Kontrola kvality poháňaná umelou inteligenciou - budúcnosť defektoskopie

Každé odvetvie, od mikročipov cez smartfóny až po automobily a potraviny, sa musí pri výrobe tovaru starať o udržanie kvality a výkonu. Nízka alebo nekonzistentná kvalita môže viesť k dodatočným nákladom, nadmernému odpadu, stiahnutiu produktov z trhu, zvýšenej miere reklamácií a pod. Kontrola kvality je tak základnou súčasťou väčšiny výrobných procesov. Manuálne postupy kontroly kvality sú však často časovo náročné a náchylné na chyby. S cieľom uspokojiť rastúci dopyt po vysokokvalitných produktoch sa vo výrobných linkách stáva nevyhnutným používanie inteligentných vizuálnych kontrolných systémov založených na strojovom učení a umelej inteligencii.

Dnešný vysoko konkurenčný globálny trh si vyžaduje uvedenie produktu s takmer dokonalou kvalitou. Hoci väčšina vyspelých organizácií dokáže prevádzkovať svoje výrobné procesy s veľmi nízkou chybovosťou, zákazníci očakávajú produkty, ktoré sú bez chýb úplne. Schopnosť presne odhaliť chybné produkty predtým, ako sa dostanú na trh je preto kľúčovou kompetenciou, ktorú by podniky mali mať. Vo výrobnom procese mechanických výrobkov sa však určitej úrovni chýb nedá vyhnúť. Tieto chyby môžu zahŕňať nežiaduce diery, jamky, odreniny a škrabance na rôznych kusoch, ktoré vychádzajú z montážnej linky. Chyby môžu pochádzať z konštrukčných zlyhaní, chybného výrobného zariadenia, únavy materiálu či nepriaznivých pracovných podmienok. Bez ohľadu na zdroj chyby, chybné komponenty zvyšujú výrobné náklady, znižujú kvalitu produktu, skracujú jeho životnosť, ovplyvňujú spokojnosť zákazníkov a vedú k rozsiahlemu plytvaniu zdrojmi.

Americká spoločnosť pre kvalitu odhaduje, že pre mnohé organizácie náklady na kvalitu predstavujú až 15 – 20 % ročných príjmov z predaja. Aj z týchto dôvodov sa práve kontrola kvality stáva doménou s veľkým potenciálom profitovať z AI. Používanie inteligentných kamier a súvisiaceho softvéru s podporou AI a strojového učenia pomáha výrobcom dosiahnuť lepšiu kontrolu kvality pri rýchlostiach, latencii a nákladoch, ktoré presahujú možnosti ľudských kontrolórov.

aspecta logo

Čo je to tradičná defektoskopia a aké sú jej nevýhody?

Defektoskopia je vedné odvetvie, ktoré sa zaoberá nedeštruktívnym spôsobom zisťovania defektov v materiáloch a výrobkoch. Okrem rôznych fyzikálnych metód je základným prístupom vizuálna kontrola. Táto bežná metóda kontroly kvality nezahŕňa žiadne špecializované vybavenie, namiesto toho sa pri overovaní spolieha na ľudské zmysly. Vďaka tomu je vizuálna kontrola nákladovo efektívna a zároveň sa jednoducho vykonáva v porovnaní s inými kontrolnými metódami. Takáto kontrola si vyžaduje len prítomnosť kontrolóra, ktorý vykonáva posudzovanie subjektu podľa určitého školenia alebo predchádzajúcich znalostí. Zväčša nie je potrebné žiadne špeciálne vybavenie. 

Na druhej strane je vizuálna kontrola zvyčajne časovo náročný proces náchylný k chybám, pretože je vysoko manuálny a naplno sa v nej prejavuje ľudský faktor. Podľa výskumov sa chyby vizuálnej kontroly zvyčajne pohybujú od 20 % do 30 %. Určité chyby sa dajú tréningom a cvičením redukovať, ale nedajú sa úplne odstrániť.

Niektoré bežné problémy, ktorým čelia tradičné prístupy k vizuálnej kontrole, zahŕňajú:

  • Vizuálna kontrola je zvyčajne vysoko manuálny proces, ktorý môže byť časovo náročný a náchylný na chyby.
  • Kontrolóri sa líšia v závislosti od svojich skúseností a obmedzení ľudského vnímania, čo môže spôsobiť nekonzistentnú kontrolu kvality. Tradičná vizuálna kontrola je obmedzená rýchlosťou a citlivosťou ľudských zmyslov.
aspecta logo

Ako funguje kontrola kvality poháňaná umelou inteligenciou?

Detekcia defektov je názorným príkladom potenciálnej hodnoty, ktorú možno uvoľniť implementáciou technológií AI vo výrobnom priemysle. Výrobcovia, samozrejme, používajú „strojové videnie“ v aplikáciách vizuálnej kontroly už niekoľko rokov. Pridanie softvéru na kontrolu kvality s podporou strojového učenia však predstavuje odklon od predchádzajúcich technológií.

