Pagtuturo sa iyong sistema ng paningin para sa inspeksyon para sa mga bagong linya ng produkto.

Hayaan ninyong simulan ko ito nang may katiyakan. Ang pagdaragdag ng isang bagong linya ng produkto ay isang magandang kampanya, ngunit maaari rin itong magdulot ng matinding sakit sa ulo. Hindi alam ng inyong sistema ng pagsusuri ng paningin ang mga bagong bahagi. Hindi rin nito alam kung ano ang itinuturing na mabuting bahagi o sirang bahagi. Kailangan ninyong turuan ito. Kung gagawin ninyo ito sa maling paraan, magkakaroon kayo ng mga maling pagtanggi, di napansin na mga depekto, at maraming frustadong operator. Ang magandang balita ay maaaring mabilis at walang hirap ang pagsasanay ng isang sistema ng pagsusuri ng paningin kung susundin ninyo ang tamang hakbang.

Ang Paghahanda ay Nagsisimula sa Pagkolekta ng Sample

Bago pa man kayo makapag-approach sa sistema, kailangan ninyong mangalap ng inyong mga sample. Ito ang pinakamahalagang hakbang, at gayunpaman ito ang pinakamabilis na binibigyan ng pansin ng mga tao. Huwag kayong maging ganitong uri ng tao.

Kailangan ninyo ng maraming uri ng sample. Una, mangalap ng mga magandang bahagi. Kailangan ninyo ng higit pa sa ilang larawan lamang ng mga produkto na sumusunod sa inyong mga pamantayan sa kalidad. Baka kailanganin ninyo ang daan-daang larawan, o kahit na sandaanan. Mas marami ang larawan na meron kayo, mas mainam ang pag-unawa ng sistema kung ano ang katangian ng isang payagan. Ang mga magandang bahaging ito ay dapat din na sakop ang karaniwang mga pagkakaiba na inaasahan ninyo, tulad ng maliliit na pagkakaiba sa kulay, maliit na pagbabago sa posisyon, o di-malaking pagbabago sa tekstura. Kung ang inyong pagsasanay ay kasama lamang ang mga perpektong bahagi, ang sistema ng paningin para sa inspeksyon ay tatanggihan ang lahat ng mga bagay na may kaunting pagkakaiba, kahit na ang mga ito ay lubos na nasa pamantayan pa rin.

Pangalawa, mangalap ng mga sirang bahagi. Gumawa ng isang komprehensibong listahan para sa bawat uri ng depekto na mahalaga sa iyo. Maaaring kasama sa listahang ito ang mga sugat, punit, nawawalang mga bahagi, maling kulay, o hindi naka-align na mga label. Mas mainam ang pagkatuto ng sistema kung mas malawak ang iba't ibang halimbawa ng depekto na iyong nakalap. Isang pag-aaral ang nagpakita na ang isang pre-trained na modelo para sa pagtukoy ng depekto ay maaaring i-adapt sa mga bagong produkto matapos makatanggap ng isang katamtamang bilang ng mga bagong sample at kaunting fine-tuning. Ngunit ang 'katamtaman' ay hindi nangangahulugang 'pinakamaliit'. Ang isang mahinang dataset ay magreresulta pa rin sa mahinang resulta, kaya siguraduhing handa ang mga sample na iyong ipapasa.

Gamitin ang Quick Teach para sa Mabilis na Pagsisimula

Kapag handa na ang iyong sample dataset, oras na para turuan ang sistema. Maligayang balita dahil halos lahat ng modernong vision inspection system ay may built-in na feature na tinatawag na Quick Teach o one-button teach. Ito ay ginagawang mas madali ang iyong trabaho kapag idinaragdag ang isang bagong product line.

Ang Quick Teach ay gumagana sa pamamagitan ng pagkuha ng isang sangguniang larawan ng bahagi na walang depekto at awtomatikong pagtatakda ng mga parameter ng sistema batay sa larawang iyon. Sinusuri ng sistema ang sanggunian, sinusukat ang mga pangunahing katangian, at inaaplay ang mga toleransya. Hindi mo kailangang manu-manong i-input ang mga numero o hulaan kung saan dapat ilagay ang mga threshold. Ang sistema ang gagawa ng mabigat na trabaho para sa iyo.

Ang pamamaraang ito ay epektibo para sa mabilis na pagsusuri ng isang batch ng mga bahagi na pareho ang itsura. Halimbawa, kung sinusuri mo ang mga identikal na stamped metal parts o molded plastic components, ang Quick Teach ay makakagawa ng gawain sa loob ng ilang minuto imbes na ilang oras. Ang ilang modernong camera ay nababawasan ang setup time mula sa oras hanggang sa ilang minuto lamang sa pamamagitan ng awtomatikong pag-aaral mula sa ilang sample na larawan. Ang susi ay siguraduhin na ang iyong sangguniang larawan ay isang mabuting representasyon ng hitsura ng mga bahagi na inaasahan mong makita sa batch.

