Тренирање на вашиот систем за визуелна инспекција за нови производни линии.

Ќе започнам со некоја искреност. Додавањето на нова производна линија е убава достигнатост, но исто така може да донесе сериозна главоболка. Вашиот визуелен инспекциски систем не ги познава новите делови. Исто така, нема поим за тоа што претставува добар или лош дел. Мора да му се научи. Ако го направите тоа на погрешен начин, ќе завршите со лажни одбивки, пропуштени дефекти и многу фрустрирани оператори. Добрата вест е дека обучувањето на визуелен инспекциски систем може да биде брзо и безболно, ако следите правилните чекори.

Подготовката започнува со собирање на примероци

Пред да го допрете системот, треба да соберете вашите примероци. Ова е најважниот чекор, а сепак тој е кој најмногу се забрзува од страна на луѓето. Не бидете таа личност.

Потребни се повеќе типови на примероци. Прво, соберете добри делови. Ќе ви требаат повеќе од неколку слики на производи кои ги исполнуваат вашите стандарди за квалитет. Можеби ќе ви требаат десетина или дори стотина. Колку повеќе слики имате, толку подобро системот ќе разбере како изгледа прифатливо. Овие добри делови исто така треба да ги опфатат нормалните варијации кои ги очекувате, како што се благи разлики во бојата, мали поместувања во позицијата или незначителни промени во текстурата. Ако вашето обукувње вклучува само совршени делови, системот за визуелна инспекција ќе одбие сè што изгледа малку поинаку, иако тоа сѐ уште е сосема добро.

Второ, соберете лоши делови. Направете целосна листа за секој тип дефект кој е важен за вас. Оваа листа може да вклучи драскотини, пукнатини, недостасување на компоненти, погрешни бои или неправилно поравнети етикети. Колку е поголем бројот на примероци на дефекти што ги имате, толку подобро системот ќе научи што да бара. Една студија покажала дека предобучениот модел за детекција на дефекти може да се приспособи кон нови производи откако ќе добие умерен број на нови примероци и мал износ на точна понатамошна обука. Но умерен не значи минимален. Лошата база на податоци сепак ќе даде лоши резултати, па затоа побрижете се да подготвите добро дефинирани примероци.

Користете Брзо учење за брз старт

Откако ќе ги подготвите примероците од вашата база на податоци, дошло е време да го обучите системот. Имате среќа, бидејќи скоро сите современи системи за визуелна инспекција имаат вградена функција наречена Брзо учење или учење со едно копче. Ова значително олеснува вашата работа при додавање нова производна линија.

Брзото учење функционира со земање референтна слика на дел без дефекти и автоматско поставување на параметрите на системот врз основа на таа слика. Системот го анализира референтното слика, мери клучните карактеристики и применува допуштени отстапки. Не е потребно рачно да внесувате броеви или да погодувате каде треба да бидат праговите. Системот врши тежокиот дел наместо вас.

Овој метод добро функционира за брзо инспектирање на партија делови кои изгледаат идентично. На пример, ако инспектирате идентични исечени метални делови или формирани пластични компоненти, Брзото учење може да заврши задачата за неколку минути наместо за неколку часа. Некои современи камери го намалуваат времето за поставување од часови на само неколку минути со автоматско учење од неколку примерочни слики. Клучно е да се осигура дека вашата референтна слика е добра репрезентација на изгледот на деловите кои очекувате да ги видите во партијата.

Преминете на Стандардно учење кога деловите варираат

Брзото учење има недостаток. Ако вашите делови покажуваат значителна варијабилност во изгледот, брзото учење ќе има тенденција да одбие поголем број добри делови. Во тој случај, системот треба да учи од повеќе итерации на делови.

Стандардното учење функционира поинаку. Наместо да се користи една референтна слика, низ системот се пушта целиот пакет добри делови. Системот за визуелна инспекција ги анализира сите нив, мери природната варијација и ги поставува своите дозволени отстапувања така што ќе го вклучат целиот опсег на прифатливи резултати. На овој начин, системот учи како изгледа „добро“ во рамките на вашите вистински производствени услови, а не само во перфектна лабораториска средина.

Не постои ограничување колку примероци можете да ги користите во текот на процесот на учење. Колку повеќе добри делови покажувате на системот, толку подобро тој ќе разбере што е прифатливо. А еве и една професионална совет. Користете само добри делови кога вршите стандардно учење. Ако случајно вклучите лош дел, системот ќе научи дека дефектот е прифатлив, па ќе имате голема мешавина.

Рачно прилагодувајте кога е потребно

Понекогаш автоматското учење не е доволно. Вашите делови можеби имаат комплексни карактеристики со кои системот има потешкотии. Во такви случаи, потребно е рачно да ги прилагодите параметрите.

