Computer vision za kontrolu kvalitete u proizvodnim malim i srednjim tvrtkama

Computer vision za kontrolu kvalitete jedan je od rijetkih AI slučajeva primjene u proizvodnji s doista jasnom pričom o povratu ulaganja. Kamera, model i signal za izbacivanje mogu uhvatiti greške koje umorno ljudsko oko u dva ujutro propušta. No razmak između uvjerljive demonstracije i sustava koji radi bez nadzora tri smjene dnevno golem je. Ovaj je vodič namijenjen voditeljima proizvodnje, kvalitete i digitalne transformacije u srednje velikim proizvodnim tvrtkama koji žele znati isplati li se vizualnu kontrolu automatizirati na njihovoj liniji i kako izbjeći skupe pogreške na kojima propada većina prvih projekata.

Radimo prije svega na AI projektima u proizvodnji u Münchenu i okolici, a obrazac je uvijek isti: tehnologija je rijetko usko grlo. Usko grlo je odabir prave stanice, prikupljanje čisto označenih slika i uredna integracija s opremom koju ionako već imate. Prođimo kroz to iskreno, uključujući i slučajeve u kojima uopće ne biste trebali automatizirati.

1. Kada se vizualnu kontrolu isplati automatizirati

Automatizirana kontrola isplati se kada je greška vizualno razaznatljiva, kada se pregled stalno ponavlja i kada je cijena propuštene ili lažne škartne odluke visoka. Dobri kandidati dijele nekoliko obilježja:

• Velike serije uz ručnu kontrolu svakog komada. Ako čovjek gleda svaki komad, plaćate trajni trošak rada i prihvaćate ljudski umor. Upravo tu kamera dolazi do izražaja.
• Greške s vizualnim potpisom. Ogrebotine, komponente koje nedostaju, poroznost zavara, onečišćenje površine, pogreške na etiketama i tisku, razine punjenja, grube dimenzijske provjere. Ono što izučeni operater vidi, obično vidi i model.
• Stabilno pozicioniranje. Komad stiže u približno ponovljivom položaju i orijentaciji ili ga se stezno može tako postaviti.
• Osjetna cijena propusta. Greška koja stigne do kupca pokreće opoziv, jamstveni zahtjev ili zastoj dalje na liniji.

Kada NE automatizirati. Budite iskreni oko loših kandidata. Ako vam je udio grešaka ionako izrazito nizak, a greške su rijetke i raznolike, teško ćete skupiti dovoljno primjera za pouzdano treniranje; klasičan alat vizualne kontrole zasnovan na pravilima ili vješt kontrolor tada su i jeftiniji i bolji. Ako je greška u 2D slici praktički nevidljiva, nijedan je model neće dočarati. Ako vam se asortiman mijenja tjedno bez zajedničke vizualne gramatike, trošak ponovnog treniranja i ponovne validacije može nadmašiti korist. A ako je pregled zapravo stvar prosudbe oko koje se ni vaši stručnjaci ne slažu, imate problem s označavanjem, a ne priliku za automatizaciju.

2. Koji su vam podaci potrebni

Vision projekti stoje i padaju na podacima, a manje i srednje tvrtke to redovito podcjenjuju. Trebaju vam reprezentativne slike i dobrih komada i grešaka koje vas zanimaju, snimljene pod rasvjetom i optikom koje planirate koristiti u pogonu. Nekoliko praktičnih napomena:

• Primjeri grešaka su rijedak resurs. Dobri komadi su laki; njih radite tisuće dnevno. Greške su po prirodi stvari rijetke. Počnite prikupljati i arhivirati slike grešaka već sada, i prije nego što projekt krene, uz zabilježenu vrstu greške.
• Kvaliteta oznaka nadmašuje njihovu količinu. Nekoliko stotina pažljivo i dosljedno označenih slika često daje bolji rezultat od tisuća površnih. Prvo s timom kvalitete dogovorite pisanu taksonomiju grešaka.
• Obuhvatite stvarne varijacije. Različite šarže, dobavljači, smjene i doba dana unose razlike u boji, sjaju i onečišćenju. Vaš dataset za treniranje mora pokriti taj raspon, inače će model zakazati čim se uvjeti pomaknu.
• Augmentaciji i sintetičkim podacima pristupite oprezno. Za neke klase grešaka možete generirati varijacije, no sintetički podaci su dopuna, a ne zamjena za stvarne primjere vaših stvarnih načina otkazivanja.

Ako još ne možete reći koliko označenih slika grešaka imate po kategoriji, to je prvo što treba riješiti. AI Readiness Audit obično kreće upravo odavde, jer raspoloživost podataka određuje je li pilot uopće izvediv ovaj kvartal ili tek dogodine.

