Kontrola jakości z użyciem wizji maszynowej
- Inspekcja oparta na wizji klasyfikuje wady przy prędkości linii i prowadzi we wdrożeniach AI w przemyśle z ok. 11% zastosowań (IoT Analytics).
- Deep learning zastąpił regułową wizję maszynową przy wadach kosmetycznych i zmiennych; klasyczne reguły wciąż wygrywają przy pomiarach i sprawdzianach.
- To nadzorowane ML: wydajność zależy od wielkości i jakości biblioteki oznaczonych wad.
- Wizja mówi, że wada istnieje; ML procesowe mówi, dlaczego wciąż powstaje: to uzupełniające się warstwy.
Zautomatyzowana kontrola optyczna to przyczółek AI w przemyśle: zastosowanie z najwyraźniejszym efektem „przed/po”, najbardziej dojrzałymi narzędziami i największym udziałem we wdrożeniach: ok. 11% rynku AI w przemyśle według zastosowań, wg IoT Analytics. Kamera i wytrenowany klasyfikator sprawdzają każdą sztukę przy prędkości linii, tam gdzie ludzcy kontrolerzy pobierają próbki i się męczą.
Deep learning a klasyczna wizja maszynowa
Wizja regułowa (krawędzie, plamy, sprawdziany) wciąż króluje w pomiarach wymiarowych: jest deterministyczna i audytowalna. Deep learning króluje we wszystkim, co zmienne: rysy, tekstury, spoiny, kosmetyka powierzchni, zespoły fotografowane pod niewygodnym kątem. Praktyczne systemy łączą oba podejścia, a narzędzia no-code dostawców sprawiły, że dotrenowanie na nową wadę to zadanie technika, a nie projekt integratora.
Apetyt na dane
To uczenie nadzorowane: potrzebuje oznaczonych przykładów wad, a rzadkie wady są, z definicji, rzadkie. Udane programy traktują bibliotekę wad jak aktywo: każda przepuszczona wada i każde fałszywe odrzucenie jest oznaczane i wraca do modelu. Syntetyczne rozszerzanie danych pomaga powiększyć małe biblioteki; nie zastępuje dyscypliny informacji zwrotnej.
Wizja ją znajduje; ML procesowe ją wyjaśnia
System inspekcji, który przez cały tydzień liczy tę samą wadę, to sukces wykrywania i porażka zapobiegania. Dojrzały wzorzec podłącza wynik wizji do ML optymalizacji procesu jako kolejną zmienną, dzięki czemu platforma może korelować wskaźniki wad z zachowaniem procesu na wcześniejszych etapach: zamykając pętlę od „wyłapaliśmy” do „przestaliśmy produkować”.
Najczęstsze pytania
- Ile zdjęć wad potrzeba na start?
- Mniej, niż mówi folklor: nowoczesne narzędzia zaczynają sensownie działać od dziesiątek do setek przykładów na klasę wad i poprawiają się dzięki informacji zwrotnej. Prawdziwym wymogiem jest dyscyplina ciągłego oznaczania przepuszczonych wad i fałszywych odrzuceń.
- Czy kontrola wizyjna eliminuje kontrolerów?
- Przesuwa ich: od wpatrywania się w detale do rozstrzygania przypadków granicznych, strojenia systemu i prowadzenia pętli informacji zwrotnej. Zakłady zwykle przesuwają pracowników kontroli do zapobiegania, zamiast ich redukować.
Każda liczba z tej strony: w jednym arkuszu ze źródłami.
Wyliczenie rynku 43,6 mld USD, udziały zastosowań, bariery wdrożeń i opublikowane wyniki wdrożeń, z nienaruszoną kolumną źródeł. Gotowe do wklejenia wprost do Państwa business case’u.