Témata
Reklama

Využití neuronových sítí v optické kontrole

Většina moderních výrobních firem aktivně řeší, jak během výrobního procesu dosáhnout co nejvyšší kvality, za co nejnižší náklady. Přesto může dojít k chybě a vyráběný produkt není v požadované kvalitě. Důvodů může být mnoho, od špatného vstupního materiálu, přes poruchu některého ze strojů, či chyby operátora.

I přes automatizaci, která ve výrobních firmách nachází čím dál tím větší uplatnění, zůstává mnoho operací nebo výsledných produktů kontrolovaných člověkem. To působí značnou zátěž na mzdové náklady, dostupnost personálu, ale také nejistotu v kontrole. Řešením problému jsou systémy automatické optické nebo mechanické kontroly výroby.

Reklama
Reklama
Reklama
Boční pohled na přístrojovou desku s bezpečnostním prvkem ke kontrole. (Zdroj: Elya Solutions)
Boční pohled na přístrojovou desku s bezpečnostním prvkem ke kontrole. (Zdroj: Elya Solutions)

Pokud z linky vycházejí vždy za stejných podmínek

V minulosti používané metodiky na vyhodnocení obrazu dokážou spolehlivě určit přítomnost různých komponent produktu nebo vady výroby, ale pouze za předpokladu, že se opakuje stejný proces se stejnými podmínkami. Výrobek ke kontrole je manipulován vždy ve stejné poloze se stejným nasvětlením.

Za této situace lze vytvořit program rozpoznání tak, že algoritmus například hledá kontrolovaný objekt A v poloze vůči jinému objektu B, který vypadá vždy stejně, je na stejném místě a je snadné ho najít. Dále u objektu A kontroluje vlastnosti, jako je například rozměr, jas aj., a porovnává se vzorovým OK dílem. Vyhodnocení je pak snadné. Jsou objekty vůči sobě v jiné poloze? Díl je NOK. Objekty na obrazu chybí? Díl je NOK. Objekty jsou na daném místě, ale vypadají jinak? Díl je NOK. Problém nastává, když produkt ke kontrole může být manipulován v různé pozici, s různým nasvětlením a v obraze se může vyskytnout více věcí než na „ideálním“ snímku.

Většinou tomu tak není – příklad z praxe

Podobný příklad jsme řešili u výrobce přístrojových desek do automobilů. Původní zadání znělo: „Na bocích přístrojové desky je bílý oválný díl, který funguje jako pojistný bezpečnostní prvek pro jinou komponentu. Slouží k tomu, aby v případě nehody deska neopustila své místo ve voze a nezranila posádku. Přístrojová deska je manipulována stále stejně a ani světelné podmínky se nemění.“

Ze zadání se zdálo, že konvenční metoda bude vhodnou volbou. Nicméně po vyvinutí a nasazení technologie do výroby se ukázalo, že zadání nebylo zcela přesné. Přístrojové desky se ne vždy pohybovaly stejně, světelné podmínky i pozice pojistného dílu se měnily, a dokonce se v kontrolovaném místě vyskytovaly i další komponenty, které v zadání nebyly. Výsledkem tak byl nadměrný počet NOK vyhodnocení.

Další cesta byla jasná – použití neuronových sítí a přidání silnějšího nasvětlení. Vytvořili jsme vlastní neuronové sítě na míru dané aplikaci, do kterých jsme zahrnuli snímky a data, které jsme získali z funkce konvenčního řešení. Výsledkem byl v zásadě bezchybný poměr OK a NOK vyhodnocení, dále rychlá možnost úprav a zahrnování změn podmínek ve výrobě (nový typ desek, změna pozice dílu, výskyt neočekávaných entit na snímku, jako je ruka operátora atd.).

Správná vstupní data jsou alfou a omegou

Základem pro použití strojového učení je dostatek vstupních dat, v našem případě snímků kontrolovaného dílu. Čím větší množství snímků je získáno, tím přesnějšího vyhodnocení lze docílit. Do tzv. učicí sady snímků je důležité zahrnout co největší variace možností jak pro OK, tak NOK díly (např. možné vady, variace dílů a další odchylky od „ideálního stavu“).

