EN
Lad mig starte med en smule ærlighed. At introducere en ny produktlinje er en flot milepæl, men kan også medføre en ubehagelig hovedpine. Dit synsinspektionssystem kender ikke de nye dele. Det har heller ingen idé om, hvad der udgør en god eller en dårlig del. Du skal lære det. Hvis du gør dette på den forkerte måde, ender du med forkerte afvisninger, oversete fejl og mange frustrerede operatører. Den gode nyhed er, at træning af et synsinspektionssystem kan ske hurtigt og uden problemer, hvis du følger de rigtige trin.
Forberedelse starter med indsamling af prøver
Før du rører systemet, skal du samle prøver. Det er det vigtigste skridt, og alligevel er det det, folk haster mest igennem. Vær ikke den person.
Du har brug for flere typer prøver. Først skal du samle de gode dele. Du har brug for mere end blot et par billeder af produkter der opfylder dine kvalitetsstandarder. Du kan få brug for snesevis eller endda hundredvis. Jo flere billeder du har, jo bedre vil systemet forstå, hvad der er acceptabelt. Disse gode dele bør også dække de normale variationer som du forventer at se, for eksempel små farveforskelle, små forskydninger i placering eller små ændringer i teksturen. Hvis din træning kun omfatter perfekte dele, vil synsinspektionssystemet afvise alt, hvad der ser lidt anderledes ud, selv om det stadig er helt fint.
For det andet skal du indsamle defekte dele. Lav en omfattende liste for hver fejltype, der er relevant for dig. Denne liste kan omfatte ridser, revner, manglende komponenter, forkerte farver eller forkert justerede etiketter. Jo større variation af feksempler du har, jo bedre vil systemet lære at genkende, hvad det skal lede efter. En undersøgelse viste, at en forudtrænet model til fejldetektering kunne tilpasse sig nye produkter efter modtagelse af et moderat antal nye eksempler og en lille mængde finjustering. Men moderat betyder ikke minimalt. En dårlig datasæt vil stadig give dårlige resultater, så sørg for at forberede veldefinerede eksempler.
Brug Quick Teach til en hurtig start
Når du har din eksempeldatasæt klar, er det tid til at træne systemet. Du har held, for næsten alle moderne vision-inspektionssystemer har en indbygget funktion kaldet Quick Teach eller én-knaps-træning. Dette gør dit arbejde meget nemmere, når du tilføjer en ny produktlinje.
Quick Teach fungerer ved at tage et referencebillede af en defektfri del og automatisk indstille systemparametrene ud fra dette billede. Systemet analyserer referencen, måler de væsentlige egenskaber og anvender tolerancer. Du behøver ikke indtaste tal manuelt eller gætte på, hvor grænseværdierne skal placeres. Systemet udfører den tunge arbejdsopgave for dig.
Denne metode fungerer godt til hurtig inspektion af en parti dele, der alle ser ens ud. For eksempel, hvis du inspicerer identiske stansede metaldele eller formstøbte plastkomponenter, kan Quick Teach udføre opgaven på få minutter i stedet for flere timer. Nogle moderne kameraer reducerer opsætningstiden fra timer til blot få minutter ved automatisk at lære af et par eksempelbilleder. Nøglen er at sikre, at dit referencebillede er en god repræsentation af udseendet af de dele, du forventer at se i partiet.
Skift til Standard Teach, når delene varierer
Quick Teach har en ulempe. Hvis dine dele viser betydelig variation i udseende, vil Quick Teach ofte afvise et større antal gode dele. I så fald skal systemet lære fra flere iterationer af dele.
Standard Teach fungerer anderledes. I stedet for at bruge et enkelt referencebillede kører du en hel batch af gode dele igennem systemet. Det visuelle inspektionssystem analyserer dem alle, måler den naturlige variation og justerer sine tolerancer, så de omfatter hele dette spektrum af acceptable resultater. På denne måde lærer systemet, hvordan gode dele ser ud under dine faktiske produktionsforhold – ikke kun i en perfekt laboratorieindstilling.
Der er ingen grænse for, hvor mange eksemplarer du kan bruge under læreprocessen. Jo flere gode dele du viser systemet, jo bedre forstår det, hvad der er acceptabelt. Og her er en professionel tip: Brug kun gode dele, når du udfører en standardlæring. Hvis du ved en fejl inkluderer en defekt del, vil systemet lære, at fejlen er acceptabel, og du vil stå tilbage med et kaos.
Justér manuelt, når det er nødvendigt
Nogle gange er automatisk læring ikke tilstrækkelig. Din dele kan have komplekse funktioner, som systemet har svært ved at håndtere. I disse tilfælde skal du justere parametrene manuelt.
