Gépi látás: kamera, modell és éles gyártási környezet

A prototípus fázisban a mérnök asztalán egy 50 ezer forintos webkamera és egy Python script 99%-os pontossággal kiszűri a karcos fémalkatrészt. Ezt bemutatják a vezetőségnek, a projekt zöld utat kap. Aztán leviszik az eszközt az üzemcsarnokba, és az algoritmus hirtelen az ép termékek 40%-át kidobja selejtként (False Positive).

Ha a saját üzemébe tervez látásrendszert, a gépi látás és minőségellenőrzés fejlesztésében a képalkotástól az integrációig segítünk.

Mi történt? Bejött a fizikai valóság. Egy felhő a nap elé úszott (megváltozott a kontraszt), a gép rezegni kezdett, leolajosodott a lencse, vagy a beszállító 2 mm-rel odébb tette a furatot. Egy sikeres ipari gépi látás (Machine Vision) projekt legalább annyira szól a fizikáról (optika), mint a szoftverről (Deep Learning).

A jó adathoz jó jel-zaj arány kell. Ha a hiba szabad szemmel vagy a monitoron alig látható, az AI sem fogja megtalálni.

• Megvilágítás: A megfelelő lámpa drágább lehet, mint a kamera. Fényes felületeknél (pl. mart fém, üveg) a direkt fény becsillan (Glares), ezért diffúz dóm-világítást, vagy súrolófényt (Darkfield) használunk, hogy a karcok árnyékot vessenek.
• Expozíció és mozgáselmosódás: Ha a szalag percenként 120 terméket mozgat, rövid expozíciós idő (pl. 1/1000 sec) és Global Shutter (egyszerre kiolvasott pixel-sorok) szükséges, különben a kép elmosódik. A rövid expozíció miatt viszont óriási fényerőre (Stroboszkóp) van szükség.

Szabály: Oldd meg optikailag, amit csak lehet. A mélytanulás a maradékra való.

A képfeldolgozás helye kardinális kérdés. A felhő (Cloud) ipari minőségellenőrzésre a késleltetés (Latency) és az adatbiztonság miatt nem alkalmas.

A kamera és a selejtező gépezet (PLC) kommunikációjának betonstabilnak kell lennie. Ez általában PROFINET, Modbus TCP vagy OPC UA protokollokon keresztül történik.

• A Trigger: A gép (fotocella) jelzi a kamerának: "A termék pozícióban van, fotózz most!". Ha ez a jel késik (Jitter), a termék lemarad a képről.
• A Fail-Safe Állapot: Mi történik, ha elszakad a kábel az AI számítógép és a PLC között? A gépnek ilyenkor automatikusan egy biztonságos, dedikált hibaállapotba kell lépnie (pl. megállítja a sort, vagy mindent selejtbe lök), nem pedig átengedni a potenciálisan hibás termékeket. Ezt "Watchdog" jellel oldjuk meg (a gép másodpercenként "kérdezgeti", hogy él-e az AI).

"Egy valós gyártási projekt sikere az, ahogyan a Data Driftet (Adatelcsúszást) kezeljük. Nyáron megcsináljuk a tökéletes modellt, majd novemberben a dolgozók felkapcsolják a neoncsöveket az üzemben, és a sárgás fény miatt hirtelen 15%-ra ugrik a téves selejtezés. Mi nem adunk át úgy rendszert, hogy nincs beépítve egy 'Árnyéküzem' (Shadow Mode). Az új modelleket mindig némítva futtatjuk párhuzamosan a régivel, és csak akkor engedjük élesbe (Release), ha az élő gyártási adatokon bizonyította, hogy jobb." — Szabó Attila, Ipari AI és Integrációs Szakértő

Lehet-e mobiltelefonnal vagy GoPro-val AI-t csinálni a gyárban?
Prototípusra, adatgyűjtésre igen. Éles (Production) üzemre szigorúan nem. Az ipari kamerák (Basler, Cognex, IDS) M12-es csatlakozókkal rendelkeznek rezgés ellen, GigE Vision protokollal kommunikálnak (garantált adatátviteli sebesség), és hűtőbordákkal vannak ellátva a 24/7 üzemeltetéshez.

Minden terméket le kell menteni (képarchívum)?
Nem feltétlenül, de az autóiparban, gyógyszeriparban (Traceability miatt) elvárás lehet, hogy minden egyes selejtről, sőt, a "Jó" minősítésű termékekről is évekre visszamenőleg meglegyen a kép. Ehhez komoly lokális NAS szerverek, adat-tömörítési (Retention) szabályzatok szükségesek, hogy ne teljen meg a winchester 3 nap alatt.

Arról, hogyan dolgozunk egy ipari látásrendszeren, az AI-alapú minőségellenőrzés oldalon olvashat.