Påvisning af fejl på ståloverflader

Erstatning af en arbejdskrævende manuel inspektionsproces

JLI Rail Surface Inspection System er et eksempel på et system, der erstatter en proces, som tidligere krævede en række personer til visuelt at vurdere hvert enkelt billede for anomalier.

Dette arbejde kræver en høj grad af fokus og kan være meget krævende.

En løsning med machine learning oven på Rail surfacei nspektion giver meget god mening, når det drejer sig om robuste, gentagne inspektioner i farten.

Et netværk, der er i stand til at håndtere et stort dataflow

JLI designede et netværk, der kunne arbejde på output fra inspektionssystemet.

Netværket blev trænet på et stort antal annoterede anomalier og testet på +10.000 billeder for at sikre en lav falsk afvisningsrate og en høj sand detektionsrate.

Det er af stor betydning, at et machine learning netværk er i stand til at håndtere den store datastrøm - i dette tilfælde live stream-billeder fra 6 megapixelkameraer.

Hardwaredesignet anvender en GPU til at accelerere algoritmen lokalt. Det kan skaleres med flere GPU'er, hvis det er nødvendigt.

JLI har valgt at udføre det machine learnings-baserede netværk lokalt for at undgå forsinkelser i eksekveringen.

En detektionsrate på over 95 %

Systemets detektionsrate er >95 %, hvilket er bedre og mere konsekvent end den tidligere manuelle inspektion.

Defekte billeder gemmes til gennemsyn af en operatør, som kan beslutte, hvordan defekter skal håndteres.

Der kan gives et tidligt advarselssignal, når der opdages tilbagevendende procesrelaterede fejl.

Denne funktion gør det muligt for operatøren at bruge Anomaly Network som et værktøj til at forbedre produktionsudbyttet og opnå en højere gennemstrømning af gode objekter.