3. Uobičajeni načini na koje sustav zakaže

Većina vision implementacija propada na predvidive načine. Ako ih unaprijed poznajete, možete ih zaobići već u fazi projektiranja:

• Drift rasvjete. Model treniran pod jednim svjetlosnim uvjetom neprimjetno slabi kada se promijeni ambijentalno svjetlo, kada žarulja ostari ili kada kroz prozor uđe poslijepodnevno sunce. Kontrolirana, zatvorena rasvjeta nije predmet pregovora.
• Pomak distribucije. Novi dobavljač, prilagođen proces ili drukčija obrada materijala mijenjaju slike. Model nema načina saznati da se svijet pomaknuo. Treba vam nadzor koji javlja kada ulazi izgledaju nepoznato.
• Neuravnoteženost klasa. Kada je udio grešaka djelić postotka, model koji jednostavno uvijek kaže "dobro" djeluje točno, a beskoristan je. Mjerite ono što je važno: stopu otkrivanja stvarnih grešaka i stopu lažnog škartiranja, a ne deklarativnu točnost.
• Zamka demonstracije. Model koji dobro prolazi na uređenom testnom skupu može se raspasti na liniji, jer testni skup nikada nije sadržavao neuredne, granične i djelomično zaklonjene komade kakve proizvodnja daje.
• Nema puta za čovjeka u petlji. Bez jasnog načina da operateri provjere granične odluke i vrate ispravke, sustav se ne može poboljšavati, a povjerenje se osipa.

4. Razvoj ili kupnja

Univerzalnog odgovora nema; postoji odluka koja odgovara vašoj situaciji.

Kupite (ili uzmite platformu) kada je vaš zadatak kontrole razmjerno standardan, kada želite predvidivu podršku i kada radije plaćate licencu nego gradite interni vision tim. Gotove pametne kamere i inspekcijske platforme znatno su sazrele i velik dio uobičajenih provjera površine te prisutnosti dijelova rješavaju konfiguracijom umjesto vlastitim kodom. Za mnoge je tvrtke to prava polazna točka.

Gradite vlastito rješenje kada je vaša greška neuobičajena, kada su zahtjevi integracije specifični, kada su vaši podaci doista vlasnički i razlikovni ili kada imate više inspekcijskih stanica koje opravdavaju zajedničku internu sposobnost. Vlastiti razvoj daje vam kontrolu i izbjegava puzajuće troškove licenci po korisniku, ali vas obvezuje da preuzmete životni ciklus modela: ponovno treniranje, nadzor i validaciju.

Pragmatičan srednji put čest je: kupite kameru i edge hardver, koristite etabliran framework, a vlastiti trud uložite samo u model i u integracijski sloj koji je specifičan za vašu liniju. Nemojte graditi infrastrukturu koju dobavljač već radi dobro; svoje oskudno inženjersko vrijeme potrošite na dio koji je stvarno jedinstveno vaš.

5. Osmišljavanje pilota

Pilot tretirajte kao pokus s pisanom hipotezom, a ne kao nabavu. Dobro omeđen pilot odgovara na jedno pitanje: može li ovo uhvatiti naše greške na našoj liniji uz prihvatljivu stopu lažnog škartiranja? Postavite ga ovako:

• Odaberite jednu stanicu i jednu obitelj grešaka. Oduprite se porivu da riješite sve odjednom. Uzmite pregled s najjasnijom ekonomikom i najboljim raspoloživim podacima.
• Prvo vozite u sjeni. Pustite sustav da donosi predikcije usporedno s postojećim procesom, bez da one išta pokreću. Usporedite njegove odluke s onima kontrolora prije nego što mu date ovlast da izbacuje komade.
• Kriterije prihvaćanja odredite unaprijed. Prije početka i u dogovoru s kvalitetom odlučite koja stopa otkrivanja i koja stopa lažnog škartiranja znače uspjeh. Naknadno pomicanje ciljeva razlog je zašto se piloti otegnu unedogled.
• Postavite vremenski okvir. Šest do dvanaest tjedana obično je dovoljno da se vidi radi li pristup. Ako ne konvergira, i to je valjan i jeftin rezultat.
• Petlju povratnih informacija planirajte od prvog dana. Operaterima treba brz način da označe neslaganja kako bi model i tim učili zajedno.

6. Mjerila povrata ulaganja (kvalitativna)

Oduprite se iskušenju da krenete s postotkom koji ne možete obraniti. Poslovni slučaj gradite na polugama koje se na vašoj liniji doista pomiču i izrazite ih vlastitim brojkama:

• Izbjegnuti trošak propuštenih grešaka. Jamstvo, opoziv, škart kod kupca i šteta za ugled zbog grešaka koje danas prolaze.
• Preusmjeren rad na kontroli. Sati ručne kontrole svakog komada koji se mogu prebaciti na vrjedniji posao, a ne smanjenje broja zaposlenih.
• Propusnost i ujednačenost. Kamera se pred kraj smjene ne umara, pa je kvaliteta ujednačenija kroz smjene i operatere.
• Ranije otkrivanje. Uočiti drift procesa na inspekcijskoj stanici prije nego što nastane cijela loša šarža često je najveća skrivena ušteda.
• Troškovna strana, iskreno. Hardver, integracija, validacija te trajni trošak ponovnog treniranja i nadzora. Sustav kojemu treba stalno dadiljanje može pojesti vlastitu korist.

