Owoce czwartej rewolucji przemysłowej to coraz częściej namacalne technologie, które regularnie wspierają firmy produkcyjne w codziennym funkcjonowaniu. O ile samo pojęcie sztucznej inteligencji może brzmieć jak abstrakcja, o tyle rozwiązania oparte o machine learning pomagają nie tylko realizować zakładane plany, ale także redukować przestoje czy prognozować popyt. Do tej listy dołącza także wizyjna kontrola jakości, czyli jeden z kluczowych etapów produkcji, który może sterować
całym procesem lub sprawdzać towary przed wysłaniem do dystrybucji.
Algorytmy uczenia maszynowego, zastosowane w tym wypadku w rozpoznawaniu obrazów, wspomagają procesy realizowane dotychczas przez sztab przeszkolonych i wysoko wykfalifikowanych ludzi, którzy rozpoznawali wadliwe produkty i usuwali je z taśmy.
Technologia na drodze do perfekcji
Algorytmy machine learning w procesie kontroli jakości otwierają możliwości analizy przypadków które dotychczas były zbyt trudne do automatycznej kontroli lub czas przygotowania takiego algorytmu był zbyt długi w porównaniu z wielkością serii produkcyjnej. Dodatkowo, usprawnienie tego odcinka produkcji pozwala na optymalizację i racjonalizację zatrudnienia w poszczególnych działach przedsiębiorstw.
Zanim jednak fundamentem skuteczności wizyjnej kontroli jakości stało się uczenie maszynowe, system przeszedł ewolucję.
Poprzednia wersja, tzw. inżynierskie systemy wizyjne, składała się ze skomplikowanych sekwencji algorytmów, które wymagały ścisłego zdefiniowania reguł – czyli upraszczając – opisania komputerowi każdej możliwej skazy, która może pojawić się na produktach. Dopiero wtedy maszyna była w stanie je rozpoznać. Działanie to wymagało specjalistycznej wiedzy, znajomości narzędzi oraz zdefiniowania dziesiątek lub nawet setek parametrów. Pomimo takiego pieczołowitego przygotowania, system taki działał poprawnie tylko dla uprzednio zdefiniowanych wad i defektów.
Zdecydowanie nowocześniejszym rozwiązaniem są systemy oparte właśnie o uczenie maszynowe. Poza skutecznością, ich główną zaletą jest szybkość wdrożenia w przedsiębiorstwie. Przystosowanie systemu kontroli jakości do zmian w produkcji niezauważalnych dla konsumentów może dotyczyć np. modyfikacji surowców, ulepszeń sposobów wytwarzania, ale także zmiany dostawcy. Jeżeli pomyślimy o klasycznych systemach, wprowadzanie tych zmian wymagało żmudnego parametryzowania.
Adaptive Vision, nowoczesne rozwiązanie dla systemów wizyjnych, oferowane przez gliwicką spółkę Future Processing, ma w swojej bibliotece oprócz narzędzi tradycyjnych również te działające z wykorzystaniem machine learningu. Dzięki takiemu połączeniu oprogramowanie to zapewnia kompleksową obsługę tematów związanych z wizją maszynową. Nierzadko w jednej aplikacji jest konieczność wykonania kilku różnych inspekcji. Część z nich może wymagać narzędzi machine learningowych, do innych natomiast, na przykład do pomiarów, wystarczą narzędzia tradycyjne.
„Samouczące się” algorytmy powodują, że maszyna musi jedynie „zobaczyć” odpowiednią liczbę produktów prawidłowych oraz tych wadliwych (z wyraźnie zaznaczonymi miejscami, w których te wady występują), aby urządzenie nauczyło się je odróżniać. Istotne i rewolucyjne jest to, że obrazy nie muszą być identyczne z tymi, które służyły jako podstawa do edukacji komputera. Wystarczy, że będą podobne.
Drugi sposób uczenia polega na stworzeniu „normy” poprzez pokazywanie komputerowi jedynie prawidłowych produktów i wywołanie efektu sygnalizowania każdego przypadku, który uzna za odbiegający od tak ustanowionej normy. Druga ścieżka jest znacznie trudniejsza z perspektywy technologicznej, ale może być stosowana w tych przypadkach, w których trudno jest wskazać dokładne wady produktów.
