Биржа забирает 35%. Copyero — публикации напрямую без посредников.

Долгие годы типичное применение машинного зрения оставалось относительно статичным: позиционирование камеры, захват изображения, его анализ и принятие решения о прохождении проверки или выбраковке на производстве.

Сочетание искусственного интеллекта, видео в реальном времени, гибкой робототехники с камерами, расширенной реальности и более полных производственных данных обещает более эффективные процессы контроля качества. Однако успех по-прежнему зависит от решения реальных производственных проблем и создания систем, достаточно простых для развертывания, адаптации и обслуживания производственными бригадами. Наиболее ценный результат — это не автоматизация ради самой автоматизации. Это технологии, которые помогают людям работать точнее, учиться быстрее и предотвращать проблемы до того, как они превратятся в дефекты. Ярким наглядным примером проблематики является сравнение качества китайских деталей с ОЕМ производителями из развитых стран.

Достижения в области визуального анализа на основе ИИ, локальных вычислительных систем, видеокамер и робототехники позволяют теперь практически фиксировать больше контекста вокруг производственных процессов, особенно в высокоточной металлообработке. Процесс анализа динамического видео, а не статичных изображений, может запускать фиксацию событий рабочего процесса, а поэтому позволяет производителю не только ответить на вопрос «Есть ли дефект?», но и дополнительно задать вопросы: «Что произошло, когда это произошло и чему мы можем научиться на этом примере?».

Однако, как только производители убеждаются в том, что программное обеспечение может надёжно идентифицировать объекты на видео, его применение часто расширяется до подсчёта запасов, проверки соответствия требованиям к средствам индивидуальной защиты, проверки технологических процессов и многих других операционных задач, выходящих за рамки базовой инспекции. Автомобильная промышленность одной из первых внедрила подобные подходы, но сейчас они распространяются в тяжёлой, горной, металлообрабатывающей промышленности, аэрокосмической и упаковочной отрасли, а также в производстве продуктов питания и напитков.

Последний сегмент является хорошим примером, поскольку контроль качества часто сочетает в себе управление технологическим процессом. Система может подсчитывать продукцию, движущуюся по линии, одновременно проверяя наличие неполного покрытия, следов пригорания или дефектов поверхности. Далее, визуальный анализ может подтвердить, поместила ли роботизированная система необходимое количество упаковок в коробку.

Не для каждого применения требуется высокоавтоматизированное производство. У небольшого производителя может не быть системы управления производством или сложной сети программируемых логических контроллеров. Тем не менее, автономная станция контроля, которая отслеживает один процесс и включает световой индикатор или сигнализацию при обнаружении проблемы, может принести значительную пользу. Но, как правило, китайские изготовители игнорируют установку таких систем на своих фабриках и заводах.

Для производителей, рассматривающих возможность внедрения визуального контроля качества, первым шагом должно стать выявление конкретной, измеримой проблемы. Попытка «внедрить» интеллектуальные системы отслеживания на всём заводе не является полезным действием. Например, целесообразно предотвратить пропуск компонента на одном из сборочных участков, и совершенно сомнительно применение точно такой же системы контроля при токарной обработке на станках с ЧПУ.

Ещё один важный аспект — это персонал. Повторяющаяся проверка в конце производственной линии — сложная работа, и внимание неизбежно переключается, когда операторы проверяют похожие детали в течение всей смены. Визуальное компьютерное распознавание может дополнить работу персонала, отслеживая повторяющиеся детали, выявляя отклонения и позволяя сотрудникам сосредоточиться на задачах, требующих рассудительности и ловкости. Та же технология может использоваться для обучения. Вместо простого отображения рабочих инструкций, система машинного зрения может распознавать, выполнен ли один этап, прежде чем показывать следующий. Это создаёт интерактивную обратную связь между инструктором и исполнителем. Такой подход может становиться всё более важным по мере того, как опытные работники уходят на пенсию, а производители привлекают менее опытных сотрудников в сложные производственные условия.

Архитектура сети — важнейшее решение на раннем этапе внедрения. Производителям следует определить, где должна осуществляться обработка данных: в облаке, локально или в гибридной среде. Облачные платформы обеспечивают масштабируемость и централизованное управление. Но недавние инциденты с дата-центрами Яндекса показали уязвимость такого способа.