7. Ograničenja pri uvođenju u pogon

Tu obećavajući pilot susreće tvrdu stvarnost. Model je lakši dio; posao je ugraditi ga u živu liniju.

• Rasvjeta. Najodlučniji pojedinačni čimbenik. Zatvorite mjesto pregleda, kontrolirajte izvor svjetla i standardizirajte ga. Dosljedno osvjetljenje koje otkriva greške često znači više od arhitekture modela.
• Brzina linije. Sustav ima fiksni vremenski proračun po komadu. Snimanje slike, inferencija i odluka o izbacivanju moraju zajedno stati u takt pri punoj brzini proizvodnje, a ne u opušteni ritam demonstracije.
• Edge hardver. Mnoge linije zbog latencije, pouzdanosti ili politike podataka ne podnose put do oblaka i natrag. Inferencija tada mora raditi na industrijskom edge uređaju blizu kamere, što ograničava veličinu modela i framework koji možete koristiti.
• Integracija s PLC-om i MES-om. Odluka o izbacivanju korisna je samo ako pokreće akciju. To znači uredno digitalno rukovanje s PLC-om radi aktiviranja mehanizma za izbacivanje te povratno javljanje u MES kako bi podaci o greškama bili zabilježeni, sljedivi i vidljivi uz ostale zapise o kvaliteti. Taj se integracijski posao redovito podcjenjuje i upravo tu najviše želite iskusnog partnera.
• Održavanje i vlasništvo nad sustavom. Kamere driftaju, leće se prljaju, procesi se mijenjaju. Netko mora biti odgovoran za rekalibraciju, ponovno treniranje i nadzor. Odlučite tko, prije nego što krenete u pogon.

Ništa od toga nije egzotično, ali sve mora biti dobro odjednom. Timovi koji uspijevaju tretiraju vizualnu kontrolu kao proizvodno inženjerski projekt s AI komponentom, a ne kao AI projekt koji se slučajno odvija u pogonu. Suprotan pristup jedna je od pet pogrešaka koje tvrtke rade pri uvođenju AI-ja.

Odakle početi

Uz ovaj tekst vrijedi pročitati dva ranija: kako znati je li vaša tvrtka spremna za AI obrađuje temelje podataka i procesa koje vision pilot pretpostavlja, a što očekivati od povrata ulaganja u machine learning daje realne raspone za rezultate u kontroli kvalitete.

Ako imate jednu inspekcijsku stanicu koja boli, slike grešaka u nekoj mapi i tim kvalitete koji se može složiti oko toga što je greška, dalje ste od većine. Prvi potez nije kupnja kamere. Prvi je potez potvrditi da je vizualna kontrola doista vaš pilot s najvećim povratom, prije nego što se veže ijedan dio budžeta za hardver.

Česta pitanja

Koliko slika grešaka treba za treniranje modela kontrole?

Manje nego što se očekuje za česte razrede grešaka, više za rijetke. Nekoliko stotina primjera po vrsti greške upotrebljivo je polazište. Teže je ograničenje pokrivenost: svaki uvjet osvjetljenja, varijanta proizvoda i položaj kamere iz proizvodnje moraju biti zastupljeni.

Što ako nemamo slike grešaka jer su rijetke?

Onda tome pristupite kao otkrivanju anomalija, a ne klasifikaciji. Trenirajte na tome kako izgleda dobar komad i označavajte odstupanja. To mijenja preciznost za pokrivenost, stvara više lažnih uzbuna i i dalje često nadmašuje ručno uzorkovanje na liniji s kojom greške danas prolaze.

Zamjenjuje li automatizirana kontrola kontrolora kvalitete?

Rijetko, a takvo postavljanje obično potapa projekt. Realan ishod je da sustav preuzme rutinske provjere velikog obujma i eskalira dvojbene slučajeve, čime kontrolori vrijeme troše ondje gdje prosudba doista znači.

Hoće li model raditi nakon što promijenimo proizvod ili liniju?

Ne sam od sebe. Nova varijanta, materijal drugog dobavljača, pomaknuta kamera ili novo osvjetljenje mogu tiho pogoršati učinak. Planirajte povremenu ponovnu validaciju i način otkrivanja drifta te svaku fizičku promjenu ćelije tretirajte kao povod za provjeru modela.