KRÆVER ET KVALITETSKONTROLSYSTEM ALTID ET INTELLIGENT KAMERA?

Automatisk kvalitetskontrol blev indtil for nylig forbundet med dyre intelligente kameraer og avancerede visionssystemer. I dag gør udviklingen af kunstig intelligens og kompakte embeddede platforme det muligt at realisere mange AI Vision Inspection-applikationer meget enklere. Hvordan fungerer moderne kvalitetskontrol ved hjælp af AI, og hvad er det bedste sted at starte dit eget projekt?

EN DEFEKT DEL ER IKKE ALTID LET AT OPDAGE
Forestil dig en produktionslinje, hvor en ny del vises hvert par sekunder. I tilfælde af masseproduktion ville manuel kontrol af hver enkelt del ikke kun være tidskrævende, men også økonomisk ufordelagtig. Af denne grund anvender moderne produktionsanlæg i stigende grad automatiserede kvalitetskontrolsystemer, der udfører inspektion af hvert produkt på en ensartet og præcis måde. Operatørens rolle forsvinder ikke – den ændrer sig dog. I stedet for at kontrollere alle detaljer, verificerer mennesket oftest kun de produkter, der tidligere er blevet markeret af systemet som potentielt ikke-konforme. Denne tilgang øger effektiviteten af processen og tillader samtidig at fokusere på tilfælde, der kræver reel vurdering.

I mange produktionsprocesser er en lille afvigelse fra normen – dårligt udført tryk, manglende enkelt del, forkert farve eller beskadiget overflade – nok til, at det færdige produkt ikke opfylder kvalitetskravene.

I årevis blev sådanne opgaver overdraget til medarbejdere eller specialiserede visionssystemer baseret på intelligente kameraer. Begge løsninger har deres fordele, men hver er også forbundet med visse begrænsninger. Manuel kontrol er tidskrævende og fejlbehæftet på grund af operatørens træthed, mens professionelle visionssystemer ofte kræver betydelige finansielle investeringer og specialiseret viden under implementeringen.

Findes der en mellemvej?

HVAD ER AI VISION INSPECTION EGENTLIG?
Klassiske visionssystemer baserer sig på et sæt foruddefinerede regler. Softwaren analyserer billedet, måler afstande, detekterer kanter eller sammenligner former med et gemt mønster. Denne tilgang fungerer i mange applikationer, men bliver mindre effektiv, når de kontrollerede produkter varierer fra hinanden, eller når antallet af mulige varianter er meget stort.

Kunstig intelligens ændrer måden sådanne systemer fungerer på.

I stedet for stift programmerede regler anvendes en maskinlæringsmodel, der lærer at genkende karakteristiske træk ved produktet baseret på leverede eksempler. Efter passende træning kan den klassificere billeder, detektere uoverensstemmelser eller identificere specifikke objekter med stor nøjagtighed.

Dette betyder, at systemet ikke behøver at få en nøjagtig beskrivelse af hver mulig fejl. I mange tilfælde er det nok at lære det, hvordan et korrekt produkt ser ud, eller forberede et sæt eksempelbilleder, der viser både korrekte og defekte elementer.

For at dette skal være muligt, skal modellen først trænes på et passende forberedt sæt billeder, der viser både korrekte og defekte produkter. Baseret på dette lærer den at genkende karakteristiske træk ved de enkelte klasser og detektere afvigelser fra mønstret.

AI ERSTATTER IKKE OPERATØREN – DEN UNDERSTØTTER HAM
En af de mest gentagne myter om kunstig intelligens er troen på, at den helt skal erstatte mennesket. I praksis spiller moderne kvalitetskontrolsystemer en helt anden rolle.

Deres opgave er at udføre gentagne handlinger med uændret nøjagtighed i mange timers arbejde. Mennesket træffer stadig beslutningen om, hvad der skal ske med produktet, mens AI-systemet hjælper med at identificere elementer, der kræver yderligere kontrol.

Denne tilgang reducerer antallet af oversete fejl, forkorter kontroltiden og aflaster operatørerne fra monotone opgaver.

HVOR FUNGERER SÅDANNE LØSNINGER BEDST?
AI Vision Inspection-systemer finder anvendelse i mange industrier.

De bruges oftest til:

at detektere manglende elementer,
kontrol af korrekt montage,
kontrol af printkvalitet og mærkning,
farvegenkendelse,
produktklassificering,
detektion af overfladeskader,
verifikation af tilstedeværelsen af etiketter eller koder.
Vigtigt er, at lignende løsninger ikke nødvendigvis skal implementeres på hele produktionslinjen. Ofte er det første skridt at bygge en lille teststation, der tillader at teste AI-modellens effektivitet under reelle forhold.

HVORDAN FUNGERER ET MODERNE AI VISION INSPECTION-SYSTEM?
Selvom betegnelsen AI Vision kan lyde kompliceret, er den grundlæggende driftsprincip for sådanne systemer relativt enkel. Kameraet registrerer et billede af produktet, hvorefter en specielt trænet model analyserer det og sammenligner det med mønstre gemt under træningsprocessen.

Afhængigt af anvendelsen kan systemet svare på forskellige spørgsmål:

Er alle elementer korrekt monteret?
Har produktet den rigtige farve?
Er der opstået ridser eller revner på overfladen?
Er etiketten placeret korrekt?
Er trykket komplet og læseligt?
Tilhører produktet den rigtige kvalitetsklasse?
Den største fordel ved denne tilgang er muligheden for at analysere billedet i realtid samt opretholde samme nøjagtighed uanset antallet af kontrollerede produkter.

