היתרונות של מערכות בדיקה חזותית אוטומטית במנועי ייצור

בייצור מודרני, הלחץ לשמור על איכות לא מושלמת תוך מיקסום של תפוקה מעולם לא היה גדול יותר.מערכות בדיקה חזותית אוטומטיות הופיעו כטכנולוגיה קריטית כדי לענות על דרישות אלה, להחליף בדיקות ידניות איטיות, שגיאות עם ניתוח מהיר, AI מופעלת ניתוח. על ידי שילוב מצלמות תעשייתיות, תאורה מתוחכמת ואלגוריתמים למידה עמוקים, מערכות אלה לזהות פגמים, מדידה, , אימות, ולהבטיח יעילות של אלפי יחידות לשעה, כמו גם לחץ תחרותי, אבל לא לשפר את תעשיית הפחתת צורך קוסמטי, אבל לא לפתח יותר, אלא גם קיבולת הפעלה אוטומטית של חברות למידה, אבל לא יעילה יותר, אלא גם כן, אבל לא פחות יעילה יותר, אלא גם קיבולת של תעשיות למידה, אלא גם קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של קיבולת של 4.

המעבר ממדריך לבדיקה אוטומטית מביא לשינוי צעד ביכולתם של פקחים אנושיים, תוך גמישות, כפופים לעייפות, הסחת דעת, וקבלת החלטות לא עקבית.בניגוד, מערכת ראייה פועלת עם דיוק לא גלי, יום אחרי יום, ללא אטה.זה לוכד נתונים שניתן להאכיל בחזרה לתוך תהליכי ייצור, ומאפשר שיפור מתמשך וקביעת מעקב עבור תאימות רגולטורית.

מערכות הדמיה אוטומטיות

מערכת בדיקה חזותית אוטומטית היא סידור של חומרה לרכוש תמונות ותוכנה לעיבוד תמונות שנועדה להעריך באופן אוטומטי את איכות המוצרים המיוצרים.הרעיון הליבה הוא פשוט: ללכוד תמונות של מוצרים כפי שהם נעים לאורך קו הייצור לנתח את התמונות האלה כדי לקבוע אם כל יחידה עונה מפרטים איכותיים מוגדרים מראש.מה הופך את המערכות המודרניות כה חזקות הוא השילוב של חיישנים ברזולוציה גבוהה, תאורה מדויקת ואלגוריתמים מתקדמים שיכולים ללמוד מדוגמאות ולא להסתמך רק על כללים קודמומים.

המונחים:

כל מערכת בדיקה חזותית אוטומטית כוללת מספר אלמנטים מרכזיים שעובדים יחד בתזמון של מילימטרים:

• (FLT:0) קמ"ר ו- OpticsFLT:1 - מצלמות תעשייתיות (לעתים קרובות שטח-scan או קו-scan) ללכוד תמונות עם החלטות החל ממגופיקסל לעשרות מגה פיקסל. Lens נבחרים לספק שדה הראייה הנכון והגדלה עבור החלק שבחן מצלמות מיוחדות, כגון תרמי או רב-ספקטרום, עשויים לשמש עבור סוגים ספציפיים של פגם.
• (FLT:0) אורינג'ר (LightingofLT:1) - תאורה מבוקרת היא קריטית. מקורות אור שונים (LED, halogen, אור מובנה) ותצורה (התאורה, שדה כהה, שדה בהיר, קואקסיאלי) נבחרים כדי להדגיש תכונות של עניין תוך צמצום הצללים וההשתקפות שיכולים לבלבל את האלגוריתם.
• (FLT:0) עיבוד תמונה ו- AIIRFLT:1 - זהו המוח של המערכת. ראיית מכונה מסורתית משתמשת אלגוריתמים המבוססים על הכלל (למשל, זיהוי קצה, ניתוח נפיחות, התאמה דפוס), מערכות מודרניות יותר ויותר ממינוף רשתות עצביות למידה עמוקות המוכשרות על אלפי תמונות דוגמאות לזהות פגמים עדינים שקשה להגדיר מתמטיים.
• (FLT:0) ,Triggering and CommunicationFLT:1ir - חיישנים, קודקודים, או בקרים לוגיים הניתנים לתוכנה (PLCs) מעוררים תמונה ברגעים מדויקים.לאחר ניתוח, המערכת מתקשרת להחלטות מעבר / הפסקת אש לקו הייצור, לעתים קרובות באמצעות פרוטוקולים תעשייתיים Ethernet, כדי לאפשר דחייה אוטומטית של יחידות פגומים.

