreställa sig automatisk inspektion av svåråtkomliga områden utan drönare: byggnadens inre, gasledningar, tankfartyg visuell inspektion, raket/shuttle inspektion. Drönare kan vara utrustade med högupplösta kameror som kan göra feldetektering i realtid.

Djupinlärningsmodeller är öppna för förbättring efter distribution. Ett djupinlärningssätt kan öka det neurala nätverkets noggrannhet genom iterativ insamling av ny data och modellträning. Resultatet är en ”smartare” visuell inspektionsmodell som lär sig genom att öka data under drift.

Användningsfall för visuell inspektion

Sjukvård

I kampen mot COVID-19 kan de flesta flygplatser och gränsövergångar nu kontrollera passagerare efter tecken på sjukdomen.

Baidu, det stora kinesiska teknikföretaget, utvecklade ett storskaligt visuellt inspektionssystem baserat på AI. Systemet består av datorsynbaserade kameror och infraröda sensorer som förutspår passagerartemperaturer. Tekniken, operativ i Pekings järnvägsstation Qinghe, kan skärma upp till 200 personer per minut. AI -algoritmen upptäcker alla som har en temperatur över 37.3 grader.

Ett annat verkligt fall är det djupa inlärningsbaserade systemet som utvecklats av alibaba företag. Systemet kan upptäcka coronaviruset i CT -skanningar på bröstet med 96% noggrannhet. Med tillgång till data från 5,000 fall av COVID-19 utför systemet testet på 20 sekunder. Dessutom kan det skilja mellan vanlig viral lunginflammation och coronavirus.

flygbolag

Enligt Boeing är 70% av marknaden för flyg- och rymdtjänster på 2.6 biljoner dollar avsedd för kvalitet och underhåll. År 2018 introducerade Airbus en ny automatiserad, dronebaserat flygplanskontrollsystem som påskyndar och underlättar visuella inspektioner. Denna utveckling minskar flygplanets driftstopp samtidigt som kvaliteten på inspektionsrapporterna ökar.

Bil

Toyota gick nyligen med på en uppgörelse på 1.3 miljarder dollar på grund av ett fel som fick bilar att accelerera även när förare försökte sakta ner, vilket resulterade i 6 dödsfall i USA Använda de kognitiva funktionerna i visuella inspektionssystem som Cognex ViDikan biltillverkare analysera och identifiera kvalitetsproblem mycket mer exakt och lösa dem innan de inträffar.

Tillverkning av datorutrustning

Efterfrågan på mindre kretskortsdesigner växer. Fujitsu Laboratories har stått i spetsen för utvecklingen av AI-aktiverade igenkänningssystem för elektronikindustrin. De rapporterar betydande framsteg i kvalitet, kostnad och leverans.

Textil

Implementeringen av automatiserad visuell inspektion och en djup inlärningsmetod kan nu upptäcka problem med textur, vävning, sömmar och färgmatchning.

Till exempel, Datacolors AI -system kan överväga historiska data från tidigare visuella inspektioner för att skapa anpassade toleranser som matchar närmare proverna.

Vi kommer att avsluta med ett citat från den chef som vi nämnde tidigare: ”Det spelar ingen roll för mig om den föreslagna tekniken är den bästa, men jag bryr mig om hur bra det kommer att lösa mina problem.”

Solpaneler

Solpaneler är kända för att drabbas av damm och mikrosprickor. Automatiserad inspektion av solpaneler under tillverkning och före och efter installation är en bra idé för att förhindra överföring av felaktiga solpaneler och snabb upptäckt av skadade paneler på din solfarmgård. Till exempel DJI Enterprise använder drönare för inspektion av solpaneler.

Rörledningskontroll

Gas- och oljeledningar är kända för att ha en enorm längd. De senaste uppgifterna från 2014 ger totalt drygt 2,175,000 3,500,000 120 mil (XNUMX XNUMX XNUMX km) rörledning i XNUMX länder i världen. Gas- och oljeläckage kan leda till massiv skada på naturen genom kemisk förorening, explosioner och brand.

Satellit- och drönareinspektion med hjälp av datorsynstekniker är ett bra verktyg för tidig upptäckt och lokalisering av gas-/oljeläckage. Nyligen DroneDeploy rapporterade att de kartlagt cirka 180 mil rörledningar.

AI Visual Inspection: Viktiga takeaways

1. Konceptet: Al visuell inspektion bygger på traditionella datorsynmetoder och människosyn.
2. Val: Utvecklingsmetod för djupinlärning beror på uppgiften, leveranstiden och budgetgränserna.
3. Algoritm: Algoritmer för djupinlärning upptäcker defekter genom att imitera en mänsklig analys medan du kör ett datoriserat system.
4. arkitektur: Programvara och hårdvara ska motsvara kapacitet för djupinlärning.
5. Huvudfråga: När en visuell inspektion initieras är huvudfrågan "Vilka defekter ska systemet upptäcka?"
6. Förbättringar: Efter distribution blir modellen för djupinlärning "smartare" genom dataanhopning.

PlatoAi. Web3 Reimagined. Datainformation förstärkt.
Klicka här för att komma åt.

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