Tradičné strojové videnie je technológia používaná na poskytovanie automatickej kontroly založenej na obraze. Strojové videnie vyniká pri kvantitatívnom meraní štruktúrovanej scény vďaka svojej rýchlosti, presnosti a opakovateľnosti. Systém strojového videnia postavený na správnom rozlíšení kamery a optike môže ľahko kontrolovať detaily objektov, ktoré sú príliš malé na to, aby ich ľudské oko videlo, a kontrolovať ich s väčšou spoľahlivosťou a menšou chybovosťou. Systémy strojového videnia dokážu na výrobnej linke spoľahlivo a opakovane kontrolovať stovky alebo tisíce dielov za minútu, čo ďaleko presahuje kontrolné možnosti ľudí. 

Na druhej strane, tradičný automatizovaný systém nemá takú flexibilitu alebo toleranciu voči zmenám ako ľudia. Tí sú schopní rozlíšiť aj medzi jemnými, kozmetickými a funkčnými chybami a dokážu interpretovať variácie vo vzhľade dielov, ktoré môžu ovplyvniť vnímanú kvalitu. Aj keď je rýchlosť spracovania informácií obmedzená, ľudia sú jedinečne schopní konceptualizovať a zovšeobecňovať.

kontrola kvality poháňaná umelou inteligenciou

ZDROJ: mobidev.biz

Práve v tomto smere sa veľmi efektívne vie uplatniť strojové učenie a umelá inteligenica, ktoré „učia“ stroje robiť to, čo je pre ľudí prirodzené: učiť sa príkladom. To dáva výrobnej technológii úžasné nové schopnosti rozpoznávať obrázky, rozlišovať trendy a robiť inteligentné predpovede a rozhodnutia. Namiesto toho, aby sa systém strojového videnia spoliehal na vopred naprogramované pravidlá, softvér poháňaný AI sa môže sám naučiť, ktoré aspekty sú dôležité, a vytvoriť pravidlá, ktoré definujú kvalitné produkty. Pri správnej implementácii sú nástroje na detekciu defektov podporované AI oveľa lepšie ako manuálna kontrola i strojové videnie, pričom poskytujú výrazne vyššiu presnosť, vyššiu kvalitu produktov, vyššiu produktivitu, vyššiu priepustnosť a nižšie výrobné náklady.

Celý postup vizuálnej kontroly je vďaka AI nezávislý od akéhokoľvek ľudského faktora. Technológia strojového učenia využíva neurónové siete, ktoré napodobňujú ľudskú inteligenciu a dokážu rozlíšiť anomálie a defekty, pričom tolerujú prirodzené variácie v zložitých vzoroch. Týmto spôsobom využitie AI a strojového učenia spája prispôsobivosť ľudskej vizuálnej kontroly s rýchlosťou a robustnosťou počítačového systému.

aspecta logo

Výhody kontroly kvality poháňanej umelou inteligenciou

Technológie AI a strojového videnia umožňujú výrobcom automatizovať zisťovanie chýb produktu, čím šetria čas a peniaze a zároveň zlepšujú kontrolu kvality. Niektoré špecifické výhody, ktoré vyplývajú z rozšírenia tradičných kontrolných prístupov s technikami AI a ML, zahŕňajú:

  • Uvoľnenie mentálnych zdrojov pre manuálnych inšpektorov, zlepšenie detekcie defektov.
  • Automatické prispôsobenie sa zmenám v produktoch bez dodatočného programovania.
  • Takmer okamžitá kontrola desiatok alebo stoviek oblastí produktov.


Vizuálnu kontrolu doplnenú o AI je možné použiť aj pre interné a externé zariadenia na hodnotenie produktov, ako sú skladovacie nádrže, tlakové nádoby, potrubia a iné. Vizuálna kontrola založená na AI vedie k úplnejšiemu a efektívnejšiemu odhaľovaniu skrytých chýb počas výroby. Hlavné všeobecné benefity defektoskopie poháňanej umelou inteligenciou:

  • Rýchlosť – pozorovania, ako aj závery sa robia extrémne rýchlo.
  • Spoľahlivosť –  systém je nezaujatý a programovateľný podľa potreby a bez otázok sa riadi pokynmi.
  • Presnosť –  automatizovaný systém je schopný merať absolútne rozmery štandardizovaným spôsobom.
  • Nezávislosť od prostredia – systém možno nasadiť aj v pre človek v nebezpečných či nevyhovujúcich podmienkach alebo prostrediach.
  • Nákladová efektívnosť – zníženie nákladov na prácu a iné prevádzkové náklady
  • Zvýšený objem výroby bez obetovania kvality.


