Sztuczna inteligencja zwiększa dostępność systemów wizyjnych

Najnowsze osiągnięcia w zakresie analizy obrazu opartej na AI sprawiły, że systemy wizyjne stały się dostępne dla wszystkich firm, również tych bez zaplecza technicznego czy wiedzy programistycznej. To znacznie skraca czas potrzebny na wdrożenie w procesy kontrolne, a jednocześnie zwiększa wydajność linii produkcyjnych.

Nowatorska „inteligentna” technologia wizyjna nie tylko sprawia, że wdrożenie oraz używanie systemów wizyjnych i czytników kodów jest łatwiejsze niż kiedykolwiek wcześniej. Przede wszystkim poprawia ona kontrolę jakości, optymalizuje wykorzystanie materiałów i energii oraz zwiększa identyfikowalność produktów i wydajność produkcji.

Systemy wizyjne — sprawdzone źródło wydajności

W skrócie, maszynowe systemy wizyjne znajdują zastosowanie w wielu procesach produkcyjnych. Przykładowo, potrafią identyfikować wady produktu, weryfikować montaż końcowy, liczyć elementy, robić pomiary i wykonywać wiele innych zadań. Brak ograniczeń fizycznych, takich jak zmęczenie, powoduje, że maszyny mogą pracować 24 godziny na dobę z niezmienną wydajnością, oferując większą precyzję i szybkość niż człowiek. Rozwój przemysłowych systemów wizyjnych umożliwił znacznie więcej niż tylko wykrywanie produktów niezgodnych z wymaganiami.

Deep Learning w złożonych zastosowaniach

Liczba możliwych zastosowań sztucznej inteligencji jest szeroka — rozpoznawanie obrazu, głosu, tekstu i twarzy to tylko przykłady. W zaawansowanych operacjach produkcyjnych technologia ta okazuje się mieć duże znaczenie dla kontroli jakości i innych zadań związanych z inspekcją. Deep Learning szczególnie dobrze sprawdza się w złożonych zastosowaniach, np. wychwytując niewielkie kosmetyczne zmiany w produktach, ale także doskonale wykrywając zadrapania i wgniecenia na obracanych, szczotkowanych lub polerowanych elementach.

Dzięki technologii Deep Learning, przemysłowe systemy wizyjne wykrywają anomalie, a jednocześnie potrafią rozpoznawać naturalne zmiany w złożonych wzorcach. Z kolei sieci neuronowe naśladujące ludzką inteligencję pozwalają maszynom robić to, co przychodzi ludziom naturalnie: uczyć się na przykładach. Maszynowe systemy wizyjne, wykorzystując tę technologię, mogą zatem stale poprawiać swoją wydajność wskutek ekspozycji na nowe teksty i obrazy.

Choć ludzkie oko w niektórych przypadkach nadal pozostaje najlepszym lub jedynym wyborem (np. przy jakościowej interpretacji złożonego obrazu), technologia Deep Learning realizuje zadania kontrolne oparte na ocenie bardziej efektywnie niż człowiek lub tradycyjne systemy wizyjne. W Schneider Electric inwestycja okazała się mieć znaczący wpływ. Dzięki zastosowaniu systemu wizyjnego do zautomatyzowania złożonej kontroli procesu lutowania, zakład w bułgarskim mieście Płowdiw, zaoszczędził 40 000 euro w ciągu roku, a jednocześnie zmniejszył ilość odpadów i zwiększył wydajność linii.

Dostępność dla mniejszych firm

Chociaż skuteczne wdrożenie projektów Deep Learning wymaga odpowiedniego przygotowania, wiedzy i zasobów, dzięki rozwojowi technologii Edge Learning, oparta na sztucznej inteligencji analiza obrazu stała się dostępna także dla mniejszych firm.

Edge Learning to technologia, która pozwala przetwarzać informacje albo bezpośrednio na urządzeniach, albo jak najbliżej ich źródła. Ma to wiele zalet.

