Візуальний контроль на основі глибокого навчання, який виявляє дефекти, непомітні для людського ока, на швидкості виробничої лінії

Ручний візуальний контроль якості на виробничих лініях є непослідовним, виснажливим і принципово не здатний встигати за сучасним виробничим темпом. Людські інспектори зазвичай досягають 70-80% рівня виявлення дефектів, який значно знижується протягом зміни через втому, тоді як швидкість виробництва сотень або тисяч одиниць на хвилину робить ретельний огляд фізично неможливим. Існуючі системи машинного зору, засновані на правилах, вимагають значних ручних налаштувань параметрів для кожного типу дефекту і виходять з ладу при виявленні нових типів дефектів або природних варіацій у прийнятних продуктах. Вартість пропущених дефектів — гарантійні претензії, відкликання, шкода бренду, а в критично важливих для безпеки галузях потенційна шкода — набагато перевищує вартість виявлення, але багатьом виробникам бракує життєздатних альтернатив ручному контролю у великих масштабах.
Знайдіть більше планів впровадження для вашого наступного проекту
Сучасні системи комп'ютерного зору, розроблені MicrocosmWorks, зазвичай досягають 95-99% точності виявлення дефектів на виробничих лініях, значно перевершуючи ручний візуальний огляд, який зазвичай виявляє лише 70-80% дефектів. Точна точність залежить від таких факторів, як умови освітлення, роздільна здатність камери та складність типів дефектів, що ідентифікуються.
MicrocosmWorks зазвичай потребує 2-4 тижні для збору маркованих зразків зображень та навчання початкової моделі виявлення дефектів для вашої конкретної лінійки продуктів. При вартості розробки від $25 до $45/год, початковий етап навчання моделі та інтеграції зазвичай триває 6-10 тижнів, перш ніж система буде готова до розгортання на виробничому майданчику.
Так, MicrocosmWorks розробляє схеми автоматизації контролю якості зі стандартними протоколами інтеграції, такими як OPC-UA, REST APIs та MQTT, для підключення до існуючих систем MES, ERP та SCADA. Дані інспекції в реальному часі надходять безпосередньо на ваші виробничі панелі, що дозволяє негайно відстежувати вихід продукції та автоматизовано направляти браковані вироби без ручного введення даних.
Комп'ютерний зір чудово справляється з виявленням мікроскопічних подряпин на поверхні, субміліметрових відхилень у розмірах, непомітних для людського ока невідповідностей кольору та нерівномірностей візерунків у високошвидкісних виробничих середовищах. MicrocosmWorks впроваджує мультиспектральну зйомку та класифікатори глибокого навчання, які послідовно ідентифікують ці дефекти зі швидкістю лінії, що перевищує 200 деталей за хвилину.
Проєкт MicrocosmWorks передбачає камери промислового класу (GigE Vision або USB3 Vision), відповідні світлові масиви та периферійне обчислювальне обладнання, таке як NVIDIA Jetson або промислові ПК, для виведення результатів у реальному часі. Загальна вартість обладнання на одну інспекційну станцію зазвичай коливається від $5,000 до $25,000 залежно від вимог до роздільної здатності та умов навколишнього середовища на вашій виробничій лінії.
Зв'яжіться з нами, щоб обговорити, як ми можемо створити це рішення для вашого бізнесу з нашою командою експертів.
Зв'яжіться з намиMicrocosmWorks може розгорнути системи візуального контролю на основі глибокого навчання, які виявляють, класифікують та оцінюють дефекти в реальному часі на повній швидкості виробничої лінії. Система використовує промислові камери високої роздільної здатності, синхронізовані з лінійними тригерами, для захоплення послідовних зображень кожної одиниці, а потім обробляє їх через оптимізовані нейронні мережі, які розрізняють десятки категорій дефектів, підтримуючи затримку інференції менше 50 мілісекунд. Конвеєр активного навчання безперервно покращує точність моделі, направляючи прикордонні випадки людським рецензентам та інтегруючи їхні рішення в цикли перенавчання. Панелі моніторингу статистичного контролю процесів надають інженерам-виробникам показники якості в реальному часі, аналіз тенденцій та раннє попередження про зміщення процесу вгору за течією, перш ніж рівень дефектів зросте.
