AI îmbunătățește inspecțiile EV, dar alte inovații contează mai mult

Poate ați observat că sistemele de viziune artificială prezentate la evenimentele din industrie, precum The EV Battery Show sau Automate, sunt în mod inerent mai inteligente, mai rapide și mai precise decât sistemele pe care le-ați instalat în mediul de producție acum câțiva ani. Și poate că dumneavoastră sau cineva cu care discutați atribuiți acest salt de performanță rapid infuziei de inteligență artificială (AI) în aceste sisteme de viziune. Dar dacă mă întrebați ce face ca sistemele de viziune artificială și rezultatele inspecțiilor de calitate din industria auto să fie „atât de bune” față de acum cinci ani, vă voi spune că AI este doar o parte din răspuns.

Ceea ce face cu adevărat diferența este…

Simplitatea software-ului folosit pentru a controla sistemele de viziune artificială (sau roboții pe care îi ghidează).

Când discutăm despre impactul pe care îl are software-ul de deep learning asupra viziunii artificiale, adesea ne referim la contextul „inteligenței”. Dar acest software face, de asemenea, mai ușor pentru oameni să ajusteze procesele de inspecție sau producție pentru a le rafina după nevoie pentru rezultate mai bune. De asemenea, face mai ușor pentru aceștia să investigheze rapid o problemă identificată și să intervină dacă este necesar pentru a o corecta.

De exemplu, nu deep learning-ul este cel care permite inginerilor de robotică, automatizare și viziune artificială să proiecteze și să configureze ușor sistemul, să selecteze sau să înlocuiască hardware-ul adecvat, să proiecteze noul proces de inspecție sau să programeze traiectoria robotului. Aceasta este decizia unui lider din industria auto de a utiliza o singură suită software de la un singur furnizor, de la capăt la capăt, în procesele de producție și inspecție.

Desigur, deep learning-ul (AI) face mai ușor pentru inginerii de procese și analiștii de date să analizeze datele de inspecție pentru a identifica tendințele, pentru a îmbunătăți procesul de inspecție și pentru a reduce defectele. Calitatea datelor și analiza automată realizată cu ajutorul AI-ului ajută oamenii să vadă unde și cum trebuie să intervină. În plus, odată ce un inginer configurează algoritmii de machine learning/deep learning pentru a începe antrenarea sistemului și antrenamentul este complet, sistemul va performa natural mai bine cu fiecare inspecție, iar nevoia de intervenție a inspectorilor umani poate fi redusă. (Cu deep learning, capabilitățile pentru viziune artificială sunt extinse considerabil.)

Cu toate acestea, pentru cineva care are nevoie de ajutor pentru a ști când și cum să calibreze camerele, care trebuie să efectueze întreținerea de rutină a robotului și a altor tehnologii conectate, sau care este însărcinat cu depanarea problemelor care apar, o singură platformă software care unifică întregul sistem de viziune artificială și mediul de producție face mai ușor să mențină totul funcționând bine.

Dacă încercați să scalați o linie de producție EV pentru a crește volumul de producție, să modernizați o linie de vehicule cu motor cu ardere internă pentru a susține producția de EV-uri sau să echipați o nouă facilitate de producție EV, având o platformă software unică, independentă de hardware, pe care noii angajați o pot învăța să o configureze este aproape mai valoros decât a avea „AI încorporat” în acel software.

Interoperabilitatea software-ului (alimentat de AI) cu diferite componente hardware (indiferent dacă provin de la același furnizor sau de la furnizori diferiți) sau cu diferite tipuri de sisteme (cum ar fi roboții).

Multe „experiențe negative” sau frustrări cu viziunea artificială pe care le aud provin din decizia cuiva de a combina hardware și software de la mai mulți furnizori. Majoritatea acestora se datorează problemelor de compatibilitate care în final obligă producătorii să cumpere și să gestioneze multiple sisteme și apoi să găsească modalități de a le face să funcționeze cu toate celelalte sisteme ale lor. Aud tot timpul cât de complexă a devenit viziunea artificială. Când pun mai multe întrebări, îmi dau seama că există o mulțime de tehnologii proprietare sau „cele mai bune din clasă” combinate, iar acestea creează deconectări sau soluții de compromis care împiedică eficiența procesului, acuratețea rezultatelor și altele.

Oamenii care proiectează, construiesc, integrează și vă ajută să scalați sistemul de viziune artificială.