איך זה עובד בפרקטיקה

מחזור בדיקה טיפוסי מתחיל עם מוצר שמגיע בתחנה המיועדת.סימן מ חיישן קרבה או מקודש מדרבן את המצלמה כדי ללכוד תמונה ברגע המדויק החלק נמצא בתוך מסגרת.התמונה מועברת מיד לתוכנה ממוחשבת שפועלת במחשב.עבור אלגוריתמים המבוססים על הכלל, התוכנה חלה מסננים, סף, ומדידות גיאומטריות.

יתרונות מרכזיים של ראייה אוטומטית

בעוד הרשימה המקורית של היתרונות היא מדויקת, צלילה עמוקה יותר מגלה כיצד כל יתרון מתורגם לתוצאות עסקיות מוחשיות.למטה אנו מרחיבים את היתרונות המרכזיים ומוסיפים כמה שיותר קריטיים בסביבה הייצור של היום.

יציבות ויציבות מוגברת

מערכות אוטומטיות מבטלות את יכולת הנטועה בפקחים אנושיים.מערכת ראייה מאומנים היטב תחולל את אותם הקריטריונים לכל חלק, בכל פעם, עקביות זו מונעת את ה"דפט" שיכול להתרחש כאשר פקחים אנושיים הופכים לעייפות או כאשר מפקחים מרובים ליישם סטנדרטים מעט שונים.מודלים מודרניים של למידה עמוקה יכולים לזהות פגמים קטנים כמו כמה מיקרונים - הרבה מעבר למה שעין האדם יכול לראות באופן אמין - ועושים זאת ללא הפסקות.

גבוה יותר באמצעות חישוב ויעילות

מהירות האבחון היא אחת הסיבות העיקריות שיצרנים מאמצים אוטומציה.מערכת מצלמה אחת יכולה לבדוק מוצרים במהירויות של 600-1,200 חלקים לדקה. תצורה של Multi-Modera יכולה לבדוק סטיות מורכבות מזוויות מרובות בו זמנית.מהירות זו מאפשרת קווים לרוץ בקיבולת מקסימלית מבלי ליצור צוואר בקבוק בתחנת הביקורת.

חיסכון בעלויות וחיסכון בפסולת

למרות ההשקעה הראשונית בחומרה, תוכנה ושילוב יכולים להיות משמעותיים (לעתים קרובות עשרות אלפי דולרים עד מאות אלפי דולרים בהתאם למורכבות), ההחזר על ההשקעה מושגת בדרך כלל בתוך חודשים.חיסכון מגיע ממקורות מרובים: עלויות עבודה ישירות (מפקחים על ידי לקוחות הדרושים), שיעורי גרוטאות נמוכים יותר (החסמים שנתפסו מוקדם לפני תהליכים נוספים, ופחות אחריות ותשואות (הסרב מותג אמיתי, בנוסף, מאפשר זיהוי מיידי של בעיות של המוצר).

זמן אמיתי ובקרת תהליכים

נתונים של Inspection אינם רק בשימוש לקבלת החלטות מעבר/fail. כאשר משולבים עם מערכת ייצור (MES) או לולאה משוב ציוד הייצור, מערכת הראייה יכולה לגרום התאמות - לדוגמה, תיקון של איסוף רובוטי ומיקום או התאמה הטמפרטורה בתחנת חותם.זה סוגר את הלולאה בקרת האיכות, נע מזיהוי למניעה.

אוסף נתונים מקיף ו- Traceability

כל חלק נבדק מייצר תיעוד: תמונה, זמן, תוצאה, ואולי נמדדת ערכים. ניתן לאסוף נתונים אלה כדי לייצר ⁇ בקרת תהליכים סטטיסטית, לעקוב אחר מגמות התשואות ולספק מעקב מלא לדרישות רגולטוריות (למשל, במכשיר רפואי או ייצור אווירי). במקרה של זיכרון, יצרנים יכולים לזהות במהירות אילו יחידות ספציפיות עלולות להיות מושפעות, חיסכון של מיליוני דולרים.