De fleste vision-inspektionsystemer giver dig mulighed for at gå ind i værktøjerne og justere indstillingerne manuelt. Du kan justere området af interesse, ændre tolerancegrænserne og finjustere godkendelses- eller afvisningslogikken. Dette tager mere tid og kræver nogle erfaringer, men giver dig den største kontrol. For højpræcisionsapplikationer, hvor selv små fejl betyder noget, er manuel justering en ekstra indsats, der er værd at bruge.
Hvis du arbejder med et nyt produkt, der ligner et gammelt, kan du undertiden spare meget tid ved at bruge en eksisterende inspektion som udgangspunkt. En undersøgelse af overførselslæring viste, at en model, der er trænet på ældre produkter, kan tilpasses nye produkter med kun moderate mængder ny træningsdata og opretholde en nøjagtighed på over 98 procent. Det betyder, at du ikke altid behøver at starte fra bunden. I stedet kan du bygge videre på eksisterende modeller.
Udnyt AI til komplekse inspektioner
Traditionelle vision-inspektionssystemer bygger på faste regler. Er ridset længere end X millimeter? Ligger farven uden for intervallet Y? Det fungerer fint til simple inspektioner. Men når fejl er uregelmæssige, inkonsistente eller svære at beskrive med faste regler, har konventionelle systemer ofte svært ved det.
AI-drevet synsinspektion ændrer spillet. I stedet for at følge et præskriptivt sæt regler lærer systemet af eksempler. Du viser det hundredvis eller tusindvis af gode og dårlige billeder, og det finder selv mønstrene. AI-drevet synsinspektion er især fordelagtig for producenter, der ønsker at bevare produktkvaliteten og minimere spild. Den er også meget tilpasningsdygtig til produktændringer. Nogle platforme kombinerer overvåget og ikke-overvåget AI-læring med regelbaserede værktøjer for at reducere falske positive resultater og forhindre, at defekte produkter når kunderne.
Det fremragende ved dagens systemer er, at de er brugervenlige. Visse kameraer indeholder nu indbygget AI, der automatisk lærer ud fra blot et par eksempelbilleder, hvilket eliminerer behovet for omfattende manuel konfiguration. Brugervenlige grænseflader guider operatører gennem alle trin i opsætningsprocessen – fra justering af belysning til registrering af referencebilleder. Selv operatører med begrænset erfaring inden for visuel inspektion kan oprette robuste inspektionsprocesser.
Test og validering er afgørende
Her begår de fleste mennesker kritiske fejl. De træner systemet, udfører en hurtig test og sætter det derefter direkte i produktion. Det er en stor fejl.
Før du lader dit vision-inspektionssystem køre uden tilsyn, skal du validere det ordentligt. Kør et parti kendt gode og kendt dårlige dele igennem systemet. Se, om det registrerer alle fejl. Se, om det afviser nogen gode dele. Hvis din andel af forkerte afvisninger er for høj, skal du gå tilbage og justere dine tolerancer. Hvis din andel af uopdagede fejl er for høj, skal du tilføje flere fejlsamples til din træningsmængde.
En proof-of-concept-tilgang fungerer godt her. Start med ét kritisk inspektionspunkt på din nye produktionslinje i stedet for at forsøge at automatisere alt på én gang. Indsamle din gyldne datasæt af gode og dårlige prøver, test gennemførligheden og udvid først derefter skalaen. At udføre denne fase korrekt vil på lang sigt spare dig mange penge.
Planlæg for løbende forbedring
At træne et vision-inspektionssystem er ikke en engangsaktivitet. Dine produkter vil ændre sig. Dine leverandører vil ændre sig. Dine produktionsforhold vil ændre sig. Dit inspektionssystem skal kunne følge med.
Opbyg en proces til løbende træning. Hver gang du opdager en ny type fejl, som dit system har overset, tilføjer du disse billeder til din træningsmængde og træner systemet igen. Hver gang du ændrer et produktdesign, opdaterer du dine referencebilleder. Nogle avancerede systemer tilbyder funktioner til kontinuerlig læring, der tilpasser sig produktvariationer over tid. Jo mere du træner dit system, jo smartere bliver det.
Producenter, der gør dette rigtigt, oplever konkrete resultater. AI-baseret synsinspektion muliggør tidligere fejlopdagelse, hurtigere analyse af årsagssammenhænge og handlingssikre indsigter i realtid, hvilket øger effektiviteten og reducerer spild. YIHUI udvikler udstyr til synsinspektion med netop disse træningsprincipper i tankerne og hjælper producenter inden for maskinindustrien, elektronik, luft- og rumfart samt bilindustrien med at få nye produktlinjer op og kørende hurtigere. En synsinspektionsløsning er nemlig kun lige så god som den træning, den får. Gør du det rigtigt, vil den beskytte dit brand i årevis fremover.