Повеќето системи за визуелна инспекција овозможуваат влез во алатките и рачно прилагодување на поставките. Можете да прилагодите регионот на интерес, да ги промените праговите на толеранција и да направите прецизна нагодувања на логиката за одлука дали делот е исправен или не. Ова отнема повеќе време и бара известно искуство, но ви дава најголема контрола. За апликации со висока прецизност, каде што и најмали грешки имаат значење, рачната прилагодувања се вредни за дополнителниот напор.

Ако работите со нов производ што е сличен на стар, понекогаш можете да спестите многу време со користење на постојната инспекција како почетна точка. Едно истражување за преносно учење покажало дека моделот обучен врз постари производи може да се адаптира за нови производи со само умерени количини нови податоци за обука, задржувајќи точност над 98 проценти. Тоа значи дека не секогаш мора да започнете од нулта точка. Наместо тоа, можете да градите врз постојни модели.

Искористете ја вештачката интелигенција за комплексни инспекции

Традиционалните системи за визуелна инспекција се засноваат на фиксни правила. Дали цртата е подолга од X милиметри? Дали бојата е надвор од опсегот Y? Тоа функционира добро за едноставни инспекции. Но кога дефектите се неправилни, непоследовни или тешки за опишување со фиксни правила, конвенционалните системи често имаат потешкотии.

Инспекцијата на видот со поддршка на вештачка интелигенција го менува играта. Сместо да следи претходно определен набор на правила, системот учи од примери. Вие му покажувате стотици или илјадници слики на добри и лоши производи, а тој сам се учи да препознава шаблоните. Инспекцијата на видот со поддршка на вештачка интелигенција е особено корисна за производители кои се обидуваат да ја запазат квалитетот на производите и да го минимизираат отпадот. Исто така, е многу адаптивна кон промени во производите. Некои платформи комбинираат надгледувано и ненадгледувано учење со вештачка интелигенција со алатки засновани на правила за намалување на лажно позитивните резултати и спречување на дефектните производи да стигнат до клиентите.

Прекрасната работка на денешните системи е нивната пријателскост кон корисниците. Известни камери сега вклучуваат вграден умествен интелект (AI) кој автоматски учи од само неколку примероци слики, отстранувајќи ја потребата од долготрајна рачна конфигурација. Пријателските кон корисниците интерфејси ги водат операторите низ секоја фаза од процесот на поставување, од прилагодување на осветлението до регистрирање на референтни слики. Дури и операторите со ограничено искуство во визуелната инспекција можат да креираат стабилни процеси за инспекција.

Тестирањето и потврдувањето се неопходни

Тука повеќето луѓе прават критични грешки. Тие тренираат системот, извршуваат брзо тестирање и потоа веднаш го ставаат во производство. Тоа е огромна грешка.

Пред да го пуштите системот за визуелна инспекција да работи без надзор, потребно е правилно да го потврдите. Проведете партија познати добри и познати лоши делови низ системот. Проверете дали ги открива сите дефекти. Проверете дали одбива некој добар дел. Ако стапката на лажни одбии е премногу висока, вратете се назад и прилагодете ги вашите толеранции. Ако стапката на пропуштени дефекти е премногу висока, додадете повеќе примероци на дефекти во вашето обучајно множество.

Овде добро функционира пристапот на доказ за концепт. Започнете со една критична точка за инспекција на вашата нова линија наместо да се обидувате да автоматизирате сѐ одеднаш. Соберете го вашиот златен податочен сет од добри и лоши примероци, тестирајте изводливоста и само тогаш започнете со проширување. Правилното извршување на овој чекор ќе ви спести голема сума пари.

Планирајте за постојана подобрувања

Обучувањето на систем за визуелна инспекција не е еднократен настан. Вашите производи ќе се менуваат. Вашите доставувачи ќе се менуваат. Условите на вашата производствена линија ќе се менуваат. Вашата инспекциска система мора да ги следи овие промени.

Изградете процес за континуирано обуку. Секој пат кога ќе откриете нов тип дефект кој го пропуштил вашиот систем, додадете ги тие слики во вашето обучајно множество и повторно извршете обука. Секој пат кога ќе го промените дизајнот на производот, ажурирајте ги вашите референтни слики. Некои напредни системи нудат можност за континуирано учење што се прилагодува на варијациите на производот со текот на времето. Повеќе што го обучувате вашиот систем, тој станува поинтелигентен.

Производителите кои ова го прават точно добиваат вистински резултати. Инспекцијата со визуелна вештачка интелигенција овозможува порано откривање на дефекти, побрза анализа на основните причини и вистински временски акциони информации што ја зголемуваат ефикасноста и намалуваат отпадот. YIHUI дизајнира опрема за визуелна инспекција со овие принципи на обука предвид, помагајќи на производителите од индустриите за машинерија, електроника, аерокосмос и автомобилска индустрија да пуштат во работа нови производствени линии побрзо. На крај, системот за визуелна инспекција е толку добар колку што е обуката што му ја дадовте. Ако го направите точно, тој ќе го заштити вашиот бренд годинава напред.