Odborně-vzdělávací a zpravodajský portál z oblasti strojírenství a navazujících oborů
Články >> Využití neuronových sítí v optické kontrole
Chcete dostávat MM Průmyslové spektrum ZDARMA až do Vaší schránky? Více informací zde.

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.


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

Další články

Průmysl 4.0
Automatizace, regulace
Metrologie/ kontrola jakosti

Komentáře

Nebyly nalezeny žádné příspěvky

Sledujte nás na sociálních sítích: