PEKAT Vision, Od lidského oka k inteligentní kontrole Jak AI mění průmyslovou kontrolu kvality

technikaatrh.cz | 31

Právě proto dnes není správnou otázkou, zda použít AI,

nebo klasické strojové vidění. Správná otázka zní, která

metoda je prodanou úlohu nejvhodnější.



Existuje všakmnoho úloh, kdevytvoření klasického algo-

ritmu znamená desítky hodin vývoje, testování a ladění.

Typickým příkladem jsou kompletační úlohy.

Představme si montážní sadu, která musí obsahovat čtyři

různé typy šroubů: dvě délky a dva typy hlav. Šrouby jsou

rozptýlené vzorném poli kamery, náhodně natočené ajed-

notlivé varianty jsou vzájemně promíchané. Úkolem systému

je ověřit, žebalení obsahuje správný počet všech čtyř typů.

Takovou úlohu lze vytvořit ipomocí klasického strojového

vidění. Je však nutné navrhnout algoritmy pro detekci

jednotlivých šroubů, řešit jejich orientaci, určit charakte-

ristické rozměry a vytvořit pravidla pro rozlišení variant.

Každá změna povrchové úpravy nebopřidání nové varianty

pak obvykle znamená další úpravy aplikace.

Umělá inteligence umožňuje jiný přístup. Modul Detector

nejprve lokalizuje všechny šrouby bez ohledu na jejich

polohu nebo natočení. Následně modul Classier určí typ

každého nalezeného šroubu asystém pouze ověří, zda balení

obsahuje správný počet jednotlivých variant. Výhodou při-

tom není jenpřesnost výsledku, aletaké rychlost vytvoření

aplikace asnadnější přizpůsobení budoucím změnám.

Největším přínosem AI nástrojů strojového vidění není to,

ženahrazují klasické algoritmy. Jejich skutečný význam spo-

čívá v tom, že umožňují automatizovat kontroly, které byly

ještě předněkolika lety považovány zadoménu lidského oka.



Jedním zhlavních důvodů rozšiřování AI inspekce je změna

způsobu vytváření kontrolních úloh. Ještě před několika

lety znamenal návrh aplikace především programování

pravidel, nastavování parametrů aopakované ladění algo-

ritmů. Dnes sepracuje jinak.

Když nastoupí nový pracovník navýstupní kontrolu, zkuše-

nější kolega mu nejprve ukáže správné výrobky avysvětlí,

jakvypadají typické vady. Pokrátkém zaučení je nový pra-

covník schopen většinu výrobků správně posoudit. Podobně

dnes pracují iAI nástroje strojového vidění: místoprogra-

mování jednotlivých pravidel semodel trénuje nareprezen-

tativní sadě snímků anaučí serozpoznávat charakteristické

vlastnosti výrobků.

Právě tato jednoduchost je jedním zdůvodů, pročseautoma-

tická optická kontrola prosazuje itam, kdebyla ještě nedávno

považována za příliš složitou. Vytváření AI inspekcí se tak

stává dostupným technologům apracovníkům kvality, nikoli

pouze specialistům naprogramování nebodatovou analýzu.



Velmi zajímavou metodou je detekce anomálií. Na rozdíl

od běžných AI nástrojů se nesnaží naučit všechny možné

typy vad. Učí sepouze to, jakvypadá správný výrobek. Pokud

sepřikontrole objeví oblast, která seodnaučeného vzhledu

významně odlišuje, systém ji označí jako potenciální anomálii.

Tento přístup řeší problém, se kterým se potýká řada

výrobců. Vdobře fungující výrobě vzniká jenmalé množ-

ství vadných kusů, a často proto není možné vytvořit

databázi všech typů poškození proučení modelu zaměře-

ného na konkrétní vady. Detekce anomálií tento problém

obchází: učí sepouze zesprávných výrobků aupozorňuje

naodchylky, které nebylo nutné předem denovat.

Dobrým příkladem je kontrola karburátorů. Na první

pohled vypadají všechny výrobky stejně, kontrolovaný díl

přitom obsahuje velké množství drobných prvků, nakteré

je obtížné sepřiopakované ruční kontrole soustavně zamě-

řovat. Pokud některý zprvků chybí nebosevýznamně odli-

šuje, systém jej během několika desítek milisekund označí

jako potenciální anomálii azobrazí ji pomocí tepelné mapy.

Operátor tak nevidí pouze výsledek OK/NOK, aleikonkrétní

místo, které systém vyhodnotil jako neobvyklé.

Tento přístup je praktický zejména tam, kde jsou vadné

kusy vzácné nebo není možné předem předvídat všechny

typy poškození. Typickými aplikacemi jsou kontroly obrá-

běných dílů, odlitků, desek plošných spojů nebo složitých

montážních celků.



Rozvoj AI inspekce senetýká pouze softwaru. Stejně důleži-

tou roli hraje hardware, nakterém kontrola probíhá. Moderní

AI inspekce jsou stále častěji navrhovány jako Edge AI řešení,

kdy zpracování obrazu probíhá přímo vzařízení u výrobní

linky. Odpadá tak nutnost přenášet obrazová data dovzdá-

lených serverů nebocloudových služeb, cožzkracuje odezvu

systému, snižuje nároky na síťovou infrastrukturu amini-

malizuje riziko úniku citlivých výrobních dat.













