Automatizovaná kontrola čistoty šošoviek | ADS – ATE Deeplearning Studio
ADS – ATE Deeplearning Studio | Vzhľadom na pevné zabudovanie šošoviek do svetlometov či lámp predstavuje kontrola ich kvality jednu z hlavných časti výroby. Pýšime sa plne automatizovaným procesom za využitia neurónových sietí, ktorého výsledkom je eliminácia možných chybových kusov v časti produktu, ku ktorej sa nemá koncový zákazník schopnosť sám dostať a ktorých výmena by bola časovo náročná.
Princíp riešenia
Na detekciu chýb bolo použité naše riešenie fungujúce na princípoch deeplearningu.
Pomocou týchto modelov sme schopní detekovať takmer akékoľvek typy chýb, či už ide napríklad o škrabance, praskliny, úlomky, viditeľné prachové usadeniny, či odtlačky prstov. U zákazníka je následne nasadený runtime naučeného modelu, ktorý pomocou spomínaného rozšírenia v aplikácii ATEster, ADR, je schopný detekovať vady na snímkach urobených kamerou. Obsluha do ADR nijako nezasahuje, systém vyhodnotenia funguje samostatne. Finálny výsledok je možné ovplyvniť nastavením limitov, alebo zvolením časti snímky, v ktorej má model vady hľadať. Tieto možnosti sú voliteľné.
Výsledkom je eliminácia možných chybových kusov v časti produktu, ku ktorej sa nemá koncový zákazník schopnosť sám dostať a ktorých výmena by bola časovo náročná. Vďaka autonómii a flexibilite sa využitie vytvoreného systému ADR neobmedzuje iba na túto konkrétnu činnosť, ale je možné ho používať v akomkoľvek výrobnom odvetví na detekciu chýb na akomkoľvek výrobku, s ľubovoľným tvarom a veľkosťou.
Hlavné výhody a riziká
Výhodou tohto riešenia je už spomínaná schopnosť detekcie vád na ľubovoľnom výrobku, či rýchlosť vyhodnotenia. Ďalšou výhodou je schopnosť presnej detekcie vád aj v prípade, že dochádza k zmenám pozície výrobku v rámci snímky, alebo k zmenám svetelných podmienok. Rizikom pri učení a nasadení môže byť detekcia príliš výrazných a nevýrazných vád rôznej veľkosti v rámci jednej snímky, kedy vyhodnotenie pomocou jedného modelu nemusí poskytovať dostatočne kvalitnú kontrolu. V tomto prípade je riešením použitie viac ako jedného modelu, každý pre chyby s inou charakteristikou, čím sa násobne zvýši presnosť detekcie aj v náročnejších obrazových podmienkach a zachová sa vysoká kvalita inšpekcie výrobku.
V prípade kontroly čistoty šošoviek boli použité tri modely. Prvý model slúži na detekciu najmä prachových častíc alebo vlákien. Ide o veľmi malé a veľmi výrazné vady, ktoré sme schopní detekovať s veľmi vysokou presnosťou. Druhý použitý model detekuje veľké, ale nie príliš výrazné vady, najmä odtlačky prstov, ktoré pri nechcenom dotyku zostanú na šošovke. Posledný model je schopný detekovať výrobky, ktoré majú príliš veľkú početnosť malých prachových častíc a nečistoty pokrývajú takmer celú šošovku. Pri nasadení ADR sa odporúča použiť na kontrolu výrobku počítač s dedikovanou grafickou kartou, ktorá sa využíva práve na vyhodnotenie snímok a na samotnú detekciu chýb. V prípade nasadenia výkonnej grafickej karty bude samotné vyhodnotenie veľmi rýchle, rádovo milisekúnd, ale je možné použiť aj počítač bez dedikovanej grafickej karty. V tom prípade dôjde ale k značnému obmedzeniu výkonnosti ADR, a čas vyhodnotenia bude násobne vyšší, ale môže byť použitá napríklad počítačová skriňa s menšími rozmermi.
ADS – ATE Deeplearning Studio, výsledky v reči čísel
Z hľadiska úspešnosti sme schopní dosiahnuť s našimi modelmi na kontrolu čistoty šošoviek úspešnosti 97 %. To znamená, že z celkovej výroby sme schopní vyradiť 97 % všetkých chybných výrobkov ľubovoľného typu. Z časového hľadiska potrebuje ADR s touto konkrétnou zostavou na vyhodnotenie jednej snímky 360 milisekúnd.
Prečítaj si taktiež: Strojové videnie, kedy začať?