Ispezione di qualità con visione artificiale
- L'ispezione basata sulla visione classifica i difetti alla velocità di linea e guida l'adozione dell'AI industriale con circa l'11% dei casi d'uso (IoT Analytics).
- Il deep learning ha sostituito la visione artificiale a regole per i difetti estetici e variabili; le regole classiche vincono ancora per calibrazione e misura.
- È ML supervisionato: le prestazioni dipendono dalla dimensione e dalla qualità della sua libreria di difetti etichettati.
- La visione le dice che esiste un difetto; il ML di processo le dice perché continua a presentarsi: sono strati complementari.
L'ispezione ottica automatizzata è la testa di ponte dell'AI industriale: il caso d'uso con il prima/dopo più chiaro, gli strumenti più maturi e la quota più ampia di implementazioni: circa l'11% del mercato dell'AI industriale per caso d'uso, secondo IoT Analytics. Una telecamera e un classificatore addestrato ispezionano ogni pezzo alla velocità di linea, dove gli ispettori umani campionano e si stancano.
Deep learning contro visione artificiale classica
La visione a regole (bordi, blob, calibri) domina ancora la misura dimensionale: è deterministica e verificabile. Il deep learning domina tutto ciò che varia: graffi, texture, saldature, estetica delle superfici, assiemi fotografati da angolazioni difficili. I sistemi pratici mescolano entrambi, e gli strumenti di addestramento no-code dei fornitori hanno fatto del riaddestramento per un nuovo difetto un compito da tecnico anziché un progetto da integratore.
Il fabbisogno di dati
È apprendimento supervisionato: servono esempi di difetti etichettati, e i difetti rari sono, per definizione, rari. I programmi che riescono trattano la libreria dei difetti come un patrimonio: ogni difetto sfuggito e ogni falso scarto viene etichettato e reimmesso. L'aumento sintetico dei dati aiuta a estendere librerie piccole; non sostituisce la disciplina del riscontro.
La visione lo trova; il ML di processo lo spiega
Un sistema di ispezione che conta lo stesso difetto per tutta la settimana è un successo di rilevamento e un fallimento di prevenzione. Lo schema maturo collega l'output della visione al ML di ottimizzazione di processo come ulteriore variabile, così la piattaforma può correlare i tassi di difetto con il comportamento del processo a monte: chiudendo il ciclo da “l'abbiamo intercettato” a “abbiamo smesso di produrlo”.
Domande frequenti
- Quante immagini di difetti servono per partire?
- Meno di quanto dica la leggenda: gli strumenti moderni partono utilmente con decine o centinaia di esempi per classe di difetto e migliorano con il riscontro. Il vero requisito è la disciplina di etichettare continuamente difetti sfuggiti e falsi scarti.
- L'ispezione con visione elimina gli ispettori?
- Li sposta: dal fissare i pezzi al giudicare i casi limite, tarare il sistema e gestire il ciclo di riscontro. Gli stabilimenti di solito riassegnano il personale di ispezione alla prevenzione invece di tagliarlo.
Tutti i numeri di questo sito: in un unico foglio di calcolo con le fonti.
Il calcolo del mercato da 43,6 miliardi di dollari, le quote dei casi d'uso, gli ostacoli all'adozione e i risultati di implementazione pubblicati, con la colonna delle fonti intatta. Pronto da incollare nel suo business case.