Automatische visuele inspectie

Een van de voor de hand liggende toepassingen van artificiŽle intelligentie in de industrie is kwaliteitscontrole. In een recente white paper van het Amerikaanse Industry IoT Consortium worden twee concrete voorbeelden gegeven van automatische visuele inspectie. De paper stelt een framework voor dat als generieke aanpak kan dienen voor dergelijke projecten.

Wat voor ons interessant is aan de paper Applicative Framework for End-to-End AOI Implementation van het Industry IoT Consortiumis dat die een mooi beeld geeft van wat er in dit soort toepassingen met artificiŽle intelligentie bedoeld wordt. In media wordt immers vaak het beeld opgehangen van een black box die aan de hand van een set trainingsdata vanzelf tot een bruikbaar algoritme komt. In de praktijk wordt echter een veel pragmatischere benadering gevraagd, afgestemd op de specifieke uitdaging.

Een eerste voorbeeld in de paper betreft het visueel herkennen van drie types rotoren. Een fabrikant van vacuŁmpompen gebruikt die drie types om producten, die verder zo veel mogelijk gestandaardiseerd zijn, aan te passen aan specifieke klantenwensen. De standaardisering betekent dat ook de drie types rotoren zelf nauwelijks van elkaar verschillen.

Om ze toch van elkaar te kunnen onderscheiden worden bewust cirkeltjes op de rotoren aangebracht. Zo ziet een operator meteen om welk type het gaat, en het visiesysteem kan zich dus ook op dat principe baseren.

De beeldherkenning gebeurt in twee stappen waarbij de eerste stap alle individuele rotoren in een beeld detecteert. Daarvoor wordt een bestaand algoritme gebruikt dat pixels met vergelijkbare waardes die dicht bij elkaar liggen, groepeert, ervan uitgaand dat die pixels tot eenzelfde object behoren.

Vervolgens wordt per object een ander gekend algoritme in beeldverwerking gebruikt, namelijk Circle Hough Transform (CHT), dat in het object op zoek gaat naar cirkels. Omdat bij deze producten op voorhand bepaald is waar deze zich moeten bevinden, kan het algoritme op die manier bepalen om welk type rotor het gaat.

Detectie van porosie

In een tweede voorbeeld worden gietstukken gecontroleerd op porositeit, wat visueel zeer moeilijk is, waardoor operatoren regelmatig fouten maken. Voor de automatisering met een visiesysteem zit er een bijkomende uitdaging in het feit dat de gietstukken na warmtebehandeling vrij donker zijn. De oplossing bestaat er in dit geval in van te werken met een radiale verlichting boven het werkstuk die als effect heeft dat het werkstuk verlicht wordt maar alle caviteiten zeer donker blijven.

De eigenlijke kwaliteitscontrole is opnieuw een proces in twee stappen waarbij de beeldverwerking eerst andermaal gebruikmaakt van het CHT algoritme om de ronde omtrek van het product te detecteren. In een tweede stap worden binnen die omtrek alle donkere pixels geteld. Als dat aantal te hoog is, wordt het product omwille van zijn porositeit afgekeurd.

Beide voorbeelden gebruiken een AI benadering waarbij een model gebruikt wordt om automatisch visuele inspecties te doen. Tegelijk illustreren deze voorbeelden dat dit model allerminst aan black box hoeft te zijn, maar in de praktijk heel specifiek gekozen wordt in functie van de toepassing. Dat is misschien jammer voor de liefhebbers van neurale netwerken en andere moderne machine learning technieken, maar tegelijk geeft het ook aan dat automatische visuele inspectie veel minder vergezocht is dan soms gedacht wordt. De paper besluit dat automatische visuele inspectie relatief eenvoudig geÔmplementeerd kan worden, zowel qua technische haalbaarheid als qua schaalbaarheid.

© Productivity.be, 17/06/2022


Feel free to share

Agenda

22/08 - 26/08: ACHEMA, Frankfurt am Main

30/08 - 02/09: TechniShow, Jaarbeurs Utrecht

13/09 - 17/09: AMB, Messe Stuttgart (D)

21/09 - 22/09: Design to Manufacturing (D2M), Kortrijk Xpo

27/09 - 30/09: Micronora, BesanÁon (F)

14/03/23 - 16/03/23: Embedded World, NŁrnberg

15/04/24 - 19/04/24: Wire/Tube, DŁsseldorf (D)