EN
Laat me beginnen met een beetje eerlijkheid. Het toevoegen van een nieuwe productlijn is een mooie mijlpaal, maar kan ook een vervelende koppijn veroorzaken. Uw systeem voor visuele inspectie kent de nieuwe onderdelen niet. Het weet ook niet wat als een goed of slecht onderdeel wordt beschouwd. U moet het leren. Als u dit op de verkeerde manier doet, eindigt u met valse afkeuringen, gemiste gebreken en veel gefrustreerde operators. Het goede nieuws is dat het trainen van een systeem voor visuele inspectie snel en pijnloos kan zijn, mits u de juiste stappen volgt.
Voorbereiding begint met monsterverzameling
Voordat u het systeem zelfs maar aanraakt, moet u uw monsters verzamelen. Dit is de belangrijkste stap, en toch is het de stap waar mensen het meest haast mee hebben. Wees niet die persoon.
U hebt meerdere soorten monsters nodig. Verzamel eerst goede onderdelen. U heeft meer nodig dan slechts een paar afbeeldingen van producten die voldoen aan uw kwaliteitsnormen. U hebt mogelijk tientallen of zelfs honderden afbeeldingen nodig. Hoe meer afbeeldingen u heeft, hoe beter het systeem begrijpt wat acceptabel is. Deze goede onderdelen moeten ook de normale variaties omvatten die u verwacht te zien, zoals lichte kleurverschillen, kleine verschuivingen in positie of geringe textuurveranderingen. Als uw training alleen perfecte onderdelen bevat, zal het visie-inspectiesysteem alles weigeren dat er iets anders uitziet, zelfs als het onderdeel volkomen in orde is.
Ten tweede, verzamel defecte onderdelen. Maak een uitgebreide lijst voor elk soort gebrek dat voor u van belang is. Deze lijst kan krassen, scheuren, ontbrekende onderdelen, verkeerde kleuren of verkeerd uitgelijnde etiketten omvatten. Hoe groter de variatie aan voorbeelden van gebreken u heeft, hoe beter het systeem leert waarop het moet letten. Een studie toonde aan dat een vooraf getraind model voor gebrekdetectie zich kon aanpassen aan nieuwe producten nadat het een matig aantal nieuwe voorbeelden had ontvangen en een kleine hoeveelheid fijnafstemming had ondergaan. Maar ‘matig’ betekent niet ‘minimaal’. Een slechte dataset levert nog steeds slechte resultaten op, dus zorg ervoor dat u goed gedefinieerde voorbeelden voorbereidt.
Gebruik Quick Teach voor een snelle start
Zodra uw voorbeelddataset gereed is, is het tijd om het systeem te leren. U hebt geluk, want vrijwel alle moderne visie-inspectiesystemen beschikken over een ingebouwde functie met de naam Quick Teach of één-knop-teach. Dit maakt uw werk veel eenvoudiger bij het toevoegen van een nieuwe productlijn.
Quick Teach werkt door een referentieafbeelding te maken van een onderdeel zonder gebreken en de systeemparameters automatisch in te stellen op basis van die afbeelding. Het systeem analyseert de referentie, meet de belangrijkste kenmerken en past toleranties toe. U hoeft geen getallen handmatig in te voeren of te raden waar de drempelwaarden moeten liggen. Het systeem doet het zware werk voor u.
Deze methode werkt goed voor het snel inspecteren van een partij onderdelen die er allemaal hetzelfde uitzien. Als u bijvoorbeeld identieke gestanste metalen onderdelen of gegoten plasticcomponenten inspecteert, kan Quick Teach de taak binnen enkele minuten in plaats van uren uitvoeren. Sommige moderne camera’s verminderen de insteltijd van uren tot slechts enkele minuten door automatisch te leren van een paar voorbeeldafbeeldingen. Belangrijk is om ervoor te zorgen dat uw referentieafbeelding een goede weergave is van het uiterlijk van de onderdelen die u verwacht te zien in de partij.
Ga over op Standaard Teach wanneer de onderdelen variëren
Quick Teach heeft een nadeel. Als uw onderdelen aanzienlijke variatie in uiterlijk vertonen, zal Quick Teach geneigd zijn een groter aantal goede onderdelen te verwerpen. In dat geval moet het systeem leren op basis van meerdere iteraties van onderdelen.
Standaard Teach werkt anders. In plaats van één referentieafbeelding te gebruiken, voert u een volledige partij goede onderdelen door het systeem. Het visie-inspectiesysteem analyseert ze allemaal, meet de natuurlijke variatie en stelt zijn toleranties zo in dat het gehele bereik aan aanvaardbare resultaten wordt omvat. Op deze manier leert het systeem wat ‘goed’ betekent onder uw daadwerkelijke productieomstandigheden, en niet alleen in een perfecte laboratoriumomgeving.
Er is geen limiet aan het aantal monsters dat u tijdens het leerproces kunt gebruiken. Hoe meer goede onderdelen u aan het systeem laat zien, des te beter begrijpt het wat acceptabel is. En hier is een professionele tip: gebruik bij een standaardleerproces uitsluitend goede onderdelen. Als u per ongeluk een defect onderdeel meeneemt, leert het systeem dat het gebrek acceptabel is, en dan staat u met een rommelige situatie.
Handmatig aanpassen indien nodig
Soms is automatisch leren niet voldoende. Uw onderdelen kunnen complexe kenmerken hebben waarmee het systeem moeite heeft. In die gevallen moet u de parameters handmatig aanpassen.
