A mesterséges intelligencia egyik legnagyobb potenciállal rendelkező alkalmazási területe a minőség-ellenőrzés. Az intelligens kamerák, és a mesterséges intelligencia-alapú szoftverek alkalmazásával munkaerő bővítése nélkül, az emberi képességeket meghaladó sebességgel javítható a minőség-ellenőrzés.
A gyártó vállalatok már évek óta használnak ipari kamerákat a vizuális minőség-ellenőrzésben az emberi munkaerőt kiváltva. A mesterséges intelligenciára, vagy mély neurális hálókra épülő minőségellenőrző szoftverek bevezetése azonban jelentős előrelépést hozott a korábbi gépi vizuális ellenőrzés megoldásokhoz képest.
Annak érdekében, hogy megértsük, hogyan változtatja meg a mesterséges intelligencia az ipari kamerákra épülő vizsgálatot, elmagyarázzuk a gépi látást használó hagyományos ipari ellenőrzési eljárások mögött meghúzódó folyamatokat.
Az első lépésben egy szakértő dönti el, hogy a kamerával rögzített képek mely jellemzői (például élek, ívek, sarkok, színfoltok stb.) relevánsak az ellenőrzés szempontjából. Ezután a szakértő létrehoz egy szabályalapú rendszert, amely részletezi például, hogy a „sárga” és a „görbület” mennyire minősít egy tárgyat „érett banánnak” a csomagolósoron. Az így létrejövő rendszer a szakértő inputja alapján automatikusan eldönti, hogy a termék megfelel-e az elvártnak.
Bár ez a módszer nagyon hatékonynak bizonyult, vannak olyan felhasználási területek, amikor hatástalanná teszi a gépi látást. Például nehéz észrevenni azokat az eseteket, amikor a jó és a rossz termékek közötti különbség minőségi paraméterekben mutatkozik meg, nagyon finom, komplex vagy változó.
Itt jön a képbe az AI. Ahelyett, hogy a gépi látás alapú rendszer a szakértő által megalkotott szabályokra támaszkodna, az AI-alapú szoftver önmagában megtanulhatja, hogy mely szempontok fontosak, és összefüggéseket fedezhet fel a minőségi termékeket meghatározó paraméterek között.
A mély neurális háló alapú algoritmusokkal a mérnököknek többé nem kell minden gyártási forgatókönyvhöz gépi látás modellt készíteniük. Csak össze kell gyűjteniük a megfelelő adatokat – pl. a termelésből az OK és NOK termékeket –, és meg kell tanítaniuk velük a modellt.
Egy tipikus vizsgálati feladat során egy mély neurális hálót meg lehet tanítani arra, hogy vizuálisan felismerje például a fröccsöntött alkatrészek sorjás illetve hibátlan előfordulásait a képeik alapján.
Láthatjuk tehát, hogy a mesterséges intelligencia alapú minőségellenőrző rendszerek ott vethetők be igazán hatékonyan, ahol sokféle, változatos, egyszerű szabályokkal nem leírható hibák detektálása a cél.
Egy ilyen megoldás bevezetésével nem csak a mérnöki munkaórák takaríthatók meg, de a minőség-ellenőrzés humán erőforrás költsége is csökkenthető, a minőség-ellenőrzés pontossága, stabilitása javítható, végső soron pedig csökkenthető a selejtes késztermék gyártásából fakadó veszteség, ügyfélpanasz.
Ön is szeretne élni a digitalizáció lehetőségeivel? Akkor ismerje meg Stratis szolgáltatási portfólióját, melyben minden olyan elem megtalálható, amely lehetővé teszi, hogy egyedi megoldást nyújtsunk a termelő vállalatok egyedi problémáira!