Pak následuje rozřazení snímků, které jsou hodnoceny jako OK nebo NOK díl. Jakmile jsou připraveny, může se neuronová síť „začít učit“. Síť si sama vytvoří zobecněný „algoritmus“ pro vyhodnocení snímků. Dalším krokem je použití naučené neuronové sítě na nové snímky dílu, které nebyly použity v učicí množině snímků dílu.

Výsledek testu se projde se zákazníkem a zpřesní se hodnocení. Následně je systém připraven k nasazení do výroby s vysokou úrovní spolehlivosti i v měnícím se prostředí. Výhodou je, že pokud se zařadí nový díl nebo se začne objevovat nová anomálie ve výrobě, stačí to přidat do existující učicí množiny snímků. Neuronová síť se bez komplikací přeučí bez další potřeby připravovat nový software nebo hardware.

Jan Heřmánek

www.elya.cz

Reklama
Vydání #6&7,8
Kód článku: 200620
Datum: 10. 06. 2020
Rubrika: Výroba / Průmysl 4.0
Autor:
Firmy
Související články
Jarní setkání strojařů v Plzni

Více než 30 vystavovatelů, téměř 50 řečníků, tři výstavní haly a jeden nezapomenutelný strojírenský zážitek. Akce Strojírenská inspirace 2024 se konala v Plzni od 4. do 6. června 2024 a zaměřila se na digitální výrobu, automatizaci a inovace ve strojírenství. Letos poprvé se toto setkání uskutečnilo v areálu Depo2015, který se stal centrem pro sdílení zkušeností a nápadů mezi odborníky z průmyslu a digitalizace.

Digitální řešení pro přesná broušení

Je Průmysl 4.0 pouhá vize? Touto otázkou zahájil generální ředitel společností Studer, Schaudt a Mikrosa Jens Bleher letošní výroční tiskovou konferenci v sídle společnosti Fritz Studer ve švýcarském Thunu. Odpověď přišla záhy – ne pro skupinu United Grinding.

Urychlete svoji digitální transformaci

Jak může strategie digitální transformace, jejíž součástí je přechod na moderní distribuovaný řídicí systém, pomoci výrobcům dosáhnout vyšší produktivity, ziskovosti a snížit rizika? To se dozvíte, pokud se začtete do následujících řádek.

Související články
Chytré brýle pro průmysl

Chytré brýle a rozšířená realita se v posledních letech staly dalším trendovým tématem v průmyslovém prostředí. Na rozdíl od umělé inteligence, která je založena na strojovém učení a u které jsou stroje určeny k dlouhodobému nahrazení lidského faktoru, sleduje rozšířená realita jiný cíl: podporovat člověka v průmyslových procesech. Zde vstupuje firma Ayes, která představuje jedničku v oblasti hands-free technologií pro průmysl, chytré brýle RealWear HMT-1.

Reklama
Reklama
Reklama
Reklama
Související články
IoT na insfrastruktuře elektrických rozvodů

V minulém vydání jsme představili nový systém WorkSys, otevřenou IoT platformu pro tvorbu nových aplikací a jejich propojení s již existujícími. Dnes toto téma uzavřeme a představíme nástroj FactoryDashboard pro tvorbu komplexního digitálního dvojčete fabriky.

IoT na infrastruktuře elektrických rozvodů

Průmysl v současné době čelí potřebě transformovat lidskou činnost na činnost tvořivou a fyzicky náročnou rutinní práci na stroje a systémy. Jeho vyšší forma, inteligentní průmysl, pak předpokládá zjednodušené rozhraní mezi zákazníkem, výrobcem, dodavatelem a současně dává předpoklady tvorby komfortních pracovních podmínek.

