Kontrola kvality pomocou počítačového videnia
- Vizuálna kontrola klasifikuje chyby rýchlosťou linky a vedie zavádzanie priemyselnej AI s približne 11 % prípadov použitia (IoT Analytics).
- Hlboké učenie nahradilo pravidlové strojové videnie pri kozmetických a premenlivých chybách; klasické pravidlá stále vyhrávajú pri kontrole rozmerov a meraní.
- Ide o učenie s učiteľom: výkon zodpovedá veľkosti a kvalite vašej označenej knižnice chýb.
- Videnie vám povie, že chyba existuje; procesné ML vám povie, prečo sa opakuje: sú to doplnkové vrstvy.
Automatizovaná optická kontrola je predmostím priemyselnej AI: prípad použitia s najjasnejším porovnaním pred/po, najvyspelejšími nástrojmi a najväčším podielom nasadení: asi 11 % trhu priemyselnej AI podľa prípadov použitia, podľa IoT Analytics. Kamera a natrénovaný klasifikátor kontrolujú každý kus rýchlosťou linky, zatiaľ čo ľudskí kontrolóri vyberajú vzorky a unavia sa.
Hlboké učenie vs. klasické strojové videnie
Pravidlové videnie (hrany, bloby, meradlá) stále ovláda rozmerové meranie: je deterministické a auditovateľné. Hlboké učenie ovláda všetko, čo sa mení: škrabance, textúry, zvary, povrchovú kozmetiku, zostavy fotografované z nešikovných uhlov. Praktické systémy kombinujú oboje a no-code nástroje dodávateľov na trénovanie urobili z pretrénovania na novú chybu úlohu pre technika, nie projekt pre integrátora.
Dátová náročnosť
Ide o učenie s učiteľom: potrebuje označené príklady chýb a zriedkavé chyby sú, z definície, zriedkavé. Úspešné programy berú knižnicu chýb ako aktívum: každý únik a každé falošné vyradenie sa označí a vráti späť. Syntetická augmentácia pomáha natiahnuť malé knižnice; disciplínu spätnej väzby nenahradí.
Videnie ju nájde; procesné ML ju vysvetlí
Kontrolný systém, ktorý celý týždeň počíta tú istú chybu, je úspechom detekcie a zlyhaním prevencie. Vyspelý vzor zapája výstup videnia do ML na optimalizáciu procesu ako ďalšiu premennú, aby platforma mohla korelovať mieru chýb so správaním procesu pred ňou, a uzavrieť slučku od „zachytili sme to“ k „prestali sme to vyrábať“.
Časté otázky
- Koľko snímok chýb potrebujeme na začiatok?
- Menej, než tvrdí folklór: moderné nástroje začínajú byť užitočné od desiatok až stoviek príkladov na triedu chyby a zlepšujú sa so spätnou väzbou. Skutočnou požiadavkou je disciplína priebežného označovania únikov a falošných vyradení.
- Odstráni vizuálna kontrola kontrolórov?
- Presunie ich: od zízania na diely k rozhodovaniu hraničných prípadov, ladeniu systému a riadeniu slučky spätnej väzby. Závody zvyčajne presúvajú kontrolných pracovníkov k prevencii, namiesto aby ich prepúšťali.
Každé číslo z tohto webu: v jednej tabuľke so zdrojmi.
Výpočet trhu 43,6 mld. USD, podiely prípadov použitia, bariéry zavádzania a publikované výsledky nasadení, s nedotknutým stĺpcom zdrojov. Pripravené na vloženie priamo do vášho business case.