EN
Začnu upřímně. Přidání nové výrobní linky je skvělý milník, ale může také způsobit nepříjemné potíže. Váš systém vizuální inspekce nezná nové součásti a nemá ani tušení, co se považuje za dobrý či vadný výrobek. Musíte ho naučit. Pokud to uděláte špatně, skončíte s falešnými odmítnutími, nepozorovanými vadami a velkým počtem frustrovaných obsluh. Dobrá zpráva je, že školení systému vizuální inspekce může být rychlé a bezbolestné, pokud dodržíte správné kroky.
Příprava začíná shromažďováním vzorků
Než se vůbec dotknete systému, musíte shromáždit své vzorky. Toto je nejdůležitější krok, a přesto je ten, který lidé nejčastěji spěchají. Nebuďte tím člověkem.
Potřebujete několik typů vzorků. Nejprve shromážděte bezchybné díly. Budete potřebovat více než jen několik obrázků výrobků, které splňují vaše požadavky na kvalitu. Možná budete potřebovat desítky nebo dokonce stovky obrázků. Čím více obrázků budete mít, tím lépe systém pochopí, jak vypadá přijatelný stav. Tyto bezchybné díly by měly také zahrnovat běžné odchylky, které očekáváte – například mírné rozdíly v barvě, malé posuny v poloze nebo nepatrné změny struktury povrchu. Pokud bude vaše tréninková sada obsahovat pouze dokonalé díly, systém vizuální kontroly zamítne všechny díly, které budou vypadat i jen nepatrně jinak, i když jsou zcela v pořádku.
Za druhé shromážděte vadné díly. Vytvořte podrobný seznam pro každý typ vady, který je pro vás důležitý. Tento seznam může zahrnovat škrábance, praskliny, chybějící součásti, nesprávné barvy nebo nesouhlasně umístěné štítky. Čím větší je rozmanitost příkladů vad, které máte k dispozici, tím lépe systém naučíte, na co má hledat. Jedna studie ukázala, že předem natrénovaný model pro detekci vad dokáže přizpůsobit své chování novým výrobkům po obdržení středního počtu nových vzorků a malého množství doladění. Avšak „střední“ neznamená „minimální“. Špatná datová sada stále povede ke špatným výsledkům, proto se ujistěte, že připravíte jasně definované vzorky.
Použijte funkci Rychlé naučení pro rychlý start
Jakmile máte svou vzorovou datovou sadu připravenou, je čas systém naučit. Máte štěstí, protože téměř všechny moderní systémy vizuální kontroly mají vestavěnou funkci nazývanou Rychlé naučení nebo Naučení jedním tlačítkem. To vám velmi usnadní práci při přidávání nové výrobní linky.
Funkce Rychlé učení funguje tak, že pořídí referenční obrázek bezvadné součásti a na základě tohoto obrázku automaticky nastaví parametry systému. Systém analyzuje referenční obrázek, změří klíčové vlastnosti a aplikuje příslušné tolerance. Nemusíte ručně zadávat číselné hodnoty ani hádat, kde mají být prahové hodnoty – těžkou práci za vás vykoná systém.
Tato metoda je vhodná pro rychlou kontrolu dávky součástí, které vypadají stejně. Například při kontrole identických tažených kovových dílů nebo vstřikovaných plastových komponent lze pomocí funkce Rychlé učení úkol dokončit během několika minut místo několika hodin. Některé moderní kamery snižují dobu nastavení z hodin na pouhé minuty tím, že se automaticky naučí z několika ukázkových obrázků. Klíčové je zajistit, aby váš referenční obrázek dobře reprezentoval vzhled součástí, které očekáváte v dané dávce.
Přepnout na standardní učení, pokud se součásti liší
Rychlé učení má nevýhodu. Pokud se vzhled vašich dílů výrazně liší, rychlé učení bude mít tendenci odmítnout větší počet bezvadných dílů. V takovém případě musí systém naučit na základě několika opakování zkoušek s díly.
Standardní učení funguje jinak. Místo použití jediného referenčního obrázku projedete systémem celou dávku bezvadných dílů. Systém pro vizuální kontrolu analyzuje všechny tyto díly, změří přirozenou variabilitu a nastaví své tolerance tak, aby zahrnovaly celý rozsah přijatelných výsledků. Tímto způsobem se systém naučí, jak bezvadné díly vypadají za skutečných podmínek vaší výroby, nikoli pouze za ideálních laboratorních podmínek.
Počet vzorků, které můžete použít během procesu učení, není omezen. Čím více bezvadných dílů systému ukážete, tím lépe pochopí, co je přijatelné. A zde je profesionální tip: při standardním učení používejte výhradně bezvadné díly. Pokud omylem zahrnete vadný díl, systém se naučí, že tato vada je přijatelná, a budete mít velký problém.
Ruční úprava v případě potřeby
Někdy automatické učení nestačí. Vaše díly mohou mít složité prvky, se kterými systém zápolí. V těchto případech je nutné ručně upravit parametry.
