AI-alapú minőségellenőrzés a gyártásban

Sok ipari gépi látási (Machine Vision) projekt így indul: a mérnök lő 100 képet a mobiljával a szép fényes irodában a selejtről, feltölti egy felhős AI szolgáltatásba, és kap egy 99%-os pontosságú modellt. Aztán leviszik a gyárba a kamerát, felszerelik a sorra, és a rendszer használhatatlan.

Ha a saját gyártósorán vezetné be, nézze meg gépi látáson alapuló minőségellenőrzési szolgáltatásunkat.

Miért? Mert az üzemben por van, rezeg a gépsor, egy műszakon belül háromszor változnak a fényviszonyok (besüt a nap), és az alkatrész pozíciója is változó. A képalkotás gyakran fontosabb, mint maga a mélytanuló modell.

Világítás & Optika (Kamera) → Trigger & Képrögzítés → Edge AI (Inference) → PLC Döntés (Selejtező)

A "Jó vagy Rossz" bináris (OK/NOK) címke önmagában kevés az ipari betanításhoz. A minőségügyi szakértőnek (Quality Manager) és az AI mérnöknek közösen meg kell határoznia a pontos hibataxonómiát.

• Objektum Detektálás vagy Szegmentáció: Csak azt akarjuk tudni, hogy a motorblokkon "van-e karc", vagy azt is, hogy pontosan hol, és mekkora felületen (Szegmentáció)? Az utóbbi nagyságrendekkel drágább adat-annotálást igényel.
• A ritka, de kritikus hibák: Ha egy esztétikai karc átcsúszik a rendszeren, az kisebb gond, mintha egy biztonsági rögzítőgyűrű hiányzik. Ezekhez a "kritikus" hibákhoz a tesztelés során (Validation) sokkal alacsonyabb tévesztési toleranciát kell rendelni.

Egy AI modell, ami megmondja a képről, hogy rossz a termék, teljesen haszontalan, ha nem tudja ezt az információt 300 milliszekundumon belül átadni a gyártósori robotnak (PLC-nek), hogy lökje ki a selejtet a szalagról.

A minőségellenőrzés AI modelljeit folyamatosan finomhangolni kell két ellentétes erő mentén:

• Téves Elfogadás (False Negative / Alacsony Recall): A gép hibátlannak lát egy selejtes terméket. Ezt az ügyfél kapja meg (pl. az autógyár). Ez a legdrágább hiba: reklamációhoz, visszahíváshoz (Recall) vagy szerződésbontáshoz vezet. Ezért a gyártók nagyon szigorúra (érzékenyre) állítják be az AI küszöböt (Threshold).
• Téves Selejtezés (False Positive / Overkill): A gép selejtnek lát egy tökéletes terméket, és a kukába (vagy utómunkára) küldi. Ha a fenti kockázat miatt túl érzékeny a kamera, az Overkill aránya az egekbe szökhet (pl. 20%). Ezt a vállalat saját zsebből fizeti ki a profitja kárára.

Egy professzionális gépi látás projektben a Data Scientist feladata megtalálni azt a matematikai optimumot, ahol az AI sosem enged ki hibás terméket az ügyfélhez, de a hamis riasztások arányát is egy elfogadható ipari minimumon (pl. 2-3% alatt) tartja.

"Egy gyártósori AI projektet megnyerni vagy elbukni a kameránál (szenzornál) és a lámpánál (fényviszonyoknál) lehet. Hiába van a legmodernebb mélytanuló (Deep Learning) architektúránk, ha az optika beállításai miatt a hiba egybeolvad a háttérrel, a modell tehetetlen. Mi a projekteket mindig Proof of Concept (PoC) felméréssel kezdjük: leviszünk tesztkamerákat, fénydobozokat, és megvizsgáljuk, hogy egyáltalán létezik-e az a fizikai elrendezés (hardver), amiből a szoftver ki tudja olvasni a hibát stabilan, 3 műszakban is." — Szabó Attila, Ipari AI és Integrációs Szakértő

Lehet-e 100%-os pontosságú a gép?
Statisztikailag és a fizikai világ zajai miatt sosem 100%, de egy jól beállított rendszer stabilan 98-99,9% közötti pontossággal működik. Ne felejtsük el, hogy a humán minőségellenőrök (az unalom, a fáradtság és a fényviszonyok miatt) átlagosan 85-90%-os pontossággal dolgoznak. Az AI nem tökéletes, de sokkal megbízhatóbb, mint az ember.

Kell-e hálózat vagy felhő az üzembe az AI-hoz?
A tényleges futtatáshoz (Inference) nem. Az ipari minőségellenőrzést mindig Edge (lokális) hardvereken, a gyártósor mellett futtatjuk, így egy internet-szolgáltatás kimaradása nem állítja le a gyárat. A felhő (vagy a központi szerver) csak a modellek verziókövetésére, a képek archiválására és a heti újratanításra (Training) szükséges.

A kamerától a MES-integrációig tartó folyamatot az automatikus minőségellenőrzés gépi látással oldalon ismertetjük.