STROJOVÉ UČENÍ
Kontrola kvality pomocí umělé inteligence
Kontrola kvality může velice významně ovlivnit náklady výroby a spokojenost zákazníků. Dělat ji správně ale není vůbec jednoduché.
Autor: Václav Maixner, Head of Manufacturing v DataSentics
Část této složitosti vychází ze samotného faktu, že většina kontrol je prováděna lidmi a člověk zkrátka není stavěn na to udržet dlouho pozornost a nechybovat. V současnosti je také těžké sehnat kvalifikované kontrolory, nemluvě o nákladech spojených s jejich školením. Zároveň se výrobní procesy neustále zrychlují, souběžně s rostoucími požadavky na výstupní kvalitu. Proto může být výhodné člověku ve správném provádění kontroly kvality pomoci.
Levnější a škálovatelnější vizuální kontrola
Námi vytvořené řešení Quality Inspector využívá algoritmů strojového učení pro nahrazení lidského oka během vizuálních kontrol. Namísto kontrolorů hledajících vady na výrobcích naše řešení sbírá data pomocí kamer a řady podpůrných senzorů. Chytré algoritmy pak v obrázcích hledají vady, defekty, odlišnosti – často stejným způsobem, jakým by je hledal člověk. To vše však za mnohem nižších provozních nákladů, nemluvě o nákladech spojených se sháněním a udržením zkušených kontrolorů oproti tréninku algoritmu.
Algoritmus se z nacházení defektů a vad učí stejně jako lidé na příkladech z reálného života. Na rozdíl od lidí kontroluje vše na výrobní lince jeden systém. Díky tomu je konzistentní a dá se snadno škálovat na nové výrobní linky za mnohem nižších nákladů. Vzhledem k tomu, že naše řešení není postavené na klasických algoritmech, jako je například porovnání oproti vzoru, ale na moderních neuronových sítí, dokáže se navíc snadno přizpůsobit novým podmínkám. Těmi mohou být nové typy defektů z výroby, přísnější tolerance nebo jiné uspořádání výrobní linky.
Vysoká přesnost kontroly bez zpoždění
Nižší náklady nejsou ale jedinou motivací, kterou vidíme u našich projektů. Často se setkáváme také s tím, že naši klienti řeší pomalé ruční kontroly, které vyžadují vysokou přesnost. Dobrý příklad je náš projekt automatizace kontroly kovových plátů spojených nýty. Tato kontrola vyžaduje ruční měření každého nýtu s přesností ve zlomcích milimetrů a je extrémně časově náročná. Díky našim algoritmům nasazených na ručním snímacím zařízení se kontrola zrychlila 95x a zároveň dosahovala lepších výsledků, než měření prováděné lidmi – na 10 000 vzorcích určil algoritmus pouze jednu vadu špatně po první iteraci projektu.
Zde je ale vidět další výhoda tohoto řešení – i tato jedna vada jde vylepšit dalším tréninkem, abychom dosáhli 99,99% přesnosti. To platí zejména v tom případě, kdy jsou pro vizuální kontrolu náročné podmínky. Dobrý příklad je detekce prasklin na keramických umyvadlech. Každá prasklina má odlišný tvar, různou hloubkou, šířku a může se vyskytovat v různě prohnutých částech. Zároveň je glazovaná keramika lesklá a vzhledem k tvaru nelze zaručit konzistentní osvětlení. Právě tyto požadavky na robustnost v náročných podmínkách jsou důvod, proč využíváme neuronové sítě.
Větší kontrola nad kvalitou výroby
Jednou z motivací pro kontrolu kvality je snaha minimalizovat reklamace od koncových zákazníků. Díky našemu řešení se všechny kontroly ukládají, včetně nalezených vad a konečných rozhodnutí algoritmu. Díky tomu lze snadno dohledat v historii, v jakém stavu výrobky opouštěly výrobní linku. Tato data také slouží pro neustálé vylepšování algoritmů, aby byly rezistentní vůči postupným změnám ve výrobě.
Další výhodou je přehled o chybovosti výrobního procesu v reálném čase. Za příklad jsme vybrali vizuální kontrolu tub průmyslových adheziv pro nečistoty na výrobním pásu. Tento typ kontroly je náročný pro lidského pracovníka kvůli malým rozměrům nečistot a vizuální kontrola zpomaluje celý výrobní proces, protože vyžaduje vyjmutí tuby z jedoucího pásu a jeho důkladnou inspekci. Motivací pro automatizaci v tomto případě byla snaha zrychlit a ulehčit kontrolu, ale velkým přínosem je přehled procenta množství defektů v reálném čase v reportingovém systému. Díky tomu lze lépe předpovídat objem výroby, nebo dynamicky měnit, jaké vady jsou OK, aby nedocházelo k častému zastavování výrobní linky.
Umíme rychle ověřit, zda lze kontrolu provádět pomocí algoritmů
Naše řešení Quality Inspector jsme aplikovali v široké řadě odvětví. Zájemcům proto nabízíme rychlé demo, na kterém ukážeme, jaké vady dokážeme detekovat přímo na datech z vaší výroby. Pro účely dema nám stačí přibližně 50 snímků s daným typem defektu. Snímky sami označíme, vybereme vhodné algoritmy a ověříme, zda lze dosáhnout požadované přesnosti. Dodané obrázky mohou být třeba z mobilního telefonu - stačí, když jsou defekty na obrázcích rozeznatelné lidským okem.
QI umíme dodat jako plně produkční řešení, kdy algoritmy přizpůsobíme na míru kontrole kvality dané společnosti. Naše řešení lze integrovat na různá koncová zařízení - od chytrých telefonů, přes ruční zařízení, edge servery, až po čistě cloudová řešení. Pro sběr dat využíváme kromě kamerového záznamu i 3D senzory a termální snímky, abychom dosáhli plnohodnotné kontroly. Výpočetní jednotky i snímací zařízení umíme dodat vlastní, nebo integrovat se stávajícími. Víme, že kontrola kvality se může výrazně lišit napříč různými oblastmi, a proto je QI řešení flexibilní a přizpůsobitelné potřebám různých společností a jejich kontrole kvality při dosažení vysoké přesnosti.