Cesta k inteligentní výrobě

Existuje pádný důvod, proč je vytvářen globální tlak na rozvoj inteligentní výroby – díky důslednému propojování výrobních podniků a zajištění zásadních výrobních informací přináší výrobcům téměř neomezené příležitosti ke zlepšování provozních operací či vytváření přidané hodnoty a usnadňuje odpovědi na otázky, jak řešit nedostatek pracovníků s odpovídajícími schopnostmi.

Jaké objektivy vybrat pro strojové vidění a proč

Strojírenské i další výrobní firmy často řeší problém, jak co nejpřesněji a nejefektivněji něco změřit. Ke skutečně přesnému měření je nejúčinnější využít strojové vidění. Jenže abyste dostali opravdu špičkový výsledek, potřebujete nejen kvalitní software a dobrou kameru, ale hlavně správně vybraný typ objektivu. Jde o někdy podceňované téma, nicméně právě ve výběru objektivu se často chybuje, a pak je ohrožen celý výsledek měření, potažmo i výsledná kvalita výrobku. K tomu, aby se to nestalo i vám, pomohou následující řádky.

Strojové učení pro senzory

Dnes je možné nalézt mikrokontroléry (jednočipové počítače) v prakticky jakémkoli technickém zařízení počínaje pračkami až k měřičům tlaku a nositelné elektronice. Výzkumní pracovníci Fraunhoferova institutu mikroelektronických obvodů a integrovaných systémů řízení (IMS, ISŘ) vyvinuli AIfES, koncept umělé inteligence (AI) pro mikrokontroléry a senzory, který obsahuje plně nastavitelnou umělou neuronovou síť. AIfES je na platformě nezávislá knihovna pro strojové učení, kterou lze využít k realizaci samostudijní mikroelektroniky, která nevyžaduje spojení s cloudem nebo vysoce výkonným počítačem. Systém umělé inteligence určený pro senzory je schopen rozeznat rukopis a gesto, což umožňuje například zadávání vstupních dat gestem, běží-li knihovna na nositelné elektronice.

Aktuální stav digitalizace v českém průmyslu

Digitalizace je všude. Průmysl 4.0 je všude. Roboty vládnou světu!!... nebo ne?

IIoT: vize nebo realita?

Když Kevin Ashton koncem 90. let minulého století vymyslel název Internet of Things – IoT, česky internet věcí –, měl jako uživatele tohoto propojení „chytrých“ zařízení na mysli především lidi či jejich domácnosti a přístroje, které je obklopují.

Výrobu ovládne chytrý software

V souvislosti s Průmyslem 4.0 se často hovoří o inteligentních, navzájem komunikujících strojích. Chytré však nejsou ani tak stroje, jako spíše software, který je řídí.

Chytré stroje přivádějí továrny k životu

Bezpečné balicí stroje připojené k Ethernetu zvyšují produktivitu, zlepšují flexibilitu, snižují komplexnost konstrukce a řeší problémy pracovníků v provozu.

Co přinese rok 2024 v oblasti automatizace?

Řada otřesů v posledních několika letech předznamenala novou éru zvýšených geopolitických a ekonomických rizik. Výrobci jsou nuceni k tomu, aby do obchodních modelů začlenili odolnost a flexibilitu a aby přehodnotili globální dodavatelské řetězce a vztahy. Zároveň stoupá tlak na začlenění principů ESG do rozhodování o provozu (tato zkratka z anglických slov environment, social a governance označuje vliv firmy na životní prostředí, pracovní podmínky ve firmě a její vliv na společnost, celkové fungování firmy uvnitř i navenek a její transparentnost).

Reklama
Předplatné MM

Dostáváte vydání MM Průmyslového spektra občasně zdarma na základě vaší registrace? Nejste ještě členem naší velké strojařské rodiny? Změňte to a staňte se naším stálým čtenářem. 

Proč jsme nejlepší?

  • Autoři článků jsou špičkoví praktici a akademici 
  • Vysoký podíl redakčního obsahu
  • Úzká provázanost printového a on-line obsahu ve špičkové platformě

a mnoho dalších benefitů.

... již 25 let zkušeností s odbornou novinařinou

      Předplatit