Masinnägemine tootmises: mis see on?

Tootmises on palju visuaalset kontrolli nõudvaid tegevusi: kas detail vastab mõõtudele, kas silt on loetav, kas kogus klapib, kas toode on õiges asendis. Suure mahu korral muutub visuaalne kontroll pudelikaelaks, sest inimene väsib ja ühtlast kvaliteeti on käsitsi kontrollides keeruline hoida. Masinnägemine võimaldab osa sellest tööst automatiseerida. Selgitame, mis see on, milliseid ülesandeid see tootmises täidab ja kuidas hinnata, kas sellest on teie protsessides kasu.

Mis on masinnägemine?

Masinnägemine on masinõppe valdkond, kus arvuteid õpetatakse digitaalsete piltide, videote ja süvaõppemudelite abil visuaalset maailma tõlgendama ning objekte tuvastama ja klassifitseerima. Tootmises tähendab see, et kaamera jäädvustab tootest või protsessist pildi ning tarkvara tuvastab pildilt defekte, mõõte, teksti, objekte või inimesi. Tulemuse põhjal saab käivitada järgmise toimingu, ilma et inimene peaks ise pilti vaatama või andmeid käsitsi sisestama.

Praktikas töötab masinnägemise süsteem nii:

Kaamera ja valgustus. Tööstuslik kaamera paigutatakse protsessi kindlasse punkti ning valgustus seatakse nii, et pilditingimused püsiksid ühtlased.
Pilt. Kui toode, detail või inimene jõuab kaamera vaatevälja, jäädvustab süsteem pildi või videokaadri.
Tarkvara ja mudel. Algoritm analüüsib pilti: tuvastab objekti, loeb teksti, mõõdab parameetreid või võrdleb tulemust etteantud nõuetega.
Tulemus liigub haldustarkvarasse. Tuvastatud andmed suunatakse haldustarkvarasse või ERP-i, kus neist saab kirje, dokument või raport.
Järgmine toiming. Tulemuse põhjal käivitub protsessi järgmine samm: detail suunatakse edasi või kõrvale, laoseis uueneb liidestuse kaudu ning vajaduse korral saab vastutav töötaja teavituse.

Lihtsamad rakendused eristavad kujusid, värve ja asendeid, et tuvastada defekte ning liigitada esemeid. Keerulisemad süsteemid suudavad tuvastada ka vigu, mida inimsilm ei erista, näiteks pinged klaaspaneelides või mikroskoopilised praod.

Milleks masinnägemist tootmises kasutatakse?

Tootmises ja laos kasutatakse masinnägemist peamiselt järgmisteks ülesanneteks:

Ülesanne	Mida kaamera teeb	Kus seda kasutatakse
Kvaliteedikontroll	Kontrollib defekte, mõõte, asendit ja kogust ning võrdleb neid nõuetega	Tootmisliinil ja lõppkontrollis enne väljastamist
Teksti ja koodide lugemine (OCR)	Loeb pildilt teksti, seerianumbrid ja koodid ning digiteerib need	Andmesisestuse automatiseerimine vastuvõtul ja tootmisliinil
Objektide tuvastamine ja liikumiste jälgimine	Tuvastab objekti ja registreerib selle liikumise ühelt positsioonilt teisele	Laohaldus, sageli koos RFID-väravatega
Sorteerimine ja robotiseeritud tootmise abistamine	Eristab kujusid, värve ja asendeid ning kategoriseerib esemeid	Automatiseeritud ja robotiseeritud tootmisprotsessid
Ligipääsu haldamine näotuvastusega	Tuvastab inimese näo järgi ja võimaldab läbipääsu	Piiratud läbipääsutsoonidega tootmised ja hooned
Inimeste loendamine	Loendab ruumi külastajaid	Külastajate arvu monitoorimine

Kvaliteedikontrolli automatiseerimine vähendab kontrollile kuluvat aega ja inimlikke eksimusi. Masinnägemise täpsus aitab jõuda olukorrani, kus defektsed osad tootmisest ei välju ning kvaliteetseid tooteid ei arvata kogemata defektsete hulka. Kui kontrollipunktide andmed koonduvad ühte süsteemi, saab nende põhjal üles ehitada tootmise ja kvaliteedi reaalajas jälgimise ehk MES-taseme lahenduse, mis katab protsessi toorainest valmistooteni.

Teksti ja koodide lugemist käsitlesime põhjalikumalt eraldi artiklis Masinnägemine ja OCR tootmises — kui teie valupunkt on just käsitsi andmesisestus, alustage sealt.

