Czym jest machine vision? Tak automatyzujesz kontrolę jakości z AI

Czym jest machine vision?

Machine vision to technologia, dzięki której kamery i inteligentne oprogramowanie same wykonują kontrole wizualne i pomiary w środowisku produkcyjnym. Kamera rejestruje każdy produkt, oprogramowanie ocenia obraz, a linia od razu dostaje sygnał: przyjąć, odrzucić albo skorygować. Tam, gdzie człowiek po kilku godzinach kontrolowania się męczy, system wizyjny sprawdza każdy produkt przez cały dzień z tą samą uwagą.

Machine vision istnieje od dziesięcioleci, ale AI ogromnie poszerzyło jego możliwości. Klasyczne systemy wizyjne pracują na sztywnych regułach i tolerancjach: mierzą na przykład, czy otwór jest dokładnie w wyznaczonym miejscu. Wizja z AI uczy się natomiast z przykładów. Model ogląda setki produktów dobrych i wadliwych i sam uczy się rozpoznawać różnicę, także przy odchyleniach, których nie da się z góry ująć w regułę, takich jak rysy, przebarwienia czy brakujące elementy.

Dlaczego teraz? Wizja z AI dojrzała i staniała

Dziesięć lat temu kontrola wizualna z AI była czymś dla wielkich koncernów z własnymi działami badawczymi. To się zmieniło. Kamery przemysłowe potaniały, komputery edge są dość mocne, żeby analizować obrazy tuż przy linii, a nowoczesne modele uczą się już ze stosunkowo niewielkiej liczby przykładów. Dzięki temu wizja z AI znalazła się w zasięgu każdego zakładu produkcyjnego, także mniejszego.

Jednocześnie rośnie presja na automatyzację. Fachowców brakuje, klienci i sieci handlowe stawiają coraz ostrzejsze wymagania co do jakości i identyfikowalności, a jedno wycofanie partii kosztuje szybko więcej niż kompletny system wizyjny.

Co wizja z AI potrafi w zakładzie produkcyjnym?

Zastosowań jest więcej, niż wiele firm sądzi. Oto najczęstsze:

• Kontrola etykiet: czy ta etykieta należy do tego zlecenia i czy data przydatności jest obecna, poprawna i czytelna? System wizyjny sprawdza każde opakowanie, zanim zejdzie z linii.
• Wykrywanie wad: rysy, wgniecenia, pęknięcia, przebarwienia albo wady odlewnicze na produktach i powierzchniach, także wtedy, gdy każde odchylenie wygląda odrobinę inaczej. To domena systemów wizyjnych kontroli jakości: każdy produkt sprawdzony, przy pełnej prędkości produkcji.
• Kontrola kompletności: sprawdzenie, czy złożenie jest kompletne, czy wszystkie elementy są obecne i czy wszystko znajduje się na swoim miejscu.
• Sterowanie robotem: pokazanie robotowi, gdzie leży produkt i jak jest zorientowany, na przykład za pomocą chmury punktów 3D, żeby precyzyjnie go podnieść i odłożyć.
• Identyfikowalność: odczyt kodów i cech oraz zapis każdej kontroli przy produkcie albo partii, żeby przy reklamacji dało się od razu wykazać, co zostało sprawdzone.

U producenta żywności postawiliśmy na przykład system wizyjny sprawdzający każde opakowanie na linii pod kątem właściwej etykiety i czytelnej daty przydatności. Odchylenia są wyłapywane, zanim produkty opuszczą zakład, a każda kontrola trafia do rejestru partii. Więcej przykładów znajdziesz w naszych realizacjach.

Tak prowadzi się projekt wizyjny z AI

Krok 1: ustal, co jest dobre, a co wadliwe

Nie zaczynaj od kamery, tylko od kontroli. Jakie odchylenie chcesz wychwycić i ile może kosztować? Wspólnie z operatorami i pracownikami jakości zdefiniuj, czym jest produkt dobry, i zbierz przykłady odchyleń. Im ostrzejsza definicja, tym lepszy system.

Krok 2: zadbaj o dobre obrazy

System wizyjny jest tyle wart, ile jego obrazy. O powodzeniu decydują właściwa kamera, obiektyw i oświetlenie, a także stała pozycja względem produktu. Stabilny obraz to różnica między modelem, który pracuje pewnie, a modelem, który ciągle się waha.