Většina systémů vizuální kontroly umožňuje přímo do nástrojů vstoupit a nastavení upravit ručně. Můžete upravit oblast zájmu, změnit prahy tolerance a jemně doladit logiku pro hodnocení „vyhovuje“ či „nevyhovuje“. Tato metoda vyžaduje více času a určitou zkušenost, ale poskytuje nejvyšší míru kontroly. U aplikací vyžadujících vysokou přesnost, kde i nejmenší chyby mají význam, je ruční úprava dodatečné úsilí stojí za to.
Pokud pracujete s novým produktem, který je podobný staršímu, můžete často ušetřit spoustu času tím, že jako výchozí bod použijete stávající kontrolu. Studie o přenosovém učení ukázala, že model trénovaný na starších produktech lze přizpůsobit novým produktům pouze s mírným množstvím nových tréninkových dat a přitom udržet přesnost vyšší než 98 procent. To znamená, že nemusíte vždy začínat od nuly – můžete stavět na stávajících modelech.
Využijte umělou inteligenci pro složité kontroly
Tradiční systémy vizuální kontroly se spoléhají na pevná pravidla. Je škrábance delší než X milimetrů? Leží barva mimo rozsah Y? To funguje dobře u jednoduchých kontrol. Avšak pokud jsou vady nepravidelné, nekonzistentní nebo obtížné popsat pomocí pevných pravidel, konvenční systémy často selhávají.
Inspekce založená na umělé inteligenci mění pravidla hry. Místo toho, aby systém následoval předem stanovenou sadu pravidel, učí se na příkladech. Umožníte mu prozkoumat stovky nebo tisíce obrázků kvalitních i vadných výrobků a on sám odhalí vzory. Inspekce založená na umělé inteligenci je zejména výhodná pro výrobce, kteří usilují o zachování kvality výrobků a minimalizaci odpadu. Je také vysoce adaptabilní na změny výrobků. Některé platformy kombinují dohledané a nedohledané učení pomocí umělé inteligence s nástroji založenými na pravidlech, čímž snižují počet falešně pozitivních výsledků a zabrání tomu, aby vadné výrobky dosáhly zákazníků.
Skvělou vlastností dnešních systémů je jejich přívětivost pro uživatele. Některé kamery nyní obsahují vestavěnou umělou inteligenci, která se automaticky učí na základě pouhých několika ukázkových obrázků, čímž odpadá nutnost dlouhé ruční konfigurace. Přívětivé uživatelské rozhraní průvodcem provádí operátory každým krokem nastavovacího procesu – od úpravy osvětlení po registraci referenčních obrázků. I operátoři s omezenými zkušenostmi s vizuální kontrolou jsou schopni vytvořit spolehlivé kontroly.
Testování a ověřování jsou nezbytné
Právě zde se většina lidí dopouští zásadních chyb. Systém natrénují, provedou rychlý test a poté ho okamžitě nasadí do výroby. To je obrovská chyba.
Než necháte svůj systém vizuální kontroly běžet bez dozoru, je třeba jej řádně ověřit. Proveďte kontrolu dávky známých dobrých a známých vadných dílů pomocí tohoto systému. Zkontrolujte, zda systém detekuje všechny vady. Zkontrolujte, zda odmítá některé dobré díly. Pokud je míra falešných odmítnutí příliš vysoká, vraťte se zpět a upravte své tolerance. Pokud je míra nezjištěných vad příliš vysoká, doplňte do trénovací sady více ukázek vad.
Zde se osvědčuje přístup důkazu proveditelnosti (proof of concept). Začněte s jedním kritickým bodem kontroly na nové výrobní lince místo toho, abyste se pokoušeli najedou automatizovat všechno. Shromážděte si referenční datovou sadu dobrých a špatných vzorků, otestujte proveditelnost a teprve poté rozšiřujte rozsah aplikace. Správné provedení tohoto kroku vám nakonec ušetří značné množství peněz.
Plánujte průběžné zlepšování
Trénování systému vizuální kontroly není jednorázovou událostí. Vaše výrobky se budou měnit. Vaši dodavatelé se budou měnit. Vaše výrobní podmínky se budou měnit. Váš systém kontroly musí těmto změnám stále odpovídat.
Vytvořte proces pro průběžné školení. Pokaždé, když objevíte nový typ vady, kterou váš systém přehlédl, přidejte tyto obrázky do trénovací sady a systém znovu naučte. Pokaždé, když změníte návrh výrobku, aktualizujte referenční obrázky. Některé pokročilé systémy nabízejí možnosti nepřetržitého učení, které se postupně přizpůsobují změnám výrobků. Čím více systém školíte, tím chytřejší se stává.
Výrobci, kteří tento přístup zvládnou, dosahují skutečných výsledků. Umělá inteligence v oblasti vizuální kontroly umožňuje dřívější detekci vad, rychlejší analýzu kořenových příčin a okamžitě využitelné poznatky v reálném čase, které zvyšují efektivitu a snižují odpad. Společnost YIHUI navrhuje zařízení pro vizuální kontrolu s těmito zásadami školení na paměti a pomáhá výrobcům v odvětvích strojírenství, elektroniky, leteckého a kosmického průmyslu a automobilového průmyslu uvádět nové výrobní linky do provozu rychleji. V konečném důsledku je systém vizuální kontroly tak dobrý, jak dobré je školení, které mu poskytnete. Uděláte-li to správně, bude chránit vaši značku roky.