Kontrola kvality pomocí počítačového vidění
- Vizuální kontrola klasifikuje vady rychlostí linky a vede zavádění průmyslové AI s přibližně 11 % případů užití (IoT Analytics).
- Hluboké učení nahradilo pravidlové strojové vidění u kosmetických a proměnlivých vad; klasická pravidla stále vítězí u kontroly rozměrů a měření.
- Jde o učení s učitelem: výkon odpovídá velikosti a kvalitě vaší označené knihovny vad.
- Vidění vám řekne, že vada existuje; procesní ML vám řekne, proč se opakuje: jde o doplňkové vrstvy.
Automatizovaná optická kontrola je předmostím průmyslové AI: případ užití s nejjasnějším srovnáním před/po, nejvyspělejšími nástroji a největším podílem nasazení: asi 11 % trhu průmyslové AI podle případů užití, dle IoT Analytics. Kamera a natrénovaný klasifikátor kontrolují každý kus rychlostí linky, zatímco lidští kontroloři vybírají vzorky a unaví se.
Hluboké učení vs. klasické strojové vidění
Pravidlové vidění (hrany, bloby, měřidla) stále ovládá rozměrové měření: je deterministické a auditovatelné. Hluboké učení ovládá vše, co se mění: škrábance, textury, svary, povrchovou kosmetiku, sestavy fotografované z nešikovných úhlů. Praktické systémy kombinují obojí a no-code nástroje dodavatelů pro trénování udělaly z přeučení na novou vadu úkol pro technika, ne projekt pro integrátora.
Datová náročnost
Jde o učení s učitelem: potřebuje označené příklady vad a vzácné vady jsou, z definice, vzácné. Úspěšné programy berou knihovnu vad jako aktivum: každý únik a každé falešné vyřazení se označí a vrátí zpět. Syntetická augmentace pomáhá natáhnout malé knihovny; disciplínu zpětné vazby nenahradí.
Vidění ji najde; procesní ML ji vysvětlí
Kontrolní systém, který celý týden počítá tutéž vadu, je úspěchem detekce a selháním prevence. Vyspělý vzor zapojuje výstup vidění do ML pro optimalizaci procesu jako další proměnnou, aby platforma mohla korelovat míru vad s chováním procesu před ní, a uzavřít smyčku od „zachytili jsme to“ k „přestali jsme to vyrábět“.
Časté dotazy
- Kolik snímků vad potřebujeme na začátek?
- Méně, než tvrdí folklor: moderní nástroje začínají být užitečné od desítek až stovek příkladů na třídu vady a zlepšují se se zpětnou vazbou. Skutečným požadavkem je disciplína průběžného označování úniků a falešných vyřazení.
- Odstraní vizuální kontrola kontrolory?
- Přesune je: od zírání na díly k rozhodování hraničních případů, ladění systému a řízení smyčky zpětné vazby. Závody obvykle kontrolní pracovníky přesouvají k prevenci, místo aby je propouštěly.
Každé číslo z tohoto webu: v jedné tabulce se zdroji.
Výpočet trhu 43,6 mld. USD, podíly případů užití, bariéry zavádění a publikované výsledky nasazení, s nedotčeným sloupcem zdrojů. Připravené k vložení přímo do vašeho business case.