Vision systemer til automatiseret kvalitetskontrol i industrien

Hvordan forbedrer vision systemer produktkvalitet og effektivitet?

Vision systemer - også kendt som machine vision eller computer vision - er avancerede teknologier, der anvender hardware (kameraer, optikker og computere) og software (algoritmer og machine learning netværk) til at udføre inspektioner og målinger i industriel produktion.

Systemerne er designet til at genkende former, farver og positioner for at identificere fejl, kategorisere emner eller styre automatiserede processer. Avancerede vision systemer er i stand til at finde fejl og defekter, som ikke er umiddelbart synlige for det menneskelige øje

I industriel automation bruges machine vision systemer ofte til at optimere produktionsprocesser, herunder kvalitetskontrol, sortering og robot guidance. Et vision system vil ofte kunne erstatte en manuel inspektion, fordi systemet kan levere en præcision og en konsistens i inspektionen, som manuelle inspektører har meget sværere ved.

Ved at automatisere inspektionsprocesser reducerer vision systemer den tid, der ellers skulle bruges til kvalitetskontrol. Samtidig minimeres de menneskelige fejl, så der sikres en højere og mere ensartet produktkvalitet. Præcisionen i inspektionen sikrer både, at der ikke slipper defekte emner igennem produktionen, og at der kasseres gode emner ved en fejl, hvilket både øger kvaliteten og sænker produktionsomkostningerne.

Hvilke brancher kan drage fordel af vision systemer?

Wood system1 (1) Machine vision systemer bliver brugt i en bred vifte af brancher - hos JLI vision har vi blandt andet lavet løsninger til:

Avancerede vision systemer kan fungere i meget udfordrende produktionsmiljøer og der er en lang række forskellige use cases. Systemer vil eksempelvis være meget anvendelige i disse scenarier:

Produktionslinjer, hvor der produceres et højt antal produkter i timen.

Med en høj produktionsfrekvens er det vanskeligt - ofte umuligt - for manuelle inspektører at følge med til at levere inspektion af en tilpas høj kvalitet.

Produkter hvor kvalitet er afgørende.

Hvis kvaliteten af produkterne er kritisk - eksempler kunne være alt fra medicinsk udstyr til jernbaneskinner - vil en machine vision løsning ofte kunne levere bedre resultater end manuel inspektion.

Produkter med en høj værdi.

Hvis værdien af produkterne er tilpas høj, er der ofte en god business case i at minimere spild.

Produkter, hvor fejl er svære at se for det menneskelige øje.

Det kan være overfladedefekter, spændinger i glas, mikroskopiske revner eller lignende.

Hvilke typer vision systemer findes der?

Vision systemer kan kategoriseres på flere måder, både i forhold til deres kompleksitet og den type inspektion, der foretages.

For det første skelner man mellem 2D og 3D vision systemer. 2D-systemer er velegnede til opgaver som mønstergenkendelse, objektidentifikation og måling af størrelser - alle opgaver hvor man skal “tælle pixels” - mens 3D-systemer anvendes til mere komplekse applikationer, der kræver rumlig forståelse - det kan eksempelvis være revner eller andre overfladedefekter, som ikke ses på et almindeligt 2D-billede.

3D long stone.pngWEB

Der findes også “traditionel vision”, som er baseret på en algoritme, der er programmeret til at finde specifikke fejltyper, overfor vision systemer baseret på kunstig intelligens, hvor avancerede neurale netværk eksempelvis bliver trænet til at kunne identificere og klassificere mange forskellige fejltyper på én gang.

De mest robuste løsninger består ofte af kombinationer af flere teknologier - eksempelvis traditionel 2D Vision kombineret med machine learning. På den måde opstår “hybrid vision”, som gennem solidt ingeniørarbejde får de bedste tilgange til at spille sammen.

Derudover giver det mening at skelne mellem standard machine vision og customiserede løsninger. Til mere simple inspektionsopgaver er det muligt at købe standard løsninger, som rummer både hardware og software i én pakke, så det bliver både relativt billigt og nemt at komme i gang med visuel inspektion.