Система має трирівневу архітектуру: високошвидкісне захоплення зображень, синхронізоване з виробничою лінією, інференція на периферії (edge inference) для прийняття рішень про пропуск/відхилення в реальному часі, а також хмарна аналітика для панелей SPC та перенавчання моделі. Промислові камери з точним освітленням та спрацьовуванням захоплюють повторювані зображення на кожній станції контролю. Периферійні сервери, оснащені GPU, обробляють зображення за допомогою оптимізованих моделей інференції та видають сигнали про пропуск/відхилення/перегляд механізмам відбракування, керованим PLC. Усі зображення, прогнози та рішення щодо людського перегляду надходять до хмарного рівня для довгострокового зберігання, аналітики та періодичного перенавчання моделі з використанням останніх виробничих даних.
незалежно від змін швидкості лінії до 1200 одиниць на хвилину
безпосередньо до механізмів відведення, керованих PLC
маркованих даних, що забезпечує безперервне покращення точності
та автоматичні оповіщення при зміщенні індексів здатності процесу
| Рівень | Технології |
|---|---|
| Бекенд | Python (обслуговування моделі), C++ (інтеграція camera SDK), Go (міст PLC), FastAPI |
| AI / ML | PyTorch, EfficientNet-V2, YOLOv8 (виявлення), TensorRT, Albumentations, Label Studio |
| Фронтенд | React, Grafana (панелі SPC), Three.js (3D візуалізація дефектів) |
| База даних | PostgreSQL (метадані), MinIO (зберігання зображень), TimescaleDB (часові ряди SPC), Redis |
| Інфраструктура | NVIDIA Jetson AGX Orin (edge), AWS S3, SageMaker (перенавчання), OPC-UA, Docker |
Проєкт починається з детального семінару з вимог до інспекції та визначення таксономії дефектів (тижні 1-2), після чого йде вибір, закупівля та встановлення апаратного забезпечення камер та освітлення (тижні 2-4). Початкове навчання моделі використовує комбінацію історичних зображень дефектів та синтетичне розширення даних протягом тижнів 3-6. Інтеграція edge з PLC та механізмом відбракування відбувається протягом тижнів 5-8, паралельно з розробкою панелі SPC. Тижні 9-12 працюють у режимі виробничого тіньового порівняння, зіставляючи рішення AI з існуючими методами інспекції для перевірки точності перед повним переходом. Тижні 12-14 завершують конвеєр активного навчання та передають його операційним командам.
| Метрика | Покращення | Деталі |
|---|---|---|
| Рівень виявлення дефектів | 99.2%+ | Моделі глибокого навчання постійно перевершують людських інспекторів, виявляючи мікродефекти, невидимі неозброєним оком |
| Рівень помилкового відбракування | Менше 1.5% | Висока точність запобігає втраті якісної продукції, підтримуючи цільові показники виходу продукції та покращуючи контроль якості |
| Пропускна здатність контролю | Збільшення в 10 разів | Автоматизований контроль працює на повній швидкості лінії 24/7 без втоми, змін або непослідовності |
| Вартість пропущених дефектів | Зниження на 85% | Майже повне виявлення дефектів на лінії усуває подальші гарантійні претензії, переробки та скарги |
| Виявлення зміщення процесу | На 4 години раніше | Аналіз тенденцій SPC виявляє деградацію процесу вгору за течією до того, як рівень дефектів перевищить контрольні межі |
| Перерозподіл робочої сили | 60% інспекторів | Звільнений персонал інспекції переводиться на більш цінні ролі в технологічному проектуванні та покращенні якості |
AI клінічного класу, що допомагає рентгенологам з швидшою та точнішою діагностикою за всіма модальностями візуалізації