Chiar dacă componentele tehnologice de la diferite companii de viziune artificială și robotică pot funcționa tehnic împreună, pot oamenii responsabili de implementarea și întreținerea acelei tehnologii să colaboreze suficient de bine? Aud povești de groază despre producătorii auto care sunt purtați dintr-o companie în alta de fiecare dată când trebuie să repare sau să ajusteze ceva pentru a sprijini o nouă aplicație.

Aceasta subliniază vechea zicală „un singur apel, și atât”. A avea un singur furnizor sau o singură persoană pe care să o puteți apela pentru a ajuta cu orice și totul poate face o mare diferență în funcționarea sistemelor de viziune artificială. Ei pot aduce oamenii potriviți la masă pentru a rezolva orice probleme sau pentru a contura cel mai bun sistem pe măsură ce aveți nevoie să scalați. Ei pot, de asemenea, să privească sistemul dvs. în ansamblu pe măsură ce aveți întrebări sau ambiții și să vă sfătuiască mai bine despre ce ar trebui sau nu ar trebui să faceți.

Flexibilitatea și scalabilitatea „sistemului” de viziune artificială.

Aici este cazul să repetăm că software-ul – nu neapărat hardware-ul – este cel care definește cu adevărat cât de multe puteți face cu sistemul de viziune artificială și cât de ușor puteți face acest lucru. Înlocuirea unei camere sau a unui profilator 3D durează câteva minute, iar majoritatea hardware-ului este independent de software, deci nu există nicio problemă atunci când este timpul să adăugați mai multe, să schimbați aplicațiile sau să faceți upgrade la o tehnologie mai nouă. Deci, când oamenii spun „Viziunea artificială devine mai bună”, de multe ori este pentru că aleg o singură platformă software ca fundație a sistemului lor și apoi achiziționează diferitele camere 2D, profilatoare/senzori 3D și componente de robotică necesare pentru a completa inspecția.

Nu sunt blocați într-un sistem pe care îl numesc „sistem container” – un set de componente pe care un furnizor de tehnologie de viziune artificială a decis să le ambaleze și să le vândă ca o „soluție” gata de utilizare. Ei pur și simplu încep cu o platformă software suficient de flexibilă pentru a face orice și tot ce doresc în ceea ce privește inspecțiile de calitate ale viziunii artificiale sau procesele de robotică ghidate de viziunea artificială în procesul de producție. Apoi adaugă hardware-ul necesar.

De fapt, producătorii auto care în prezent văd cele mai mari îmbunătățiri în performanța sistemului lor de viziune artificială și procesele de inspecție susținute sunt cei care au ales să achiziționeze componentele potrivite (și diferite componente) pentru fiecare nouă „construcție” a sistemului. Ei folosesc camere 2D pentru unele inspecții, profilatoare 3D pentru altele și apoi folosesc același software pentru a procesa și analiza datele de la tot hardware-ul. Dacă vreodată trebuie să înlocuiască senzorii 3D pentru camerele 2D sau să adauge o duzină de puncte de inspecție pe măsură ce își scalează infrastructura sau trec de la vehiculele cu ardere internă la hibride la producția complet electrică, nu trebuie să dezinstaleze și să înlocuiască întregul sistem. Pot face schimbări incrementale la hardware fără a fi nevoie să instaleze și să antreneze echipa pe un nou set complet de software. Echipa lor trebuie să învețe și să folosească un singur instrument de proiectare o singură dată – și să dezvolte fiecare aplicație de pe o singură platformă software – indiferent de câte componente hardware diferite de viziune artificială sau robotică sunt adăugate în timp.

Utilizarea crescută a tehnologiilor de viziune 3D – și a tehnologiilor 3D potrivite.

Este dificil să atribuiți responsabilitatea AI-ului pentru a inspecta eficient, precis și consecvent calitatea bateriilor electrice și a vehiculelor electrice asamblate dacă nu are o imagine clară a modului în care arată bateria sau piesele asamblate. O imagine 2D nu vă va ajuta (sau pe un „AI”) să vedeți dacă amplasarea unei baterii EV în vehicul sau conexiunile ulterioare ale cablurilor sunt corecte. Nici nu veți putea vedea dacă punctele de sudură într-un EV sunt bune sau dacă s-a aplicat suficient adeziv în timpul asamblării modulului de baterie. Camerele 2D pur și simplu nu pot captura informațiile necesare pentru a confirma grosimea sau dimensiunile benzilor de adeziv. În aceste cazuri și în multe altele, veți avea nevoie de tehnologii 3D care utilizează triangulația laser pentru a putea analiza adâncimea și a înțelege cum arată lucrurile în jurul ansamblului.

