EN
La meg starte med litt ærlighet. Å legge til en ny produktlinje er en fin milepæl, men kan også føre med seg en ubehagelig hodepine. Ditt synsinspeksjonssystem kjenner ikke de nye delene. Det har heller ingen anelse om hva som regnes som en god eller dårlig del. Du må lære det. Hvis du gjør dette på feil måte, vil du ende opp med feilaktige avvisninger, oversete feil og mange frustrerte operatører. Den gode nyheten er at opplæring av et synsinspeksjonssystem kan gå raskt og smertefritt hvis du følger de riktige trinnene.
Forberedelsen starter med innsamling av prøver
Før du til og med rører systemet, må du samle inn prøvene dine. Dette er den viktigste trinnet, og likevel er det det trinnet som folk skynder seg gjennom mest. Ikke vær den personen.
Du trenger flere typer prøver. Først må du samle inn gode deler. Du trenger mer enn bare et par bilder av produkter som oppfyller kvalitetskravene dine. Du kan trenge dusinvis eller til og med hundrevis. Jo flere bilder du har, jo bedre vil systemet forstå hva som er akseptabelt. Disse gode delene bør også dekke de normale variasjonene du forventer å se, for eksempel små forskjeller i farge, små forskyvninger i posisjon eller mindre endringer i tekstur. Hvis treningssettet ditt kun inneholder perfekte deler, vil visjonsinspeksjonssystemet avvise alt som ser litt annerledes ut, selv om det fortsatt er helt i orden.
For det andre: Samle inn defekte deler. Lag en omfattende liste for hver feiltype som er viktig for deg. Denne listen kan inkludere riper, sprekk, manglende komponenter, feil farger eller skjeve etiketter. Jo større variasjon det er i eksemplene på feil du har, jo bedre vil systemet lære å kjenne igjen hva det skal lete etter. En studie viste at en forhåndstrent modell for feildeteksjon kunne tilpasse seg nye produkter etter å ha mottatt et moderat antall nye eksempler og en liten mengde finjustering. Men «moderat» betyr ikke «minimalt». Et dårlig datasett vil fortsatt gi dårlige resultater, så sørg for å forberede tydelig definerte eksempler.
Bruk Quick Teach for en rask start
Når du har forberedt ditt eksempeldatasett, er det på tide å lære systemet. Du har flaks, for nesten alle moderne visjonsinspeksjonssystemer har en innebygd funksjon kalt Quick Teach eller en-knapp-lære. Dette gjør jobben din mye enklere når du legger til en ny produktlinje.
Quick Teach fungerer ved å ta et referansebilde av en feilfri del og automatisk sette systemparametrene basert på dette bildet. Systemet analyserer referansen, måler de viktigste egenskapene og anvender toleranser. Du trenger ikke angi tall manuelt eller gjette hvor tersklene skal ligge. Systemet utfører den tunge arbeidsoppgaven for deg.
Denne metoden fungerer godt for rask inspeksjon av en parti deler som alle ser like ut. For eksempel, hvis du inspiserer identiske stansede metalldele eller støpte plastkomponenter, kan Quick Teach fullføre oppgaven på noen få minutter i stedet for flere timer. Noen moderne kameraer reduserer oppsettstiden fra timer til bare noen få minutter ved å lære automatisk fra et par eksempelbilder. Nøkkelen er å sikre at ditt referansebilde er en god representasjon av hvordan delene du forventer å se i partiet vil se ut.
Gå over til Standard Teach når delene varierer
Quick Teach har en ulempe. Hvis delene dine viser betydelig variasjon i utseende, vil Quick Teach ofte avvise et større antall gode deler. I så fall må systemet lære fra flere iterasjoner av deler.
Standard Teach fungerer annerledes. Istedenfor å bruke et enkelt referansebilde kjører du en hel parti gode deler gjennom systemet. Visjonssystemet for inspeksjon analyserer alle dem, måler den naturlige variasjonen og justerer toleransene sine slik at hele rekken av akseptable resultater omfattes. På denne måten lærer systemet hva som er «godt» under dine faktiske produksjonsforhold, ikke bare i en perfekt laboratoriemiljø.
Det er ingen begrensning på hvor mange prøver du kan bruke under læreprosessen. Jo flere gode deler du viser systemet, jo bedre forstår det hva som er akseptabelt. Og her er en pro-tips: Bruk bare gode deler når du utfører en standardlæring. Hvis du ved en feil inkluderer en dårlig del, vil systemet lære at feilen er akseptabel, og du vil få et rot i klesskuffen.
Juster manuelt ved behov
Noen ganger er automatisk læring ikke nok. Delene dine kan ha komplekse egenskaper som systemet har problemer med å håndtere. I slike tilfeller må du justere parameterne manuelt.
