Preverjanje ustreznosti plastičnih kosov s strojnim vidom in umetno inteligenco

Sistem strojnega vida

Pregledano ohišje merilnika pretoka plina je kompleksen izdelek, sestavljen iz več komponent, zato smo za preverjanje njegove ustreznosti zasnovali celico iz dveh postaj. Opremili smo ju s komponentami, ki zagotavljajo zanesljivost in visoko natančnost zajema slike v industrijskem okolju. Celica vsebuje skupno 5 visokozmogljivih kamer ter 10 namenskih industrijskih LED-svetil za osvetlitev ozadja in pregledovanih površin.

Na prvi postaji kamere zajamejo sliko površine kosa. LED-osvetlitev enakomerno osvetli površino kosa z vseh strani, zagotavljajoč enake pogoje za zajem celotne slike. Za celovito kontrolo kakovosti se manipulacija kosa opravi s prilagojenim robotskim prijemalom, ki omogoča zajem slike z vseh strani.

Za zaznavo morebitnih nepravilnosti v prosojnem okencu za odčitavanje merilnika se kos osvetli s spodnje strani, kar poudari nepravilnosti in omogoča lažjo zaznavo napak.

Po zajemu slik sistem prične z analizo vseh nastavljenih parametrov. Vsaka slika je hkrati analizirana v celoti in v manjših delih; sočasna analiza manjših delov omogoča hitrejši izračun vseh parametrov in zaključek analize

Analiza zajete slike

Kosi imajo kompleksno obliko, zato je ključno, da so parametri premišljeno nastavljeni. Sistem zazna morebitne napake na različnih delih kosa glede na skupine slikovnih točk v bližini. S pomočjo strojnega vida zazna kontrast med posameznimi slikovnimi točkami in primerja kontrast sosednjih točk. Na podlagi analize majhnega dela slike lahko napove, ali je sprememba kontrasta posledica napake ali pa je pričakovana zaradi različnih lastnosti površine kosa, kot so tipke, vdolbine in prosojna okna.

Analiza mora biti izredno hitra, da ne vpliva na trajanje proizvodnega cikla, zato poteka istočasno na manjših delih celotne slike, medtem ko robot premika kos na drugo postajo. Vključuje preverjanje ustreznosti vseh površin, primerno zalitost kosa, morebitno pomanjkljiv nanos materiala ter iskanje napak na prosojnem okencu. Sistem tudi preveri, ali so vse brizgane komponente dimenzijsko in pozicijsko primerne.

Sistem je usklajen z robotskim programom in za nemoten cikel posreduje rezultate še pred trenutkom prevzema, da se robot usmeri na trak ustreznih kosov ali na trak kosov za odloženo klasifikacijo z možnostjo popravila.

Tehnologija globokega učenja

Pri oblikovanju rešitve za iskanje napak smo se zaradi kompleksnosti odločili za  uporabo tehnologije umetne inteligence, natančneje tehniko globokega učenja, znano tudi kot “deep learning”. Ta tehnika temelji na uporabi globoke večslojne nevronske mreže in se pogosto uporablja za prepoznavanje govora, slik, razumevanje in generiranje besedil ter učenje na podlagi izkušenj. Pri naši rešitvi smo uporabili model YOLO (You Only Look Once), ki omogoča izjemno hitro in natančno zaznavanje objektov. Ta pristop nam omogoča večji nadzor nad iznosom informacij, vendar zahteva tudi večjo količino vhodnih podatkov.

Vsaka plast naše nevronske mreže ima tako približno 3 milijone vozlišč, skupno pa več kot 50 milijonov, in analizira 9 slik vsakega produkta z ločljivostjo do 20 milijonov slikovnih točk.

V Inei smo razvili obsežen nabor predlog kosov z napakami, ki smo jih uporabili za učenje sistema prepoznavanja vzorcev sprejemljivih in nesprejemljivih napak. Za izhodišče smo uporabili ocene operaterjev v podjetju Plastika Skaza. Na podlagi testnih primerov smo sistem naučili prepoznavati odstopanja v kontrastu med posameznimi slikovnimi točkami glede na določene mejne vrednosti in predpisan tolerančni okvir. Na osnovi teh podatkov se sistem odloči, ali zaznano odstopanje v kontrastu dejansko predstavlja napako ali ne.