Hvis den type kvalitetskontrol der skal foretages er af mere kompleks karakter, vil det dog ofte være nødvendigt med en customiseret løsning, der er tilpasset det konkrete brugsscenarie. Se mere om, hvor langt du kan komme med en standard machine vision løsning her.

AI og machine learning i vision systemer

Kunstig intelligens rummer potentialet til at blive en game changer inden for industriel kvalitetskontrol, fordi det gør det muligt at løse inspektionsopgaver, som hidtil har været umulige - eller i hvert fald uforholdsmæssigt dyre - at udvikle en løsning til.

Ofte handler det om at skulle inspicere et organisk materiale for fejl, som det trænede øje er i stand til at vurdere af fra årelang erfaring, men som er svære at beskrive præcist nok til, at en klassisk algoritme virker. Ofte fordi der er flere faktorer i spil på samme tid.

Læs mere: 3 real-life examples of how AI can improve quality control

Det er dog vigtigt at have sin kritiske sans med sig, når man overvejer brugen af kunstig intelligens, for nogle er det både hurtigere og billigere at bruge traditionelle metoder. Det kan for eksempel være, når det handler om at måle størrelser eller afgøre om en klart defineret fejl er til stede eller ej.

Læs mere: AI in machine vision - game changer or hot air?

Machine learning bliver ofte omtalt som én ting, men i virkeligheden er det en vifte af forskellige modeller og teknologier, og det er vigtigt, at man er i stand til at vurdere, hvilken form for machine learning, man skal sætte i spil til en given inspektionsopgave.

Hør mere i denne udgave af video serien The Vision Lab:

Hvordan implementerer man bedst et vision system?

Hos JLI vision har vi over 30 års erfaring med at udvikle og implementere vision systemer, og vi har en afprøvet model for det. Den rummer grundlæggende følgende faser:

Projektafklaring. Vi hjælper med at fastslå opgavens omfang og kompleksitet.
Indsamling af test-emner. Vi skal bruge en række emner fra produktionen, som vi kan teste på.
Konceptudvikling. Vi begynder at bygge koncepter, så vi kan teste, hvordan vi bedst kan løse opgaven.
URS - User Requirement Specification. Vi hjælper med at fastlægge de specifikke krav til systemet
Tilbud på turnkey løsning. Med afsæt i URS’en laver vi et tilbud på en komplet løsning.
Udvikling og produktion. Vi indkøber hardware, udvikler algoritmer og bygger den aftalte løsning. Fasen ender med en FAT (Factory Acceptance Test)
Installation og træning. Vi installerer systemet og træner operatørerne i brugen af det.

Hvis du vil vide mere om, hvordan et godt vision projekt forløber, kan du læse vores guide:

Hvad koster et vision system?

Prisen er afhængig af projektets kompleksitet, og den afhænger igen af en lang række faktorer, som tilsammen udgør kompleksiteten af dit projekt, og derfor også siger noget om, hvad det cirka vil koste at løse det.

Omkostningerne udgøres naturligvis af den nødvendige hardware (kameraer, lys, computer osv.), og af den software, der skal bruges. Den største post er dog de ingeniørtimer, der skal bruges til at udvikle en robust, skræddersyet løsning.

Generelt er der to udfald. Enten kan din inspektionsopgave løses med en standardløsning, eller også skal der udvikles en customiseret løsning.

Prisen for standardløsninger starter ofte ved omkring 30.000 euro.
Udviklingsopgaver af middel kompleksitet koster typisk fra 60.000 euro.
Komplekse udviklingsopgaver starter ved omkring 100 000 euro.

Vi har udviklet en simpel test, som kan give dig et billede af, hvor kompleks din inspektionsopgave er, og hvad det vil koste at løse den. Prøv den her.

Vision systemer til avanceret kvalitetskontrol i industrien

Machine vision systemer, der optimerer produktionsprocessen og automatiserer manuel kvalitetskontrol

Indhold

1. Hvordan forbedrer vision systemer produktkvalitet og effektivitet?

2. Hvilke brancher kan drage fordel af vision systemer?

3. Hvilke typer vision systemer findes der?

4 AI og machine learning i vision systemer

5. Hvordan implementerer man bedst et vision system?

6. Hvad koster et vision system?