Projectaanpak voor kwaliteitscontrole met AI

Automatische kwaliteitscontrole is niet langer het domein van slimme camera’s en uitgebreide visionsystemen. De ontwikkeling van kunstmatige intelligentie en compacte embedded platforms maakt het mogelijk om visiontoepassingen veel eenvoudiger te realiseren. Hoe werkt kwaliteitscontrole met AI en hoe pak je dat aan in je eigen project?

Klassieke visionsystemen zijn gebaseerd op een set vooraf gedefinieerde regels. De software analyseert het beeld, meet afstanden, detecteert randen of vergelijkt vormen met een opgeslagen patroon. Deze aanpak werkt in veel toepassingen, maar wordt minder effectief wanneer de gecontroleerde producten van elkaar verschillen of wanneer het aantal mogelijke varianten erg groot is.

Kunstmatige intelligentie verandert de manier waarop dergelijke systemen werken. In plaats van star geprogrammeerde regels wordt een machine learning model gebruikt dat leert om kenmerkende kenmerken van het product te herkennen op basis van verstrekte voorbeelden. Na de juiste training kan het beelden classificeren, inconsistenties detecteren of specifieke objecten met grote nauwkeurigheid identificeren.

Hierdoor hoeft het systeem geen gedetailleerde beschrijving van elke mogelijke fout te ontvangen. In veel gevallen volstaat het om het te leren hoe een correct product eruitziet of een set voorbeeldfoto’s voor te bereiden die zowel correcte als defecte elementen tonen. Om dit mogelijk te maken, moet het model vooraf worden getraind op een adequaat voorbereide set foto’s die zowel correcte als defecte producten weergeven. Op basis hiervan leert het de kenmerkende kenmerken van de verschillende klassen herkennen en afwijkingen van het patroon detecteren.

AI ondersteunt operator

De taak van moderne kwaliteitscontrolesystemen is om herhaalbare handelingen uit te voeren met onveranderlijke nauwkeurigheid. De mens neemt nog steeds de beslissing over de verdere behandeling van het product; het AI-systeem helpt elementen te identificeren die extra controle vereisen. Deze aanpak helpt het aantal gemiste defecten te verminderen, verkort de controletijd en ontlast de operators van monotone taken.

AI Vision Inspection-systemen worden gebruikt in veel industrieën, voor onder meer:

• Het detecteren van ontbrekende elementen.
• Controle op correcte montage.
• Controleren van de kwaliteit van prints en markeringen.
• Kleurherkenning.
• Productclassificatie.
• Het detecteren van oppervlakteschade.
• Verificatie van de aanwezigheid van labels of codes.

Belangrijk hierbij is dat dergelijke oplossingen niet meteen op de hele productielijn hoeven te worden geïmplementeerd. De eerste stap is vaak het bouwen van een klein teststation dat de effectiviteit van het AI-model in echte omstandigheden kan testen.

Van beeld naar beslissing

Het basisprincipe van AI Vision is relatief eenvoudig. De camera registreert het beeld van het product, waarna een speciaal getraind model het analyseert en vergelijkt met patronen die tijdens het leerproces zijn opgeslagen. Belangrijk voordeel van deze aanpak is de mogelijkheid om het beeld in realtime te analyseren en dezelfde nauwkeurigheid te behouden, ongeacht het aantal gecontroleerde producten.

Een typisch proces ziet er als volgt uit:

Camera → Beeldverwerking → Machine learning model → Classificatie → Beslissing

Steeds vaker wordt de analyse lokaal uitgevoerd, zonder dat elke afbeeldingsframe naar een server hoeft te worden verzonden. Dit vermindert de netwerkbelasting en stelt snellere reactie op gedetecteerde onregelmatigheden mogelijk.

Van proof of concept tot implementatie

Een ander voordeel van moderne AI-tools is de mogelijkheid om zeer snel een demonstrator voor te bereiden. Het is dus niet nodig om meteen een compleet kwaliteitscontrolestation te ontwerpen. Een typisch scenario voor een klein pilotproject kan er als volgt uitzien:

1. Kies één proces dat kwaliteitscontrole vereist.
2. Bereid een station voor met een camera en geschikte verlichting.
3. Verzamel foto’s van correcte en defecte producten.
4. Train het machine learning model.
5. Test de effectiviteit in echte omstandigheden.
6. Breid de oplossing uit met extra stations.

Deze aanpak maakt het mogelijk om snel de effectiviteit van de oplossing te beoordelen en te bepalen of automatische kwaliteitscontrole de verwachte voordelen zal opleveren.

Platform voor AI vision-toepassingen

Het besturings- en dataverwerkingsplatform Arduino UNO Q maakt het mogelijk om demonstratoren en toepassingen te bouwen die lokale beeldanalyse gebruiken en samenwerken met camera’s die compatibel zijn met het Arduino-ecosysteem. Hierdoor is het mogelijk om een systeem te creëren dat het beeld direct op het apparaat analyseert en alleen het classificatieresultaat of informatie over een gedetecteerde afwijking doorgeeft.

Het platform is geschikt voor zowel het bouwen van demonstratoren en proof of concept-projecten als voor het implementeren van de eerste toepassingen die AI Vision gebruiken. Deze architectuur kan eenvoudig worden uitgebreid met extra elementen, zoals LED-verlichting, aanwezigheidssensoren van onderdelen, communicatiemodules voor het verzenden van analyseresultaten (Uno Q ondersteunt Bluetooth/WiFi) en een gebruikersinterface. Alle benodigde onderdelen voor het bouwen van een demonstrator of prototype kunnen worden samengesteld vanuit het aanbod van TME.

Lees hier het originele artikel op de site van TME.