Laadunvalvontaa konenäöllä
Teollisuudessa konenäön yksi ilmeisimpiä sovelluskohteita on laadunvalvonta; konenäkö tunnistaa esim. tuotantolinjalla vialliset/virheelliset tuotteet huomattavasti paremmin kuin ihminen, väsymättä. Yhtenä käytännön esimerkkinä mainittakoon Altialle toteuttamamme ratkaisu, joka tunnistaa pulloista viallisia etikettejä ym. virheitä.
Tällaisella konenäköratkaisulla voidaan saavuttaa useita eri hyötyjä:
- Prosessin tehostaminen: esim. tuotantolinjan nopeutta ei tarvitse mukauttaa ihmisen havainnointikykyyn
- Havikin vähentäminen: virheellisiä tuotteita sisältävät erät voidaan joutua kustannussyistä tuhoamaan kokonaan
- Asiakastyytyväisyys: virheelliset tuotteet murentavat brändiä
Esimerkki bisness-ongelmasta
Otetaan konkreettinen esimerkki: teollisuusyritys valmistaa ruuveja, joita myydään sekä kuluttajille että rakennusalan yrityksille. Tuotantoprosessissa syntyy kuitenkin väistämättä virheitä, eikä kaikkia virheitä saada seulottua pois manuaalisessa laadunvalvonnassa. Asiakkaille päätyessään virheelliset ruuvit voivat aiheuttaa esimerkiksi tuhlaantunutta aikaa tai jopa materiaalien/työvälineiden tärveltymistä.
Kuvantunnistuksen avulla olisi ainakin periaatteessa mahdollista automatisoida virheiden seulonta tuotantolinjalla, mutta on hyvä muistaa että tämä ei käytännössä yksin riitä vaan tarvitaan myös muita teknisiä ratkaisuja. Käydään seuraavaksi läpi kuvantunnistuksen kannalta oleellisia kysymyksiä.
Riippuu tapauksesta onko riittävää erotella virheelliset tuotteet virheettömistä vai ei. Virheen laatu voi antaa informaatiota siitä, missä tuotantoprosessin vaiheessa virhe on syntynyt, kun taas kategorista virheen tunnistusta voidaan käyttää seulomaan virheelliset tuotteet tuotantolinjalta.
Voi myös olla, että kaikilla virheillä ei edes ole loppukäyttäjän kannalta mitään merkitystä. Esimerkiksi ruuvin kannassa olevat muotovirheet eivät välttämättä vaikuta lainkaan käyttöominaisuuksiin (paitsi silloin jos ruuvauskärki ei istu odotetulla tavalla kantaan). Oleellisinta lienee, että ruuvin kärki on mahdollisimman virheetön ja että kierteet ovat kunnossa.
Tekninen toteutus
Bilotilla tekoälyratlaisut nojaavat vahvasti tekoälykiihdyttimeemme (AI–jack, open source). Konenäön suhteen olemme päättäneet keskittyä suurelta osin hyödyntämään valmiita API-rajapintoja, AI-jackin kautta.
Valmiiden API:en merkittävimmät heikkodet ovat potentiaalisesti huonompi erotuskyky ja suurempi vasteaika kuin räätälöidyillä malleilla. Hyötyjä sen sijaan löytyy varsin monia, esimerkiksi:
- Nopea kehitys ja implementointi
- Dataa tarvitaan yleensä paljon vähemmän
- Helppo integroida kokonaisuuteen
- Investointien minimointi (tietotekniikka, työtunnit ja tietotaito)
Valmiiksi koulutetut mallit, joita tarjoavat esim. Microsoft, Google, Amazon, IBM, Peltarion jne., myös kehittyvät huimaa vauhtia, joten tarve räätälöityihin ratkaisuihin tulee väistämättä vähenemään tulevaisuudessa.
Video demo
Alla olevassa videossa Ilpo kertoo miten kuvantunnistus hoituu käytännössä, hyödyntäen AI-jackia. Esimerkkinä videossa käytetään puupanelien laatua (data haettu täältä).
Yhteenveto
Tässä artikkelissa on käyty lyhyesti läpi konenäön soveltamista laadunvalvonnassa ja miten Bilotin AI-jackia ja valmiita AI-API-rajapintoja voidaan käyttää tässä hyväksi, helpottamaan kuvantunnistusprojektin hallintaa ja läpivientiä.
Valmiiden API:n merkittävä etu on se, että suhteellisen pienellä määräällä dataa päästään alkuun ja voidaan jopa saada hyviäkin tuloksia (ongelmasta riippuen). Valmis malli voidaan sitten tarvittaessa jalkauttaa suoraan tuotantolinjalle, joko lokaaliin tietokoneeseen tai jopa suoraan edge-tuettuun kameraan.