O zaletach wykorzystania mechanizmów uczenia maszynowego w optymalizacji procesów produkcji w pytaniach i odpowiedziach:
- W jakich obszarach produkcji można wykorzystywać wizyjną kontrolę jakości? Lista branży i produktów, w których ta technologia sprawdza się z powodzeniem, jest praktycznie nieograniczona. Nasze oprogramowanie rozpoznaje m.in. uszkodzenia paneli fotowoltaicznych, niepełne zgrzania opakowań medycznych, defekty w tekstyliach, czy podzespołach wykorzystywanych w produkcji telefonów komórkowych, ale także sposoby ułożenia składników na tackach z sushi, czy kompletność dań w liniach lotniczych. Już dzisiaj wielu z czytelników bloga, być może czytając ten post na smartfonie, korzysta z tego, że AVS, który jest wdrożony u jednego z największych producentów telefonów komórkowych na świecie, pozwala cieszyć się im doskonałą jakością urządzenia. Co więcej, ci z czytelników, którzy podróżują samochodem czołowej francuskiej bądź niemieckiej firmy, mają pewność, że podzespoły spełniają wysokie normy jakości i bezpieczeństwa – wszystko dzięki zastosowaniu algorytmów sztucznej inteligencji AVS na etapie kontroli jakości. Takich przykładów jest oczywiście dużo więcej.
- Na jakie korzyści mogą liczyć klienci, którzy zdecydują się na wdrożenie rozwiązania AdaptiveVision? Nasz flagowy produkt Adaptive Vision Studio to najpotężniejsze graficzne środowisko pracy dla inżynierów systemów wizyjnych. Rozwiązanie to oferuje narzędzia działające w oparciu o tradycyjne algorytmy wizyjne jak również te wykorzystujące machine learning. Dzięki takiemu połączeniu użytkownik dostaje pełną gamę funkcji których wykorzystanie można dowolnie dostrajać od potrzeb każdej aplikacji z osobna. Co warte podkreślenia, do korzystania z narzędzi machine learningowych w Adaptive Vision Studio nie jest wymagana żadna specjalistyczna wiedzą. Nasi eksperci przygotowali to w taki sposób, by użytkownik mógł skupić się na zebraniu obrazów oraz załadowaniu ich do dedykowanego edytora.
- Czy firmy muszą bać się sztucznej inteligencji? Zdecydowanie nie. Jej wykorzystanie otwiera nowe możliwości rozwoju i automatyzacji pracy przedsiębiorstwa. W tym miejscu pojawiają się też pytania o determinizm działania tych narzędzi. Rzeczywiście proces trenowania jest niedeterministyczny, ale już samo działanie sieci wytrenowanej jest w pełni deterministyczne. Po każdym treningu niezbędne jest sprawdzenie wyników na reprezentatywnej grupie przykładów które nie brały udziału w trenowaniu. Jeśli tutaj wyniki będą zgodne z oczekiwaniami to możemy mieć pewność, że w procesie ciągłym również takie wyniki będą generowane przez sieć.
Czy można wycenić korzyści wynikające z wdrażania technologii opartych o AI? Ciężko mówić o konkretnych kwotach, ponieważ to zależy od produktu i technologii jego wytwarzania. Niemniej jednak, ja w wykorzystaniu narzędzi machine learning widzę następujące zalety:
- Znacznie krótszy czas przygotowania systemu inspekcji w porównaniu z metodami tradycyjnymi.
- Większa odporność systemu na zmiany oświetlenia, pozycji czy kształtu obiektu.
- Łatwy proces adaptacji do nowych obiektów. Wystarczy zebrać obrazy oraz dotrenować już istniejącą sieć.
- Możliwość automatyzacji procesu kontroli, w obszarach które dotychczas uchodziły za zbyt trudne dla algorytmów tradycyjnych.
- Podniesienie innowacyjności przedsiębiorstwa dzięki wykorzystania najnowszych dostępnych technologii.