Kaks näidet meie projektidest

Rehvid.com (Vevid AS). Varem tuli iga rehvipass paberil käsitsi täita ja korduv info igasse tootepassi uuesti sisestada. Lahendasime selle OCR-põhise masinnägemise abil: kui rehv tuuakse kaamera ette, loeb süsteem rehvilt andmed ning tootmisliinilt tulevate rehvide passid koostatakse automaatselt. Kõik tellimused koos staatustega on ühes keskkonnas. Lahendus hõlmab viit töökoda ja üht tootmisüksust ning umbes kahekümnel kliendil on keskkonnale ligipääs. Täpsema kirjelduse leiate Rehvid.com kogemusloost.

Sisekaitseakadeemia raamatukogu. Siin kasutatakse masinnägemist teises rollis: selle abil jälgitakse külastajate arvu ja saadakse külastatavusest ülevaade ilma käsitsi logimiseta. See on osa terviklahendusest koos RFID-põhise laenutussüsteemi ja iseteenindusjaamaga. Lugege lähemalt Sisekaitseakadeemia kogemusloost.

Need kaks näidet illustreerivad sama tehnoloogia ulatust: ühes loetakse teksti keerulise kujuga tootelt ja koostatakse dokumendid automaatselt, teises loendatakse inimesi ruumis.

Millal masinnägemine sobib ja mis on piirangud?

Masinnägemine sobib kõige paremini sinna, kus visuaalne kontroll või andmete lugemine toimub korduvalt ja kindlas protsessipunktis: vastuvõtt, liini lõpp, lähetus, läbipääs. Mida ühtlasemad on tingimused, seda töökindlam on tulemus.

Samas on sellel tehnoloogial piirangud, mis tuleb enne juurutamist ausalt välja tuua.

Valgustus peab olema ühtlane. Tuvastustäpsus sõltub sellest, kas loetav objekt on ühtlaselt ja piisavalt valgustatud. Tugevalt muutuv valgus (suured aknad, liikuvad varjud, päeva- ja öövahetuse erinevused) vähendab tuvastusmäära, kui sellega seadistamisel ei arvestata. Tööstuslikes lahendustes kasutatakse tavaliselt kontrollitud valgustust kaamera ümber.
Sildi asend ja suund kaamera ees on olulised. Kaamera loeb kõige paremini siis, kui objektid jõuavad vaatevälja järjepidevalt samas asendis. Kui esemed saabuvad juhuslikes suundades, on vaja kas suunamismehhanismi või mitme kaameraga seadistust. See on lahendatav, kuid lisab keerukust ja kulu.
Kulunud või kahjustatud sildid vähendavad tuvastuskindlust. Mudel tuleb kerge kulumisega enamasti toime, kuid silt, mida inimene ei suuda lugeda, käib tõenäoliselt üle jõu ka masinale.

Just viimase piirangu tõttu on iga juurutuse oluline osa erandite käsitlemise protsess: tuleb selgelt kokku leppida, mis juhtub siis, kui lugemine ebaõnnestub, ning kes ja kuidas andmed sel juhul registreerib.

Masinnägemine või vöötkood ja RFID?

Need tehnoloogiad ei välista üksteist, sest nad vastavad eri küsimustele. Masinnägemine tuvastab seda, mis on nähtav: kuju, teksti, defekti, inimese. Selleks ei ole vaja esemele eraldi märgist lisada. RFID vajab märgist, kuid otsest nähtavust see ei nõua: märgist on võimalik lugeda ka siis, kui kaup on karbis või tihedalt riiulil. Praktikas kombineeritakse neid sageli: näiteks laos saab masinnägemist ja RFID-väravaid koos kasutades luua tervikliku lahenduse reaalajas uuenevate andmetega. Kui kaalute esemete märgistamist, võrdlesime vöötkoodi, QR-koodi ja RFID-d eraldi võrdlusartiklis.

Kust alustada?

Kõige lihtsam lähtepunkt on küsida: kas teie protsessis on kindel punkt, kus toimub korduv visuaalne kontroll või käsitsi andmesisestus? Kui vastus on jah, tasub masinnägemise vajaduse ja kasu hindamist alustada just sellest kohast.

Enne tehnoloogia valikut tasub teha eelanalüüs: kaardistada praegune andmevoog, füüsilised tingimused ja esemetüübid ning alles seejärel valida kaamera, valgustus ja tarkvara seadistus. Juurutamist on mõistlik alustada piloodiga ühes protsessipunktis — nii saab lahenduse väärtust kontrollida piiratud ulatuses enne selle laiendamist.

Kui soovite näha, kuidas automatiseeritud visuaalne tuvastus teie tootmisse sobiks, kirjutage meile. Vaatame koos teie protsessi läbi ja anname hinnangu sellele, mida masinnägemine teie keskkonnas suudab ja mida selle juurutamine nõuab.

Vaadake meie masinnägemise lahendusi →