Vývoj komplexního průmyslového řešení pro zcela automatizovanou výstupní kontrolu výrobků, která bude schopna odhalit vadné výrobky na výstupu výrobní linky. Cílem je zvýšit úspěšnost výroby z aktuálních cca 94% na nejméně 97%. Studie se realizuje pro středně velkou firmu XY.
Průmyslová firma XY se rozhodla investovat do řešení, které by pomohlo snížit tzv. „zmetkovost“ výroby na výrobní lince zajišťující kompletaci šroubováků, kde dochází k nasazení a tepelnému zatavení dříku do průhledné rukojeti. Během tohoto procesu může ve velmi malém procentu případů dojít k prasknutí rukojeti. Takový případ lze identifikovat opticky.
VERTEX Technologies s.r.o. navrhla řešení v podobě instalace dvou kusů HD kamer na výstupu výrobní linky, napojených k dedikovanému počítači. Spolu se software pro optické zpracování obrazu, který by byl schopen segmentovat předmět „šroubovák“ v obraze z obou kamer a dále s pomocí umělé neuronové sítě (AI) klasifikovat zde jde o výrobek vadný nebo bezvadný. Klasifikace kvality výrobku by byla procentuální. S cílem vyvinout tento systém, tak aby fungoval zcela spolehlivě bez zásahu člověka, by bylo nutné získat data pro trénování výsledného modelu, tj. snímky vadných i bezvadných výrobků před ostrým nasazením vyvíjeného systému. Správným natrénováním modelu by byla zajištěna dostatečná vzdálenost mezi jasnou klasifikací vadného a bezvadného výrobku a eliminoval by se stav, kdy by software nebyl schopen kvalitu výrobku určit, nebo by ji naopak určoval špatně. Rozpoznání vadného kusu ve výrobě by vedlo k rozsvícení výstražného červeného světla, které by upozornilo obsluhu.
Již na počátku fáze vývoje software by byla provedena montáž dvou kusů HD kamer s cílem sběru dat z výstupu výrobní linky. Vadné a bezvadné kusy by identifikovala obsluha. Stiskem speciálního tlačítka by došlo k zalogování informace o vadném kusu, který je aktuálně v záběru kamer. Současně by se v této fázi řešila také stabilita/proměnlivost osvětlení záběru. Tímto způsobem by vznikla počáteční trénovací data o počtu řádově tisíců snímků z každé kamery. VERTEX Technologies s.r.o by měla k těmto datům vzdálený přístup, který by umožňoval snadné získání těchto dat. Pro realizaci této etapy by bylo použito Raspberry PI.
S pomocí OpenCV, Jazyka Python a frameworku TensorFlow by probíhal vývoj software, zajišťující potřebné počítačové vidění, segmentaci a klasifikaci. V pokročilé fázi vývoje by se následně aplikovala trénovací data do připraveného modelu.
Po dokončení implementace software by byla stabilní verze software nasazena cca 14 dní spolu s obsluhou. S cílem prověřit kvalitu testovacích dat a schopnosti klasifikace vadných výrobků. Během této fáze by vznikly další trénovací data, zejména vadných kusů.
V závěrečné fázi by byla nasazena verze software schopná pracovat s maximální úspěšností. Došlo by k dodimenzování výpočetních nároků záměnou Raspberry PI za výkonnější a spolehlivější hardware a byly by provedeny nezbytné závěrečné korekce.
Případová studie demonstruje schopnost VERTEX Technologies s.r.o. nabídnout a poskytnout robustní řešení pro průmyslový sektor, zlepšující výstupní kontrolu výrobní linky a tedy i zvyšující výslednou kvalitu výrobků firmy XY.
Mobilní vývoj, webový vývoj, backend software, cloud, embeded software, integrace AI, nebo vývoj vlastních AI modelů…
Rádi pro Vás vytvoříme případovou studii a pomůžeme vám zmapovat náročnost vývoje Vašeho software.