În plus, „AI-ul din interiorul” sistemului dvs. de viziune artificială nu va putea confirma dacă celulele bateriei sunt corect stivuite în interiorul modulului de baterie odată ce adezivul este aplicat, dacă îi oferiți doar o imagine 2D. Cei care pot spune cu certitudine că stiva de baterii este bine aliniată sunt cei care folosesc senzori de profilare 3D pentru a informa evaluarea AI-ului.

O altă modalitate prin care tehnologia de viziune 3D îmbunătățește inspecția celulelor de baterii EV și a altor componente metalice EV este abordarea problemelor pe care le are tehnologia 2D în capturarea suprafețelor foarte reflectorizante și monocromatice. Există unele inspecții care pur și simplu nu pot fi efectuate cu precizie folosind camere 2D – cu sau fără AI.

Un avertisment: nu toate senzorii 3D funcționează la fel sau vor oferi aceleași rezultate, și există unele considerații speciale atunci când vine vorba de potrivirea software-hardware pentru 3D. Pentru inspecțiile bateriilor EV sau ale asamblării EV, de exemplu, tehnologia 3D care utilizează triangulația laser va fi recomandată în locul altor tipuri de profilatoare 3D. Unele tehnologii 3D funcționează mai bine atunci când este utilizată AI. Deci, din nou, nu presupuneți că prin utilizarea tehnologiei 3D veți obține automat cel mai bun rezultat. Există un ghid mai detaliat despre tehnologia de viziune 3D pe care îl puteți consulta pentru a pune întrebările potrivite atunci când vă întâlniți cu furnizorii de tehnologie și integratorii de sisteme.

Cu alte cuvinte

AI este o parte din motivul pentru care sistemele de viziune artificială de astăzi devin mult mai bune atât de repede. Câștigurile lor de performanță nu sunt incrementale, de asemenea. Nu vorbesc despre îmbunătățiri standard de generație în tehnologie. Vorbesc despre îmbunătățiri majore cu fiecare inspecție; diferențe de performanță realizate în ore și zile, nu în ani și decenii.

De fapt, soluțiile de viziune artificială pe care colegii mei de la Zebra și cu mine le construim pentru producătorii și furnizorii din industria auto se bazează puternic pe instrumente de machine learning – și în special pe deep learning – pentru a face inspecțiile automate posibile și deciziile de trecere/nerespectare de încredere. Mecanismul de deep learning din software-ul de viziune artificială permite „sistemului” să se adapteze la noi tipuri de defecte, să îmbunătățească la locul său de muncă, să învețe rapid și să sprijine noi aplicații. Acesta este cel care vă ajută (ca om) să îmbunătățiți continuu calitatea inspecțiilor.

De fapt, sistemele de viziune artificială bazate pe deep learning pe care echipa mea și cu mine le proiectăm, antrenăm, implementăm și supraveghem acum în fabricile auto oferă rezultate excepționale atunci când li se cere să „găsească ce nu este în regulă cu această imagine”. Ele detectează instantaneu și consecvent zeci de defecte diferite, verifică alinierea pieselor, detectează prezența sau absența componentelor, identifică deteriorările de suprafață și verifică corectitudinea numerelor de piese în milisecunde. Ele analizează detalii minuscule, fac măsurători precise și marchează îndoituri, zgârieturi, pete întunecate, goluri în acoperire și multe altele. Ele detectează modele specifice sau marcaje de calibrare pe care ochiul uman nu este reglat să le recunoască – și pur și simplu nu poate fi antrenat să le recunoască. Este cu adevărat fenomenal.

Cu toate acestea, dacă sunteți un furnizor sau producător de EV-uri care va trebui să scaleze semnificativ și rapid – și cu calitatea și siguranța în prim plan – nu vă puteți baza doar pe AI pentru a îmbunătăți viteza și acuratețea procesului de inspecție.

Află mai multe despre deep learning și viziunea 3D în aceste postări fantastice de la inginerii de viziune artificială:

• Deep Learning nu este o tehnologie „de vârf”, dar poate ajuta la oprirea pierderilor la marginea afacerii dumneavoastră. Iată cum.
• O analiză mai profundă a OCR-ului bazat pe deep learning.
• Ce trebuie să știți înainte de a încerca să antrenați (și să testați) o aplicație bazată pe deep learning.
• Ce este viziunea 3D?

Sursă articol: Zebra