Inteligentna produkcja / Smart ProductionInspekcja szwów spawalniczych za pomocą sztucznej inteligencji

VITRONIC przyjrzał się bliżej tematowi sztucznej inteligencji (AI) w wizyjnych systemach maszynowych w artykule na blogu "Wizja maszynowa staje się inteligentna." W tym artykule omawiam integrację sztucznej inteligencji w systemach wizyjnych maszyn i analizuję ją na konkretnym przykładzie inspekcji szwów spawalniczych — wykrywania i klasyfikacji rozprysków spawalniczych.

Rozpryski spawalnicze obniżają jakość widocznych powierzchni lub powierzchni istotnych dla montażu. Dlatego konieczne jest niezwykle niezawodne wykrywanie.

Jakie są korzyści z integracji AI?

Klasyczne wizyjne systemy maszynowe (MV) mają swoje ograniczenia podczas pracy z bardzo heterogennymi tłami i dużym zróżnicowaniem cech defektu. W związku z tym wynik klasycznego wykrywania krawędzi nie zawsze jest rozstrzygający w przypadku rozprysków. AI eliminuje tę wadę, ponieważ AI autonomicznie wykrywa wzorce, których sami ludzie nie dostrzegają lub nie potrafią zmierzyć. W ten sposób AI pozwala na większą elastyczność MV, a system uczy się na podstawie nowych warunków.

Wykrywanie rozprysków za pomocą sieci neuronowej

Ale jak ocena "nieakceptowalnego" rozprysku spawalniczego może być wyrażona w kategoriach tolerancji systemu inspekcji? Aby to zrobić, eksperci oceniają, jakie nieregularności AI powinna klasyfikować jako rozprysk spawalniczy. Konwolucyjne sieci neuronowe (CNN) są trenowane przy użyciu tych wstępnie ocenionych danych. Taka wyszkolona sieć może klasyfikować inne rozpryski lepiej po bardzo krótkiej fazie treningu w porównaniu do klasycznego podejścia.

Ważne jest, aby mieć dużą liczbę różnych zestawów danych dla typu defektu, aby później można było niezawodnie rozpoznać szeroką ilość różnych rozprysków. Im więcej dostępnych jest danych wejściowych, tym lepiej można wyszkolić sieć.

Zestaw danych treningowych, a dokładniej każda anomalia, są przypisywane do etykiety. Te etykiety tworzą wartości docelowe dla treningu.

Należy pamiętać, że sieci neuronowe nie są deterministyczne. Istnieje duże prawdopodobieństwo w wykrywaniu błędów, ale brak unikalności. Dla tych prawdopodobieństw można następnie ustawić wartość progową, przy której następuje klasyfikacja jako rozprysk. Im niższa wartość progowa jest ustawiona, tym większa niepewność (100% minus wartość progowa). To z kolei oznacza, że podczas klasyfikacji mogą wystąpić błędy pseudo, nawet w przypadku sieci neuronowych.

Inspekcja w linii wymaga przestrzegania podanych czasów cykli linii produkcyjnej. Dlatego w praktyce czas wymagany na inspekcję jest również istotny.

Dla celów oceny porównaliśmy całkowity czas inspekcji klasycznej oraz wspieranej przez AI wizji maszynowej. Niektóre algorytmy AI (takie jak SSD, Single Shot Detection) osiągnęły niemal taką samą prędkość jak klasyczna wizja maszynowa.

Biorąc pod uwagę wyższą dokładność metody SSD, jest ona lepszą alternatywą do inspekcji spoin.

Oczywiście AI może być stosowane do więcej niż tylko klasyfikacji rozprysku spawalniczego. W przyszłości VITRONIC również użyje AI do wykrywania innych defektów, takich jak pory i wklęśnięcia. Istnieje duży potencjał do szkolenia AI na innych kryteriach.