Krok 3: wytrenuj i przetestuj model

Zbierz obrazy produktów dobrych i wadliwych i je opisz. Potem model zostaje wytrenowany i przetestowany na obrazach, których nigdy wcześniej nie widział. Ważna jest równowaga między przepuszczonymi wadami a niesłusznymi odrzutami: system zbyt surowy wyrzuca dobry produkt i traci zaufanie hali.

Krok 4: wepnij system w linię

Sama kamera z ekranem to jeszcze nie rozwiązanie. System wizyjny musi rozmawiać z linią: sygnał do sterownika, żeby wyrzucić produkt, zatrzymać linię albo powiadomić operatora. To klasyczna automatyka przemysłowa połączona z AI, pracująca zwykle na komputerze edge tuż przy linii.

Krok 5: obserwuj i poprawiaj

Produkty, opakowania i warunki się zmieniają. Dlatego dobry system wizyjny jest pilnowany: jak często odrzuca, czy wyniki się przesuwają i czy pojawiły się nowe warianty, których model jeszcze nie zna? Z każdą rundą poprawek system staje się pewniejszy.

Dane z systemu wizyjnego łączą się z resztą zakładu

Największy zysk powstaje wtedy, gdy wyniki kontroli nie zostają na wyspie. Powiąż każdą kontrolę ze zleceniem, partią i maszyną w jednej wspólnej warstwie danych, a nagle możesz zestawić jakość z danymi procesowymi: przy jakiej temperaturze albo jakim czasie cyklu powstaje najwięcej braków? Wizja staje się wtedy źródłem trwałej poprawy zamiast samym strażnikiem u bramy. O tym, jak wykorzystać te powiązania, żeby znaleźć i usunąć przyczyny braków, piszemy w artykule o analizie przyczyn źródłowych na danych produkcyjnych. O tym, jak zbudować taką warstwę danych, przeczytasz w artykule o Przemyśle 4.0 i inteligentnej fabryce. Platforma taka jak MeshOS zbiera wyniki kontroli, dane maszynowe i informacje o partiach w jednym miejscu.

Najczęstsze pytania o machine vision i AI

Czym różni się machine vision od computer vision?

Computer vision to szeroka dziedzina, w której komputery uczą się rozumieć obrazy. Machine vision jest jej zastosowaniem przemysłowym: kamerami i oprogramowaniem, które w zakładzie produkcyjnym wykonują kontrole i pomiary oraz od razu ingerują w pracę linii.

Czym różni się klasyczna wizja od wizji z AI?

Klasyczna wizja pracuje na sztywnych regułach i tolerancjach i jest mocna w dokładnych pomiarach. Wizja z AI uczy się z przykładów i dzięki temu rozpoznaje także odchylenia trudne do ujęcia w reguły, takie jak rysy, zabrudzenia albo brakujące elementy. W praktyce często łączy się obie.

Czy wizja z AI jest pewniejsza niż kontrola ludzka?

Przy kontrolach powtarzalnych tak. System wizyjny ocenia każdy produkt z tą samą uwagą, nie męczy się i zapisuje każdą decyzję. Ludzie pozostają niezastąpieni przy definiowaniu jakości i ocenie przypadków wątpliwych, ale bieżącą pracę kontrolną system może przejąć.

Czy wizja z AI zadziała także na istniejących liniach produkcyjnych?

Tak. Kamerę, oświetlenie i komputer edge da się praktycznie zawsze wpiąć w istniejącą linię, a połączenie ze sterownikiem odbywa się przez standardowe sygnały i protokoły. Nie trzeba wymieniać ani zatrzymywać linii.

Ile kosztuje system wizyjny z AI?

To zależy od zastosowania: liczby kamer, prędkości linii i złożoności kontroli. Nasze podejście to zaczynanie od małego: jedna kontrola na jednej linii z mierzalnym celem, żeby uzasadnienie biznesowe obroniło się samo, zanim rozszerzysz to dalej.

Podsumowanie: zacznij od jednej kontroli, która naprawdę ma znaczenie

Wizja z AI nie jest już pieśnią przyszłości. Technologia jest dojrzała, dostępna cenowo i sprawdzona w praktyce, od kontroli etykiet w spożywce po nadzór jakości w motoryzacji. Klucz to zaczynać od małego: wybierz jedną kontrolę, w której błędy kosztują dziś najwięcej, zautomatyzuj ją solidnie i od tego buduj dalej.

Meshnex projektuje, buduje i wdraża rozwiązania wizyjne z AI współpracujące z twoimi istniejącymi liniami i systemami. Zobacz nasze rozwiązanie systemy wizyjne kontroli jakości, skontaktuj się z nami albo przeczytaj więcej o naszym podejściu.