De waarde van op AI gebaseerde visuele inspectie in 2020

Al meer dan tien jaar maken fabrikanten gebruik van geautomatiseerde oplossingen om hun bedrijfsresultaten te verbeteren. Automatisering en machine vision worden nu uitgebreid en zelfs vervangen door AI. Dit is de waarde van op AI gebaseerde visuele inspectie in 2020.

Waarde van op AI gebaseerde visuele inspectie

Vervanging door AI is vooral waar als het gaat om visuele inspectie. Het gebruik van op AI gebaseerde visuele inspectietechnologie transformeert het vermogen van de productie om de bedrijfsvoering te verbeteren.

Op AI gebaseerde visuele inspectie is gebaseerd op twee van de belangrijkste sterke punten van AI:computervisie en deep learning. Elk AI-systeem is gebouwd met de kerncapaciteit om zijn omgeving waar te nemen (computervisie) en op die waarnemingen te reageren (deep-learning).

Als resultaat van diepgaand leren past AI zich aan een reeks omgevingen aan, waardoor het bruikbaar is in een groot aantal industrieën. Het heeft onbeperkte mogelijkheden en kan snel worden ontwikkeld om aan de behoeften van een fabrikant te voldoen.

Concept van op AI gebaseerde visuele inspectie

Goed getrainde menselijke ogen kunnen defecten detecteren. Een goed opgeleide AI-gebaseerd vision-systeem kan hetzelfde doen, maar met meer efficiëntie. Net als een menselijk oog leggen op AI gebaseerde vision-systemen een afbeelding vast en sturen deze naar een centraal "brein" voor verwerking.

Net als een menselijk brein, maakt een AI-"brein" gedetailleerde betekenis van het beeld door het te contrasteren met zijn bestaande kennis.

Op AI gebaseerde vision-systemen zijn gemaakt van twee geïntegreerde componenten. Een detectieapparaat fungeert als een 'oog', terwijl een deep learning-algoritme als een 'brein' fungeert. Het geïntegreerde systeem bootst met succes het vermogen van het menselijk oog na om beelden te interpreteren.

Op AI gebaseerde zichtsystemen zijn efficiënter dan menselijke ogen omdat het AI-"brein" grotere hoeveelheden informatie opslaat.

Robuuste rekenkracht kan met hoge snelheden door beschikbare gegevens bladeren. Het systeem kan objecten classificeren in zowel foto's als video's en complexe visuele waarnemingstaken uitvoeren.

Op AI gebaseerde vision-systemen kunnen afbeeldingen en bijschriften zoeken, objecten detecteren en multimedia classificeren.

Dankzij op deep learning gebaseerde visuele verwerking kunnen op AI gebaseerde visuele inspectiesystemen cosmetische gebreken waarnemen en defecten detecteren op algemene of conceptuele oppervlakken (mobidev dot biz).

Voordelen van op AI gebaseerde visuele inspectie

1. Snelle implementatie

Decennia oude geautomatiseerde systemen zijn afhankelijk van defectbibliotheken, lijsten met uitzonderingen en gecompliceerde filters. De tijd die nodig is om deze informatie te verzamelen, op te schonen voor nauwkeurigheid en opnieuw te implementeren, vermindert de doeltreffendheid ervan. Het verspilt ook arbeid.

AI en deep learning vereisen geen langdurige programmering of vervelende lange algoritmen. Op AI gebaseerde visuele inspectiesystemen kunnen worden gebouwd door verschillende kwaliteitsingenieurs en een dataset met trainingsafbeeldingen. Het systeem leert snel en wordt gedurende meerdere weken geïntegreerd.

2. Verbeterde analyse en kwaliteitscontrole

Fabrikanten kunnen AI gebruiken om inspectieresultaten te documenteren en om de productkwaliteit te beoordelen. Enkele algemene maatstaven voor procesverbeteringsinitiatieven die met succes kunnen worden gevolgd en gecorreleerd met concrete visiegegevens zijn:

• recepten verwerken
• apparatuurverschillen
• leveranciers van onderdelen
• fabriekslocatie

Daarnaast kunnen ook inspectiebeelden en resultaten worden gevolgd en gedocumenteerd. Deze initiatieven voorkomen toekomstig falen, wat tijd en extra productiekosten bespaart. Door op deep learning gebaseerde machinevisie toe te passen bij alle initiatieven en inspecties, kunnen fabrikanten defecten vroegtijdig herkennen en aanpakken.

3. Verlaging arbeidskosten

AI-oplossingen hebben een hogere mate van consistentie dan de meeste deskundige menselijke inspecteurs. Menselijke inspecteurs moeten worden opgeleid en kunnen slechts 15-20 minuten per keer een hoge mate van focus behouden. De loonkosten worden jaarlijks gemaakt en het personeelsverloop is een probleem. Om deze redenen zijn op AI gebaseerde vision-inspecties kosteneffectiever dan handmatige arbeid.

Gebruiksvoorbeelden

AI verhoogt het concurrentievermogen van fabrikanten in elke branche. Hier zijn recente use-cases uit de luchtvaartindustrie, de productie van halfgeleiders en de biowetenschappen.

Alibaba is opgestaan ​​om de uitdagingen in de gezondheidszorg aan te gaan die zijn ontstaan ​​door het coronavirus. Het op deep learning gebaseerde visuele herkenningssysteem van Alibaba kan het coronavirus detecteren in CT-scans op de borst met een nauwkeurigheid van 96%. Het systeem heeft toegang tot 5.000 COVID-19-gevallen en kan binnen 20 seconden een diagnose stellen. Bovendien kan het systeem onderscheid maken tussen beelden van virale longontsteking en beelden van coronavirus.

Fujitsu Laboratories implementeerde een beeldherkenningssysteem in de Fujitsu-fabriek in Oyama. Het systeem zorgt ervoor dat onderdelen op een optimaal kwaliteitsniveau worden geproduceerd door het assemblageproces te begeleiden. Het systeem was zo succesvol dat Fujitsu het in alle productielocaties van het bedrijf heeft geïmplementeerd.

Airbus introduceerde in 2018 een geautomatiseerd, op drones gebaseerd vliegtuiginspectiesysteem. Het systeem heeft de kwaliteit van inspecties verbeterd en de uitvaltijd van vliegtuigen verminderd.

GlobalFoundries is een leider in de productie van halfgeleiders. Het bedrijf ontwierp een visueel inspectiesysteem dat defecten in een scanning elektronenmicroscoop (SEM) beelden detecteert. Het systeem detecteert defecten in een wafer-kaart die vervolgens helpt bij het bepalen van de prestaties van het halfgeleiderapparaat.

De hierboven genoemde use-cases laten zien in hoeverre AI in staat is veel aspecten van ons leven te automatiseren. Hoewel AI-visie de menselijke visie nooit zal repliceren, blijft de technologie informatie classificeren en vooruitgaan op manieren die menselijke ogen en hersenen niet kunnen. En alleen mensen kunnen overwegen hoe ze deze technologie kunnen gebruiken om voordelen te behalen.