Przede wszystkim — łatwa obsługa. Wdrożenie i używanie systemu wizyjnego opartego na Edge Learning nie wymaga specjalistycznej wiedzy z zakresu działania tego typu systemów czy też sztucznej inteligencji. Bazując na wstępnie wytrenowanych algorytmach technologia ta potrzebuje niewiele czasu i zaledwie kilku obrazów, by nauczyć się odróżniać elementy niedopuszczalne od tych prawidłowych. Powoduje to, że mogą z niej korzystać zarówno eksperci, jak i osoby początkujące, a gama zastosowań tej technologii do automatyzacji procesów w fabrykach jest niezwykle szeroka.

Systemy wizyjne wykorzystujące Edge Learning budują przewagę konkurencyjną dla firm każdej wielkości. Automatyzacja inspekcji oparta na tego typu systemach nie wymaga bowiem wysokich nakładów inwestycyjnych czy umiejętności programistycznych.

Firma Federal Package z Minnesoty, zajmująca się pakowaniem kosmetyków i farmaceutyków, wyposażyła zakład w systemy wizyjne bazujące na Edge Learning. Wcześniej wykrywaniem kropli wyciekających z butelek zajmowali się operatorzy. Wprowadzenie automatyzacji zwiększyło skuteczność kontroli jakości do 99%, dla 100% produktów.

Osiągając taki sukces w jednym procesie, Federal Package planuje zautomatyzować weryfikację informacji drukowanych na etykietach produktów (kody partii, daty itp.). Ułatwi to zarządzanie zapasami i kontrolowanie partii w całym łańcuchu dostaw. Operatorzy zostali z kolei przydzieleni do zadań, w których ich praca generuje większą wartość.

Śledzenie produkcji i monitorowanie wydajności - klucze do Przemysłu 4.0

Wynikająca z przepisów identyfikowalność produkcji, jest dziś głównie obecna w przemyśle spożywczym i farmaceutycznym, lecz staje się coraz ważniejsza także w innych sektorach. Wpływają na to wymagania klientów, którzy chcą znać pochodzenie spożywanych produktów.

Identyfikowalność, która umożliwia śledzenie części, produktu lub opakowania przez cały cykl życia, to kluczowy element łańcucha dostaw — od wydobycia materiałów po recykling skonsumowanego produktu. Najczęściej przy użyciu kodów identyfikowane jest kto, co, kiedy i gdzie wyprodukował.

Odczytaniu informacji z kodu służą dwie technologie: skanery laserowe i skanery oparte na obrazie, które wykorzystują systemy wizyjne. W przeciwieństwie do skanerów laserowych, skanery wizyjne łączą w czasie rzeczywistym wizualizację z analizą dla każdego kodu. Dzięki zaawansowanym algorytmom dekodowania i opcjom oświetlenia skanery te są w stanie odczytać wiele kodów 1D i 2D, symbole kodów, a nawet kody na błyszczących i odbijających światło powierzchniach.

Połączenie technologii wizyjnych z platformami typu Edge Computing, które pozwalają realizować scentralizowaną analizę opartą na chmurze bezpośrednio obok linii produkcyjnych, sprawiło, że procesy identyfikowalności weszły na wyższy poziom. Kombinacja ta pozwala wydobyć cenne dane z informacji zebranych przez skanery kodów w całym przedsiębiorstwie. Dane te umożliwiają identyfikację problemów, pozwalają zrozumieć, dlaczego nie udało się odczytać danego kodu, i przyspieszają podjęcie działań.

Inteligentna automatyzacja jako odpowiedź na brak zasobów

Zastosowanie technologii do automatyzacji procesów inspekcji i śledzenia produkcji jest kluczowe dla firm, które chcą przetrwać na globalnym rynku konkurencji. Systemy wizyjne, poprzez automatyzację procesów, pomagają optymalizować zasoby, a tym samym pozwalają firmom nadal rozwijać swoją działalność — nawet na wymagającym rynku. To właśnie rozwiązania oparte na technologii wizyjnej, jak i narzędzia inspekcyjne wykorzystujące sztuczną inteligencję, które są dostępne dla wszystkich firm, zwiększają jakość i produktywność pracy, a jednocześnie redukują ilość marnowanych zasobów poprzez wczesne wykrywanie błędów w procesie produkcyjnym.

source: Cognex