Automatizovaná kontrola čistoty čoček | ATEster Deeplearning Runtime

ATEster Deeplearning Runtime | Vzhledem k pevnému zabudování čoček do světlometů či lamp představuje kontrola jejich kvality jednu ze stěžejních části výroby. Pyšníme se plně aizovaným procesem za využití neuronových sítí, jehož výsledkem je eliminace možných chybových kusů v části produktu, ke které se nemá koncový zákazník schopnost sám dostat a jejichž výměna by byla časově náročná.

Klíčovým prvkem je nasazení systému ATEster Deeplearning Runtime (ADR), který je schopen analyzovat fyzické poškození, přítomnost prachu a otisků, případně jiné odchylky od požadovaného standardu. V tomto projektu se jedná o vestavbu do námi dodaného a již běžícího stroje pro linkovou výrobu. Dalšími náklady na materiál tedy bylo pouze zabudování kamery z řady Basler ace a grafické karty, na které probíhají výpočty spojené s umělou inteligencí.

Princip řešení

Pro detekci vad bylo použito naše řešení fungující na principech deeplearningu. Vady na výrobcích jsou detekovány pomocí modelů neuronových sítí, naučených v našem prostředí ADS – ATE Deeplearning Studio. Pomocí těchto modelů jsme schopni detekovat téměř jakékoliv typy vad, ať už se jedná například o škrábance, praskliny, úlomky, viditelné prachové usazeniny, či otisky prstů. U zákazníka je následně nasazen runtime naučeného modelu, který pomocí zmíněného rozšíření v aplikaci ATEster, ADR, je schopen detekovat vady na snímcích pořízených kamerou. Obsluha do ADR nikterak nezasahuje, systém vyhodnocení funguje samostatně. Finální výsledek je možno ovlivnit nastavením limitů, nebo zvolením části snímku, ve které má model vady hledat. Tyto možnosti jsou volitelné.

Výsledkem je eliminace možných chybových kusů v části produktu, ke které se nemá koncový zákazník schopnost sám dostat a jejichž výměna by byla časově náročná. Díky autonomii a flexibilitě se využití vytvořeného systému ADR neomezuje pouze na tuto konkrétní činnost, ale lze jej používat v jakémkoliv výrobním odvětví pro detekci vad na jakémkoliv výrobku, s libovolným tvarem a velikostí.

Hlavní výhody a rizika

Výhodou tohoto řešení je již zmíněná schopnost detekce vad na libovolném výrobku, či rychlost vyhodnocení. Další výhodou je schopnost přesné detekce vad i v případě, že dochází ke změnám pozice výrobku v rámci snímku, nebo ke změnám světelných podmínek. Rizikem při učení a nasazení může být detekce příliš výrazných a nevýrazných vad různé velikosti v rámci jednoho snímku, kdy vyhodnocení pomocí jednoho modelu nemusí poskytovat dostatečně kvalitní kontrolu. V tomto případě je řešením použití více než jednoho modelu, každý pro vady s jinou charakteristikou, čímž se násobně zvýší přesnost detekce i v náročnějších obrazových podmínkách a zachová se vysoká kvalita inspekce výrobku.

V případě kontroly čistoty čoček byly použity tři modely. První model slouží k detekci zejména prachových částic nebo vláken. Jedná se o velmi malé a velice výrazné vady, které jsme schopni detekovat s velmi vysokou přesností. Druhý použitý model detekuje velké, ale nepříliš výrazné vady, zejména otisky prstů, které při nechtěném dotyku zůstanou na čočce. Poslední model je schopen detekovat výrobky, které mají příliš velkou četnost malých prachových částic, a nečistoty pokrývají téměř celou čočku.

Při nasazení ADR je doporučeno použít pro kontrolu výrobku počítač s dedikovanou grafickou kartou, která se využívá právě pro vyhodnocení snímků a pro samotnou detekci vad. V případě nasazení výkonné grafické karty bude samotné vyhodnocení velmi rychlé, v řádu milisekund, ale lze použít i počítač bez dedikované grafické karty. V tom případě dojde ale ke značnému omezení výkonnosti ADR, a čas vyhodnocení bude násobně vyšší, ale může být použita například počítačová skříň s menšími rozměry.

Výsledky v řeči čísel

Z hlediska úspěšnosti jsme schopni dosáhnout s našimi modely pro kontrolu čistoty čoček úspěšnosti 97 %. To znamená, že z celkové výroby jsme schopni vyřadit 97 % všech vadných výrobků libovolného typu.  Z časového hlediska potřebuje ADR s touto konkrétní sestavou na vyhodnocení jednoho snímku 360 milisekund.