Lumipat sa Standard Teach Kapag Nagkakaiba ang mga Bahagi

Ang Quick Teach ay may kahinaan. Kung ang iyong mga bahagi ay nagpapakita ng malaking pagkakaiba-iba sa hitsura, ang Quick Teach ay madalas na magre-reject ng mas malaking bilang ng mga mabubuting bahagi. Sa ganang kaso, kailangan ng sistema na matuto mula sa ilang ulit na pagsubok ng mga bahagi.

Iba ang paraan ng paggana ng Standard Teach. Sa halip na gumamit ng isang solong larawang sanggunian, dumaan ka ng buong batch ng mga mabubuting bahagi sa sistema. Ang sistema ng paningin na pagsusuri ay titingnan ang lahat ng mga ito, susukatin ang likas na pagkakaiba-iba, at itatakda ang mga toleransya nito upang isama ang buong saklaw ng mga katanggap-tanggap na resulta. Sa ganitong paraan, natututo ang sistema kung paano ang hitsura ng isang mabuting bahagi sa ilalim ng iyong aktwal na kondisyon sa produksyon, hindi lamang sa isang perpektong lab setting.

Walang limitasyon sa bilang ng mga sample na maaari mong gamitin habang nasa proseso ng Pagtuturo. Mas maraming magagandang bahagi ang ipinapakita mo sa sistema, mas mahusay ang pagkaunawa nito kung ano ang tinatanggap. At narito ang isang propesyonal na payo: Gamitin lamang ang mga magagandang bahagi kapag nagpapatupad ka ng karaniwang Pagtuturo. Kung sakaling kasama mo nang hindi sinasadya ang isang sirang bahagi, matututuhan ng sistema na ang depekto ay tinatanggap, at magkakaroon ka ng malaking problema.

Manu-manong I-adjust Kapag Kinakailangan

Minsan, ang awtomatikong pagtuturo ay hindi sapat. Maaaring mayroon ang iyong mga bahagi ng mga kumplikadong katangian na nahihirapan pag-aralan ng sistema. Sa mga ganitong kaso, kailangan mong manu-manong i-adjust ang mga parameter.

Ang karamihan sa mga sistemang pang-inspeksyon gamit ang paningin ay nagpapahintulot sa iyo na pumasok sa mga tool at i-adjust ang mga setting nang manu-manong. Maaari mong i-adjust ang rehiyon ng interes, baguhin ang mga threshold ng toleransya, at i-fine-tune ang lohika ng pagpapasa o pagbibigay ng resulta na 'fail'. Nangangailangan ito ng higit na oras at ilang karanasan, ngunit ibinibigay nito sa iyo ang pinakamataas na kontrol. Para sa mga aplikasyong nangangailangan ng mataas na presisyon kung saan mahalaga pa man ang pinakamaliit na pagkakamali, ang manu-manong pag-aadjust ay sulit sa dagdag na pagsisikap.

Kung gumagawa ka ng isang bagong produkto na katulad ng isang lumang produkto, maaari mong madalas na makatipid ng maraming oras sa pamamagitan ng paggamit ng isang umiiral nang inspeksyon bilang simula. Isang pag-aaral tungkol sa transfer learning ang nagpakita na ang isang modelo na sanayin sa mga lumang produkto ay maaaring i-adapt para sa mga bagong produkto gamit lamang ang katamtamang dami ng bagong datos para sa pagsasanay, na panatilihin ang katiyakan na higit sa 98 porsyento. Ang ibig sabihin nito ay hindi mo palaging kailangang magsimula mula sa simula. Maaari kang magtayo mula sa mga umiiral nang modelo.

Gamitin ang AI para sa mga Komplikadong Inspeksyon

Ang tradisyonal na mga sistema ng paningin para sa inspeksyon ay umaasa sa mga nakafixed na patakaran. Mas mahaba ba ang guhit kaysa sa X millimetro? Nasa labas ba ang kulay sa saklaw ng Y? Gumagana ito nang maayos para sa mga simpleng inspeksyon. Ngunit kapag ang mga depekto ay di-regular, di-pantay, o mahirap ilarawan gamit ang mga nakafixed na patakaran, ang mga konbensyonal na sistema ay karaniwang nahihirapan.

