AI vision systems for improved flexibility and efficiency

Højere effektivitet og fleksibilitet med AI

I JLI er vi specialister i at bruge AI til at lave effektive visionsystemer.

AI åbner op for nye muligheder for at forbedre nøjagtigheden og effektiviteten i visionsystemer. Mens et traditionelt vision system er designet til at detektere specifikke fejl, tilføjer kunstig intelligens et ekstra lag af fleksibilitet og effektivitet ved at kunne håndtere en større variation af fejl.

Vi bruger machine learning, specifikt deep learning, til at efterligne menneskelig intelligens gennem neurale netværk. Dette gør det muligt for visionsystemer at håndtere udfordrende applikationer – såsom inspektion af produkter med subtile variationer eller vanskelige overflader.

Der findes en bred vifte af AI-applikationer inden for visionsystemer, hvor den mest åbenlyse måske er detektering af æstetiske fejl i overflader, som normalt kræver et trænet øje at evaluere.

Omfattende erfaring med AI og en solid proces

En af faldgruberne ved implementering af kunstig intelligens er at reducere den til blot at være et spørgsmål om kode.

Selvfølgelig er machine learning modellen afgørende, men uden den nødvendige infrastruktur omkring den, vil det ikke være muligt at skabe et velfungerende og robust system.

Hos JLI vision har vi arbejdet med AI, machine learning og deep learning i flere år og vi har opbygget en stærk proces til systemdesign, udvikling og implementering af AI-modeller samt løbende forbedring af systemet.

Som en end-to-end-integrator omfatter vores arbejde med AI i visionsløsninger nedenstående 3 faser:

Fase 1

Systemdesign til AI i visionsystemer

Systemdesignfasen er afgørende, da den definerer grundlaget for visionsystemet. Det er her, vi beslutter, hvilken hardware vi skal bruge til at løse den aktuelle opgave – fra kamera og lys til GPU – og også her vi definerer, hvilken vej vi skal vælge med hensyn til software.

Kan vi løse det med traditionel computervision, eller er AI vejen frem? Eller skal vi vælge en hybrid vision-tilgang?

Hvis vi vælger AI, omfatter systemdesignfasen valg af den mest velegnede machine learning-metode til opgaven, f.eks. klassificering, instanssegmentering eller afvigelsesdetektering.

Denne fase omfatter også valget mellem at bruge standard smartkameraer eller vores egen JLI-platform.

Fase 2

Systemimplementering og -udrulning

I fase 2 implementerer vi det specificerede system på produktionslinjen for at begynde at indsamle billeder til træning af AI-modellen. Forbehandling af billeder er ofte vigtigt for at optimere modellens ydeevne.

I denne fase annoterer vi de billeder, der skal inkluderes i modellens træningsmateriale. Vi bruger kundens professionelle indsigt i de typer fejl, vi skal finde, og vores egen ekspertise inden for annotering for at sikre, at modellen løbende forbedres.

Det er vigtigt at præsentere modellen for en varians, der er repræsentativ for den faktiske produktion i denne fase, for at udvikle en effektiv model.

Fase 2 er en iterativ proces, hvor vi indsamler billeder, annoterer dem, træner modellen, implementerer den optimerede model, evaluerer resultatet og derefter gentager processen, indtil vi har en AI-model, der leverer den ønskede ydeevne.

Fase 3

Vedligeholdelse og løbende forbedringer

I fase 3 er systemet nu implementeret og inspicerer inline på produktionslinjen.

Ved hjælp af vores annotationsværktøj, JLI Annotator, kan en operatør inline annotere de billeder, som visionsystemet leverer som output, hvis der for eksempel er en variation af fejl, som modellen ikke er trænet til at håndtere.

Billederne kan derefter sendes til offline annotation, hvor en superbruger validerer eller finjusterer operatørens annotationer.

De annoterede billeder kan derefter uploades til JLIs AI-server, hvor modellen kan trænes på de nye billeder og tilpasses ændringer eller variationer i produktionen.

Vi kan også registrere inputafvigelser og gemme afvigelser fra afvigelsesdetektering for at træne systemet på disse billeder.
Denne proces sikrer, at modellen løbende forbedres og tilpasses det aktuelle produktionsmiljø.

Valg af den rigtige AI-tilgang til dit visionsprojekt

Når vi arbejder med AI-visionssystemer ved hjælp af machine learning, omtales det ofte som én ting. Det består dog af en række forskellige modeller og teknikker, der hver har sine egne egenskaber og fordele.

I denne video forklarer visioningeniør Martin Plenge-Feidenhans´l tre metoder indenfor machine learning, som vi bruger til at forbedre industriel kvalitetskontrol:

Klassificering
Segmentering
Detektion af afvigelser

Inspektion af træ

Mål: Detektion af knaster og harpikslommer i limplader.

Løsning: Limpladerne scannes på et transportbånd og behandles ved hjælp af en kombination af deep learning (bestemmer, om kandidaten er defekt), traditionel machine vision (vælger kandidater) og 3D (kontrollerer limpladernes overflade).

Fordel: Løser en tidskrævende manuel inspektionsopgave i produktionen og muliggør fuldautomatisk reparation af limplader.

Resultat: Nøjagtighed på +95 %, hvilket er langt bedre og mere konsistent end manuel inspektion.

Inspektion af glas

Mål: Detektion af åbne og lukkede luftkanaler i glasrør.

Løsning: Ved hjælp af traditionel machine vision detekteres alle fejl i luftkanalerne. Fejlene behandles derefter i realtid ved hjælp af en deep learning-model for at afgøre, om fejlen er åben eller lukket.

Fordel: Forbedrer udbyttet ved at reducere spild.

Resultat: Nøjagtighed på +95 %

Inspektion af stål

Mål: Påvisning af uregelmæssigheder på skinnerne umiddelbart efter produktionen.

Løsning: Skinnerne scannes ved at køre gennem en inspektionstunnel. Billederne behandles i realtid ved hjælp af en kombination af deep learning og traditionel vision-teknologi. Deep learning-netværket trænes uden overvågning.

Fordel: Løser en tidskrævende manuel inspektionsopgave i produktionslinjen.

Resultat: Nøjagtighed på +90 %, hvilket er bedre og mere konsistent end manuel inspektion.

Læs denne case om brugen af AI til at automatisere en tidskrævende og udfordrende inspektionsopgave i træindustrien

AI vision systemer