Возможности классификации изображений, предоставляемые ИИ и уже широко используемые в таких приложениях, как диагностика заболеваний, автоматизированное вождение, модерация контента и другие, идеально подходят для промышленного контроля качества, и в частности, для автоматизированной оптической инспекции (АОИ). Традиционные методы АОИ в значительной степени полагаются на мнение экспертов при настройке системы, внедрении новых продуктов и, впоследствии, в процессе производства, при проверке изображений областей, предположительно содержащих дефекты.
Искусственный интеллект стал доступен в коммерческом программном обеспечении AOI для помощи в настройке и вводе оборудования в эксплуатацию. Автоматическое сопоставление библиотек компонентов, использующее глубокое обучение для идентификации типов компонентов по изображениям, позволяет автоматически выбирать оптимальную библиотеку. Кроме того, ИИ используется для помощи в 3D-измерении компонентов с целью генерации данных для деталей, отсутствующих в существующих библиотеках.
Вторичная оценка:
Хотя ИИ упростил и ускорил управление библиотеками, теперь эта технология готова принести большую пользу производителям, применяя свои возможности обучения и классификации для повышения точности контроля на производственной линии. Полагаться на человеческое суждение при классификации дефектов как подлинных, ложноположительных или ложноотрицательных может быть трудоемко и вносить вариативность в производственный процесс. Хотя некоторые дефекты легко классифицировать, например, отсутствующие или сильно смещенные компоненты, или серьезные проблемы с пайкой, другие сложнее обнаружить или четко идентифицировать, поскольку они не соответствуют допустимым стандартам.
Когда оценка остается за экспертами-людьми, каждый оператор может применять разные критерии, основанные на его уровне опыта и мнении. Проверка может быть медленной, поскольку оценка занимает время. Некоторые дефекты могут быть упущены из виду, а чрезмерно строгие оценки могут привести к ложным срабатываниям, требующим ненужной доработки. Внедрение ИИ для помощи в этих вторичных оценках дает возможность уменьшить зависимость от экспертов и исключить неточности, тем самым повысив производительность.
Рисунок 1 иллюстрирует, как ИИ может улучшить вторичную оценку, помогая повысить ценность человеческих навыков и минимизировать последствия человеческих ошибок. Система AOI передает изображения обнаруженных дефектных участков операторам и программному приложению AI Judgement, которое включает в себя модели машинного обучения. Эксперты оценивают характер дефектов, и их оценки передаются в программное обеспечение ИИ. Благодаря многократным корректировкам по мере записи экспертных оценок, модель быстро приобретает лучшие навыки оценки экспертов и исключает человеческие ошибки. После обучения модель принимает решения, которые позволяют операторам работать с большей уверенностью и скоростью, сохраняя при этом стабильно высокий уровень точности. Таким образом, операторы могут соответствовать производительности экспертов-инспекторов.
Рисунок 1. Сбор данных, помощь в принятии решений и улучшение результатов с помощью машинного обучения.
Вторичное тестирование с использованием ИИ может повысить воспроизводимость результатов, предотвращая попадание дефектных изделий на производственную линию и быстро выявляя ложные срабатывания, чтобы избежать отправки исправных узлов на ненужную доработку. Это стабилизирует результаты контроля качества на заводе и повышает производительность.
Индекс достоверности:
Программное обеспечение Yamaha AI Judgement для автоматического оптического контроля (AOI) предоставляет операторам исчерпывающую обратную связь, объясняющую их решения «хорошо/плохо», включая изображения, таблицы и индикатор достоверности (рис. 2). Для дефектов сварки, таких как перемычки или загрязнение, этот индекс отображается в виде графической тепловой карты и рассчитанного индекса аномалий. Оценки для других дефектов, таких как распознавание символов, выражаются индексом совпадения. Программное обеспечение также сообщает о собственной производительности с помощью расчетов индекса обнаружения аномалий и подавления избыточного обнаружения. Благодаря многократному сбору и анализу данных, включая снижение шума, а также инструментам для создания и оптимизации пользовательских моделей ИИ, программное обеспечение AI Judgement позволяет пользователям контролировать жизненный цикл машинного обучения и в конечном итоге осуществлять контроль качества без помощи специалистов.
Рисунок 2. Результаты осмотра, включая изображения и рассчитанный индекс аномалии, показанные на изображении, помогают сделать вторичную оценку и определить необходимые меры по ремонту.
От помощи к автоматизации:
переход от вторичной оценки с помощью ИИ, проводимой операторами-людьми, к полностью автономной системе автоматического оптического контроля (АОИ), которая стабильно работает на уровне лучших специалистов компании. Программное обеспечение Yamaha для оценки с помощью ИИ готово к бесперебойному подключению к удаленной ремонтной станции и может напрямую передавать результаты оценки ИИ в онлайн-системы АОИ для постоянного повышения точности контроля. Использование ИИ для автоматизации вторичной оценки позволяет онлайн-системам АОИ работать непрерывно без вмешательства, с высокой скоростью, с минимальным количеством ложных отрицательных или ложных положительных результатов, предотвращая пропуск дефектов и избегая ненужных переделок.
Заключение
Искусственный интеллект может улучшить многие аспекты контроля качества (AOI), например, ускорить создание библиотек и автоматически генерировать данные об отсутствующих компонентах. Благодаря своим возможностям классификации изображений, ИИ готов к внедрению на производственной линии для помощи и, в конечном итоге, автоматизации вторичного контроля. Исторически эта задача требовала внимания высококвалифицированных инспекторов. Теперь ИИ позволяет операторам быстро достичь сопоставимого уровня квалификации. План развития указывает на комплексную автоматизацию, от сборки до AOI, с использованием машинного обучения, для дальнейшего повышения качества и увеличения производительности.