McKinsey odhaduje, že tieto výhody detekcie defektov a ďalších aplikácií Industry 4.0 vytvoria pre výrobcov a dodávateľov potenciálnu hodnotu 3,7 bilióna dolárov už v roku 2025.

aspecta logo

Aplikácie defektoskopie podporovanej AI

Aplikácie vizuálnej kontroly založenej na AI v reálnom svete zahŕňajú:
  • Detekcia chýb produktu: Automatizujte detekciu chýb produktu (napr. kozmetické problémy, zlé zvary, chyby pri montáži).
  • Detekcia poškodenia: Automatizujte detekciu poškodenia zariadenia alebo budovy (napr. povrchové trhliny, poškodenie vodou). ‍
  • Monitorovanie a detekcia korózie: Automaticky monitorujte koróziu v kotloch, potrubiach, skladovacích nádržiach, nádobách a iných zariadeniach. ‍
  • Správa inventára zariadení : Automatizujte označovanie a správu majetku rýchlym prepisovaním štítkov zariadení a ich ukladaním do databázy.

V rámci priemyselného použitia sa s AI a strojovým učením pri kontrole kvality dnes stretávame najmä v oblastiach:
  • Automobilová výroba : Kontrola lakovaného povrchu, kontrola zvarov v karosárni, kontrola lisovne (škrabance, preliačiny, praskliny, škvrny), kontrola bloku motora zlievarne (trhliny, deformácie, anomálie)
  • Výroba polovodičov : Anomália na úrovni plátkov a lokalizácia defektov, kontrola prasklín v matrici, kontrola pred umiestnením, kontrola balenia SoC, kontrola montáže dosky
  • Výroba elektroniky : Chybné alebo chýbajúce súčiastky dosky plošných spojov (PCB) (skrutka, pružina, pena, konektor, štít atď.), spájkovanie a lepenie dosky plošných spojov (nedostatočná spájka, námraza, posun, prebytok cínu atď.), kontrola povrchu výrobku (rozliatie lepidla, deformácia siete, škrabance, bubliny atď.)
  • Univerzálna výroba : Kontrola obalov a štítkov, kontrola tkanín (sieťovina, trhanie, priadza), kontrola kovových a plastových zvarov, kontrola povrchu

Vo svete už dnes vidíme množstvo úspešných prípadov použitia AI vo výrobe. Napríklad Airbus využíva automatizovaný  systém kontroly lietadiel založený na dronoch, ktorý urýchľuje a uľahčuje vizuálne kontroly. Tento vývoj znižuje prestoje lietadiel a súčasne zvyšuje kvalitu správ z inšpekcií. Drony na vizuálnu kontrolu solárnych panelov využíva aj spoločnosť  DJI Enterprise. Spolu so satelitmi sa drony tiež veľmi úspešne využívajú na kontrolu plynovodov a ropovodov, DroneDeploy takto nedávno zmapovala takmer 300 km potrubí. Fujitsu Laboratories zas stojí na čele vývoja rozpoznávacích systémov s podporou AI  pre elektronický priemysel.
aspecta logo

Výzvy zavedenia AI do kontroly kvality vo výrobe

Hlavné prekážky zavádzania výrobných riešení poháňaných umelou inteligenciou do výroby a vytvárania pozitívnej návratnosti investícií môžu prameniť z obchodných či technických problémov. Implementácia AI vo výrobe je navyše stále v ranom štádiu. Je to preto, že každý problém, scenár a prípad použitia AI je úplne jedinečný a vyžaduje si drobné prispôsobenia. Detekcia defektov sa zásadne líši vo výrobe odevov, potravinárstve, automobilovom priemysle či spotrebnej elektronike.  Pre väčšinu spoločností je nutná implementácia špecifických riešení, aby sa dosiahol významný vplyv na podnikanie a návratnosť investícií z dlhodobého hľadiska. 

Budovanie technológie AI vo vlastnej réžii si vyžaduje špičkové odborné znalosti v danej oblasti. Podniky, ktoré sa pokúšajú vybudovať riešenia AI interne, narážajú na veľké náklady a extrémne dlhý čas zhodnotenia projektov. Aj preto je vhodné zvoliť si na implementáciu defektoskopie poháňanej AI spoľahlivého partnera so skúsenosťami v danej oblasti, ktorý je schopný ušiť vám riešenie na mieru. V takomto prípade môže byť tento krok rozhodujúcim pri ďalšom smerovaní a raste podnikania a priniesť do spoločnosti mimoriadnu pridanú hodnotu.    

Páčil sa vám článok?

Prihláste sa do newslettera
Zdieľajte ho na sociálnych sieťach
Autor

Vyvíja webové aplikácie založené na .NET frameworku. Má rozsiahle skúsenosti s programovaním. Zaujíma sa o AI, BI a moderné IT postupy.

Branislav Bielik Analysis Programmer .NET
branislav bielik