Ang inspeksyon ng paningin na pinapagana ng AI ay nagbabago ng laro. Sa halip na sumunod sa isang nakatakda nang hanay ng mga patakaran, ang sistema ay natututo mula sa mga halimbawa. Ipinapakita mo sa kanya ang daan-daang o libu-libong mabubuting at masasamang larawan, at ito ay kusang natutukoy ang mga pattern. Ang inspeksyon ng paningin na pinapagana ng AI ay lalo pang kapaki-pakinabang para sa mga tagagawa na nagsisikap mapanatili ang kalidad ng produkto at mabawasan ang basura. Ito rin ay lubos na nakakaaangkop sa mga pagbabago sa produkto. Ang ilang platform ay nagkakasama ang supervised at unsupervised na AI learning kasama ang mga batay sa patakaran na kasangkapan upang bawasan ang mga false positive at maiwasan ang pagkakaroon ng depektoyong produkto na nararating sa mga customer.

Ang mahusay na katangian ng mga sistemang ito ngayon ay ang kanilang user-friendly na disenyo. Ang ilang camera ngayon ay may kasamang built-in na AI na awtomatikong natututo mula sa ilang halimbawang larawan lamang, kaya't nawawala ang pangangailangan ng mahabang manual na pag-configure. Ang user-friendly na mga interface ay gabay sa mga operator sa bawat yugto ng proseso ng pag-setup, mula sa pag-aadjust ng ilaw hanggang sa pagre-register ng mga reference image. Kahit ang mga operator na may limitadong karanasan sa vision inspection ay maaaring lumikha ng matibay na proseso ng inspeksyon.

Mahalaga ang Pagsubok at Pagpapatunay

Ito ang lugar kung saan karamihan sa mga tao ay gumagawa ng malalang pagkakamali. Sinasanay nila ang sistema, isinasagawa ang mabilis na pagsusulit, at saka isinusunod agad ito sa produksyon. Ito ay isang napakalaking pagkakamali.

Bago mo payagan ang iyong sistema ng pagsusuri ng paningin na tumakbo nang walang pangangasiwa, kailangan mong i-validate ito nang wasto. Patakbuhin ang isang batch ng mga kilalang mabubuting bahagi at mga kilalang sirang bahagi sa loob ng sistema. Tingnan kung nakakakita ba ito ng lahat ng mga depekto. Tingnan kung tinatanggihan ba nito ang anumang mabubuting bahagi. Kung sobra ang iyong rate ng maling pagtanggi, bumalik at ayusin ang iyong mga toleransya. Kung sobra ang iyong rate ng pagkakamali sa pagkakita ng depekto, magdagdag ng higit pang mga sample ng depekto sa iyong dataset para sa pagsasanay.

Ang pamamaraan ng 'proof of concept' ay gumagana nang maayos dito. Simulan ang pagsusuri sa isang mahalagang punto sa iyong bagong linya imbes na subukang awtomatikong kontrolin ang lahat nang sabay-sabay. Mangalap ng iyong 'golden dataset' ng mga mabubuting at sirang sample, subukan ang kakayahang maisagawa ito, at tanging kung matagumpay ito ang dapat mong palawakin ang sistema. Ang tamang paggawa ng hakbang na ito ay magpapadala sa iyo ng malaking pagtitipid sa pera sa huli.

Magplano para sa Patuloy na Pagpapabuti

Ang pagsasanay ng isang sistema ng pagsusuri ng paningin ay hindi isang pansamantalang gawain. Magbabago ang iyong mga produkto. Magbabago ang iyong mga supplier. Magbabago ang iyong mga kondisyon sa produksyon. Kailangan din ng iyong sistema ng pagsusuri na sumabay sa mga pagbabagong ito.

Gumawa ng proseso para sa patuloy na pagsasanay. Kapag nakakita ka ng bagong uri ng depekto na napalampas ng iyong sistema, idagdag ang mga imahe na iyon sa iyong set ng pagsasanay at i-retrain muli. Kapag binago mo ang disenyo ng isang produkto, i-update ang iyong mga sangguniang imahe. Ang ilang advanced na sistema ay nag-aalok ng mga kakayahan sa patuloy na pag-aaral na umaangkop sa mga pagbabago ng produkto sa paglipas ng panahon. Mas maraming pagsasanay ang ibinibigay mo sa iyong sistema, mas matalino ito.

Ang mga tagagawa na matagumpay na isinasagawa ito ay nakakakita ng tunay na resulta. Ang AI vision inspection ay nagpapahintulot ng mas maagang pagtukoy sa depekto, mas mabilis na pagsusuri ng ugat na sanhi, at real-time na mga kapaki-pakinabang na pananaw na nagpapataas ng kahusayan at nababawasan ang basura. Ang YIHUI ay nagdidisenyo ng kagamitan sa vision inspection na may mga prinsipyong ito sa pagsasanay bilang gabay, upang tulungan ang mga tagagawa sa mga industriya ng makinarya, elektroniks, aerospace, at automotive na mas mabilis na ipasimula ang kanilang mga bagong linya ng produkto. Sa huli, ang isang sistema ng vision inspection ay galing lamang sa kalidad ng pagsasanay na ibinibigay mo dito. Gawin ito nang tama, at protektahan nito ang iyong brand sa mga darating na taon.