Локальные системы позволяют хранить видеоматериалы производства внутри предприятия, обеспечивая визуальное моделирование без внешнего подключения, и лучше подходят для производственных сред с высоким уровнем безопасности. Это условие особо касается тех предприятий, кто работает с госзаказами для ОПК. Правильный выбор зависит от безопасности, задержки, стоимости и эксплуатационных требований. Почти все производители, выполняющие государственные контракты, где важен полный цикл производства, надёжность и соответствие законодательству (225/227-ФЗ), требуют, чтобы проекты визуального анализа работали локально, а не в облаке.

Видео-фиксация производственных процессов в реальном времени сохраняет временной контекст. Машинное зрение может распознавать изменения условий и проверять последовательность действий, не только на предмет их выполнения, но и на предмет правильности их выполнения. При развитии технологий, требования к расположению камер также меняются. Стационарные камеры машинного зрения остаются идеальным вариантом там, где цели, освещение и углы обзора остаются неизменными. Камеры с функцией панорамирования/наклона/масштабирования (PTZ) и те, которые установлены на роботизированных системах, позволяют изменять угол обзора, вместо установки нескольких стационарных точек контроля.

Управляемая камера может осмотреть один объект, изменить его положение, увеличить масштаб другой области и перейти к следующей точке слежения. Это отражает более широкую тенденцию к визуальному анализу: установление связи между тем, что видит система, и тем, что происходит дальше. Перед выбором архитектуры производителям следует учитывать интерфейсы сопрягаемого оборудования, сетевые протоколы, платформы обработки данных и возможности интеграции. Гибкие системы значительно упрощают замену камер, компьютеров или моделей ИИ по мере изменения требований. Очевидно, что этими вопросами озабочены серьёзные производства развитых стран, а жители Поднебесной решают кардинально другие задачи, не обременяя себя такими сложными заботами.

Обучение модели ИИ не всегда является самой сложной задачей. Подключение системы визуализации к существующим программируемым контроллерам (PLC) автоматизации или базе данных качества может потребовать больших инженерных усилий. Поэтому планирование интеграции следует рассматривать с самого начала, определив следующие вопросы:

— что происходит, когда система обнаруживает неисправность?
— останавливает ли она конвейер?
— отбраковывает ли компонент?
— оповещает ли оператора?
— сохраняет ли видео или записывает информацию в базу данных?

Именно определение этих действий превращает удачную автоматизацию в важнейшую часть критически важной производственной системы. Производителям также необходимо понимать, где универсальные решения не подходят. Визуальный контроль не должен автоматически заменять точные измерения для чрезвычайно малых допусков по размерам, а стандартное видео не подойдёт для любых сверхскоростных процессов.

При переходе от вопроса «что» к вопросу «почему», следующий этап контроля может оказаться даже более ценным, чем само обнаружение дефектов. В этом случае вопрос меняется с «Какие детали вышли из строя?» на «Почему эти поломки продолжают происходить?» Каждая проверка генерирует данные. Со временем производители могут сопоставлять дефекты с производственной линией, сменой, рабочим местом, оператором или условиями окружающей среды. Например, температуру и влажность можно фиксировать вместе с результатами проверки.Визуальная отслеживаемость расширяет эту идею. Вместо того чтобы отслеживать только конечный результат качества, производители могут создать историю, показывающую, откуда компонент поступил на предприятие, как он перемещался по производственному процессу и что происходило на каждом этапе.

Ещё одна перспективная область — это пространственное восприятие. Системы машинного зрения могут распознавать, какой инструмент использует оператор и где он расположен. Затем проекционные системы, планшеты или носимые устройства дополненной реальности могут предоставлять работнику указания, например, выделять точку крепления, выявлять дефект или показывать следующий этап сборки. Локальные ИИ-помощники значительно упрощают внедрение визуального анализа. Например, вместо поиска в документации информации о том, как подключить систему, инженеры все чаще могут обращаться к локальному ИИ-помощнику, обученному на соответствующей технической информации. Аналогичные инструменты также могут помочь выявить закономерности в повторяющихся дефектах. В конечном итоге, интеллектуальный анализ всё меньше сводится к созданию изолированных сред, делающих снимки, переходя к взаимосвязанным системам, которые видят, понимают, записывают и помогают.