De fleste visjonsinspeksjonssystemer lar deg gå inn i verktøyene og justere innstillingene manuelt. Du kan justere området av interesse, endre toleransgrensene og finjustere logikken for godkjent eller avvist. Dette tar mer tid og krever noe erfaring, men gir deg størst kontroll. For høypresisjonsapplikasjoner der selv minste feil betyr noe, er manuell justering verd den ekstra innsatsen.
Hvis du arbeider med et nytt produkt som er likt et eldre produkt, kan du noen ganger spare mye tid ved å bruke en eksisterende inspeksjon som utgangspunkt. En studie om overføringslæring viste at en modell trent på eldre produkter kunne tilpasses nye produkter med bare moderate mengder ny treningsdata, og opprettholde en nøyaktighet på over 98 prosent. Det betyr at du ikke alltid må starte fra bunnen av. Du kan i stedet bygge videre på eksisterende modeller.
Utnytt AI for komplekse inspeksjoner
Tradisjonelle visjonssystemer for inspeksjon baserer seg på faste regler. Er skraperen lengre enn X millimeter? Er fargen utenfor området Y? Dette fungerer bra for enkle inspeksjoner. Men når feil er uregelmessige, inkonsistente eller vanskelige å beskrive med faste regler, sliter konvensjonelle systemer ofte.
AI-drevet visuell inspeksjon forandrer spillet. I stedet for å følge et preskriptivt sett med regler, lærer systemet av eksempler. Du viser det hundrevis eller tusenvis av gode og dårlige bilder, og det finner ut mønstrene selv. AI-drevet visuell inspeksjon er spesielt nyttig for produsenter som ønsker å bevare produktkvaliteten og minimere avfall. Den er også svært tilpasningsdyktig til produktendringer. Noen plattformer kombinerer overvåket og uovervåket AI-læring med regelbaserte verktøy for å redusere falske positive resultater og hindre defekte produkter i å nå kundene.
Det flotte med dagens systemer er at de er brukervennlige. Visse kameraer inkluderer nå innebygd kunstig intelligens (AI) som automatisk lærer seg fra bare noen få eksempelbilder, noe som eliminerer behovet for omfattende manuell konfigurering. Brukervennlige grensesnitt guider operatører gjennom hver enkelt fase av oppsettsprosessen, fra justering av belysning til registrering av referansebilder. Selv operatører med begrenset erfaring innen visuell inspeksjon kan opprette robuste inspeksjonsprosesser.
Testing og validering er avgjørende
Dette er der de fleste gjør kritiske feil. De trener systemet, kjører en rask test og setter det deretter umiddelbart i produksjon. Det er en stor feil.
Før du lar ditt visuelt inspeksjonssystem kjøre uten tilsyn, må du validere det ordentlig. Kjør en batch med kjente gode og kjente dårlige deler gjennom systemet. Se om det oppdager alle feilene. Se om det forkaster noen gode deler. Hvis din andel falske forkastninger er for høy, gå tilbake og juster toleransene dine. Hvis din andel uoppdagede feil er for høy, legg til flere eksempler på feil i treningssettet ditt.
En «proof of concept»-tilnærming fungerer godt her. Start med ett kritisk inspeksjonspunkt på den nye linja istedenfor å prøve å automatisere alt på én gang. Samle inn ditt gullstandard-datasett med gode og dårlige eksempler, test gjennomførbarheten, og utvid først deretter. Å utføre denne trinnet riktig vil til slutt spare deg mye penger.
Planlegg for kontinuerlig forbedring
Å trene et visuelt inspeksjonssystem er ikke en engangsaktivitet. Produktene dine vil endre seg. Leverantørene dine vil endre seg. Produksjonsforholdene dine vil endre seg. Ditt inspeksjonssystem må følge med.
Bygg en prosess for pågående opplæring. Når du oppdager en ny type feil som systemet ditt ikke registrerte, legg til disse bildene i treningssettet ditt og trent systemet på nytt. Når du endrer et produktdesign, oppdater referansebildene dine. Noen avanserte systemer tilbyr funksjoner for kontinuerlig læring som tilpasser seg produktvariasjoner over tid. Jo mer du trener systemet ditt, jo smartere blir det.
Produsenter som gjør dette riktig oppnår konkrete resultater. AI-basert visuell inspeksjon muliggjør tidligere feildeteksjon, raskere analyse av årsakssammenheng og sanntidsbaserte, handlingsorienterte innsikter som øker effektiviteten og reduserer sløsing. YIHUI utformer utstyr for visuell inspeksjon med tanke på disse opplæringsprinsippene, og hjelper produsenter innen maskinindustrien, elektronikk, luft- og romfart samt bilindustrien med å få nye produktlinjer i drift raskere. Etter alt å si er et system for visuell inspeksjon like bra som den opplæringen du gir det. Gjør det riktig, og det vil beskytte merkevaren din i årevis fremover.