De meeste visioninspectiesystemen bieden de mogelijkheid om de tools te openen en de instellingen handmatig aan te passen. U kunt het interessegebied aanpassen, de tolerantiedrempels wijzigen en de logica voor ‘goed’ of ‘afgekeurd’ verfijnen. Dit kost meer tijd en vereist enige ervaring, maar geeft u de meeste controle. Voor toepassingen waarbij hoge precisie vereist is en zelfs minuscule fouten van belang zijn, is handmatige aanpassing de extra inspanning waard.
Als u werkt met een nieuw product dat lijkt op een oud product, kunt u vaak veel tijd besparen door een bestaande inspectie als uitgangspunt te gebruiken. Een onderzoek naar transfer learning toonde aan dat een model dat was getraind op oudere producten kon worden aangepast aan nieuwe producten met slechts matige hoeveelheden nieuwe trainingsdata, waarbij een nauwkeurigheid van meer dan 98 procent behouden bleef. Dat betekent dat u niet altijd vanaf nul hoeft te beginnen. U kunt in plaats daarvan voortbouwen op bestaande modellen.
Profiteer van AI voor complexe inspecties
Traditionele visie-inspectiesystemen zijn gebaseerd op vaste regels. Is de kras langer dan X millimeter? Ligt de kleur buiten het bereik van Y? Dat werkt prima voor eenvoudige inspecties. Maar wanneer gebreken onregelmatig, inconsistent of moeilijk te omschrijven zijn met vaste regels, hebben conventionele systemen vaak moeite.
AI-aangedreven visie-inspectie verandert het spel. In plaats van een voorgeschreven reeks regels te volgen, leert het systeem van voorbeelden. U toont het honderden of duizenden goede en slechte afbeeldingen, en het ontdekt zelf de patronen. AI-aangedreven visie-inspectie is vooral voordelig voor fabrikanten die de productkwaliteit willen behouden en afval willen minimaliseren. Het is ook zeer aanpasbaar aan productwijzigingen. Sommige platforms combineren supervisie- en ongecontroleerd AI-leren met regelgebaseerde tools om valse positieven te verminderen en te voorkomen dat defecte producten bij klanten terechtkomen.
Het geweldige aan de systemen van vandaag is dat ze gebruiksvriendelijk zijn. Bepaalde camera's zijn nu uitgerust met ingebouwde AI die automatisch leert op basis van slechts een paar voorbeeldafbeeldingen, waardoor de behoefte aan langdurige handmatige configuratie wordt weggenomen. Gebruiksvriendelijke interfaces begeleiden operators bij elke stap van het instelproces, van het aanpassen van de verlichting tot het registreren van referentieafbeeldingen. Zelfs operators met beperkte ervaring met visuele inspectie kunnen robuuste inspectieprocessen opzetten.
Testen en valideren zijn essentieel
Hier maken de meeste mensen kritieke fouten. Ze trainen het systeem, voeren een snelle test uit en nemen het direct in productie. Dat is een enorme fout.
Voordat u uw systeem voor visuele inspectie onbeheerd laat draaien, moet u het adequaat valideren. Voer een batch bekend goede en bekend slechte onderdelen door het systeem. Controleer of alle gebreken worden gedetecteerd. Controleer of er goede onderdelen worden afgewezen. Als uw percentage valse afwijzingen te hoog is, pas dan uw toleranties aan. Als uw percentage gemiste gebreken te hoog is, voeg dan meer voorbeelden van gebreken toe aan uw trainingsset.
Een proof-of-concept-aanpak werkt hier goed. Begin met één kritiek inspectiepunt op uw nieuwe lijn in plaats van in één keer alles te automatiseren. Verzamel uw ‘gouden’ dataset van goede en slechte voorbeelden, test de haalbaarheid en pas daarna uit. Het correct uitvoeren van deze stap bespaart u uiteindelijk veel geld.
Plan voor continue verbetering
Het trainen van een systeem voor visuele inspectie is geen eenmalige gebeurtenis. Uw producten zullen veranderen. Uw leveranciers zullen veranderen. Uw productieomstandigheden zullen veranderen. Uw inspectiesysteem moet hiermee mee kunnen blijven.
Stel een proces op voor voortdurende training. Telkens wanneer u een nieuw type gebrek ontdekt dat uw systeem heeft gemist, voegt u die afbeeldingen toe aan uw trainingsset en traint u het systeem opnieuw. Telkens wanneer u een productontwerp wijzigt, werkt u uw referentieafbeeldingen bij. Sommige geavanceerde systemen bieden mogelijkheden voor continu leren waarmee ze zich geleidelijk aanpassen aan productvariaties in de tijd. Hoe vaker u uw systeem traint, hoe intelligenter het wordt.
Fabrikanten die dit goed doen, behalen concrete resultaten. AI-gebaseerde visuele inspectie maakt vroegtijdige detectie van gebreken, snellere oorzakenanalyse en realtime bruikbare inzichten mogelijk, wat de efficiëntie verhoogt en verspilling vermindert. YIHUI ontwerpt visuele inspectieapparatuur met deze trainingsprincipes in gedachten, om fabrikanten in de machinebouw-, elektronica-, lucht- en ruimtevaart- en automobielindustrie te helpen nieuwe productlijnen sneller op te zetten en operationeel te maken. Uiteindelijk is een visueel inspectiesysteem slechts zo goed als de training die u het geeft. Doe het goed, en het beschermt uw merk jarenlang.