FRA BILLEDE TIL BESLUTNING
Ligesom med overvågning af vibrationer udfører et visionssystem også flere efterfølgende databehandlingsstadier.

Den typiske proces ser således ud:

Kamera → Billedbehandling → Maskinlæringsmodel → Klassifikation → Beslutning

Afhængigt af applikationstypen kan det endelige resultat være:

information om et korrekt produkt,
detektion af en fejl,
tildeling af produktet til en passende klasse,
afvisning af elementet fra produktionslinjen,
overførsel af information til operatøren eller styringssystemet.
Analyse udføres oftere lokalt uden behov for at sende hvert billede til en server. Dette reducerer forsinkelser, mindsker netværksbelastningen og muliggør hurtigere reaktion på detekterede uregelmæssigheder.

FRA PROOF OF CONCEPT TIL IMPLEMENTERING
En af de største fordele ved moderne AI-værktøjer er muligheden for meget hurtig forberedelse af en demonstrator.

Det er ikke nødvendigt at designe et komplet kvalitetskontrolsted fra starten. En langt mere fornuftig tilgang er at starte med et lille pilotprojekt.

Et eksempel scenarie kunne se sådan ud:

Vælg en proces, der kræver kvalitetskontrol.
Forbered en station med et kamera og passende belysning.
Saml billeder af korrekte og defekte produkter.
Træn en maskinlæringsmodel.
Test effektiviteten under reelle forhold.
Udvid løsningen med flere stationer.
Denne tilgang gør det muligt hurtigt at vurdere løsningens effektivitet og bestemme, om automatisk kvalitetskontrol vil medføre de forventede fordele.

ARDUINO UNO Q SOM PLATFORM FOR AI VISION-APPLIKATIONER

I kampagnen “Opdag praktiske anvendelser af Edge AI med Arduino UNO Q” viser Arduino, at kunstig intelligens kan finde anvendelse ikke kun i datacentre eller industrielle computere, men også i kompakte enheder, der arbejder direkte på produktionslinjen.

Platformen Arduino UNO Q gør det muligt at bygge demonstratorer og applikationer, der anvender lokal billedanalyse og samarbejder med kameraer, der er kompatible med Arduino-økosystemet. Dette gør det muligt at oprette et system, der analyserer billedet direkte på enheden og kun overfører resultatet af klassifikationen eller information om en detekteret uoverensstemmelse.

Platformen er velegnet både til opbygning af demonstratorer og Proof of Concept-projekter samt til implementering af de første applikationer, der anvender AI Vision.

HVORDAN SER EN EKSEMPELARKITEKTUR FOR LØSNINGEN UD?
Kamera
│
▼
Arduino UNO Q
│
Forbehandling af billede
│
Maskinlæringsmodel
│
Produktklassifikation
│
├── OK / NOK signal
├── Notifikation til operatør
└── PLC / SCADA / MES system
En sådan arkitektur kan nemt udvides med yderligere komponenter som LED-belysning, sensorer til registrering af emners tilstedeværelse, kommunikationsmoduler eller en brugergrænseflade.

HVILKE KOMPONENTER ER NØDVENDIGE?
Opbygningen af en enkel AI Vision Inspection-station kræver ikke mange komponenter, men det korrekte valg af komponenter er afgørende for systemets ydeevne.

Et grundlæggende sæt kan omfatte:

Produkt Funktion
Arduino UNO Q platform til styring og databehandling
Arduino-kompatibelt kamera billedoptagelse
LED-belysning sikrer ensartede forhold ved billedoptagelse
Sensor til registrering af emners tilstedeværelse synkronisering af billedoptagelse
Kommunikationsmodul overførsel af analyseresultater (Uno Q understøtter Bluetooth / WiFi som standard)
Strømforsyning, kabler og stik opbygning af en komplet station
Alle komponenter, der er nødvendige for at bygge en demonstrator eller prototype, kan sammensættes fra TME’s sortiment, hvorefter projektet kan videreudvikles i takt med nye krav.

OPSUMMERING
For blot få år siden blev automatisk kvalitetskontrol primært forbundet med dyre visionsystemer. Udviklingen inden for maskinlæringsmodeller og kompakte embedded-platforme har dog gjort det langt mere tilgængeligt at opbygge sin egen AI Vision Inspection-station.

Ved at starte med et mindre pilotprojekt kan man verificere løsningens effektivitet, opbygge erfaring og gradvist udvikle systemet i takt med virksomhedens behov. For mange virksomheder bliver netop et sådant pilotprojekt det første skridt mod implementering af AI-baseret automatisk kvalitetskontrol.

Platforme som Arduino UNO Q gør det sammen med kameraer, passende belysning og de øvrige komponenter i TME’s sortiment muligt at udvikle moderne applikationer, der anvender kunstig intelligens til automatisk kvalitetskontrol.

Køb Arduino UNO Q 2GB

Køb Arduino UNO Q 4GB

UDFORSK FLERE ANVENDELSER AF ARDUINO UNO Q
Kvalitetskontrol ved hjælp af AI er blot ét eksempel på mulighederne med Arduino UNO Q-platformen.

Se også, hvordan den kan bruges til:

Condition Monitoring og overvågning af maskinvibrationer,
Kørsel af lokale AI-agenter direkte på enheden.
Gå til siden “Udforsk praktiske anvendelser af Edge AI med Arduino UNO Q”
Kilde: https://www.tme.eu/dk/da/news/library-articles/page/78914/kraever-et-kvalitetskontrolsystem-altid-et-intelligent-kamera/