לא מגע והערכה

בניגוד לשיטות מבוססות מגע (למשל, מדפס, לתאם מכונות מדידה), בדיקה חזותית היא לחלוטין לא מגע.זה קריטי עבור רכיבים עדינים - כגון משטחי זכוכית, לוחות צבועים, לוחות מעגלים מודפסים טריים, או מוצרי מזון רכים - שניתן לשרטוט או לעיוות על ידי בדיקה גופנית.

24/7 עם Supervision מינימלית

מערכות אוטומטיות יכולות לרוץ סביב השעון במהלך ייצור אורות-out. הם דורשים רק תחזוקה תקופתית ואימון מחדש מדי פעם כאשר מפרטים המוצר משתנים.יכולות אלה חיוניות עבור תעשיות בעלות גבוהה שבו ייצור מתמשך הוא נורמה.

יישומים בתעשייה

בדיקה חזותית אוטומטית הפכה לפשטה כמעט בכל מגזרי הייצור.למטה הם דוגמאות מפורטות של כמה תעשיות שונות ממינוף הטכנולוגיה הזו.

ייצור אלקטרוניקה

תעשיית האלקטרוניקה הייתה מזרז מוקדם של לוח מעגלים מודפס (PCB) קווי איסוף אופטי אוטומטי (AOI) לבדוק רכיבים חסרים, קברים, מפרקי מכר עניים, וקוטב הנכון.לאחר שנמכר, בדיקה רנטגן אוטומטית (AXI) בודקת כדורי מכר מוסתרים תחת כדורי כדוריות כדוריות BR (BGA) כמו מהירויות של miniaturization, מודלים עמוקים ללמידה נדרשת לטיפול במורכבות של 10 מעלות צלזיוס (F) עם מורכבות גבוהה יותר ויותר של מערכות בקרה מתקדמות של LTx:

ייצור רכב

ברכב, בדיקה חזותית מכסה את כל מה של חלקי מנוע ורכיבי שידור לפאנלים גוף ויישומים סופיים כוללים בדיקת שריטות משטח או משחות על גופים צבועים, אימות נוכחות וכיוון של קליפים וצומחים, מדידה פער ושטף של דלתות ומכסה, ובדיקה של ריתוך באיכות.

תרופות ומכשירים רפואיים

תקני רגולציה סטרינגנטים לבצע בדיקת ויזואלית עבור מוצרים רבים.מערכות חזון לבדוק חבילות blister עבור טבליות שבורות או חסרות, לבדוק למלא רמות במעבורות וסירינגים, לאמת מיקום התווית וקריאה ברקוד, ולזהות חלקיקים זרים.בייצור מכשירים רפואיים, מערכות ראייתיים לבדוק מכשירים כירורגיים עבור פגמים, לאמת את ההרכבה הנכונה של חתנים והשתלות, ולדרג ממדים קריטיים עם דיוק מיקרון של ה- 21FR דרישות בדיקה אלקטרונית עבור נתונים לעתים קרובות.

מזון ו Beverage

בעיבוד מזון, בדיקה חזותית מבטיחה איכות המוצר ובטיחות.מערכות לזהות אובייקטים זרים (metal, זכוכית, פלסטיק), לבדוק את הצבע ואת גודל של פריטים כמו שבבי תפוח אדמה או עוגיות, לאמת שלמות חותם החבילה, ולהבטיח תוויות נכונות וקודים תאריך. עם הביקוש הגובר למזונות טבעיים ומעובדים מינימליים, בדיקה יכולה עכשיו לזהות בריחת עדין על פירות או לא אחידות על פני כדוריות מהירות גבוהה ודמיה הם הופכים להיות יותר לזיהוי פגמים נפוצים יותר כמו דימום נפוץ של תפוחים.

אריזה ולייבל

אריזה של סחורות צרכניות מסתמכת במידה רבה על החזון כדי לאשר כי תוויות ממוקמות כראוי, barcodes הם סרוקנות, ואת החבילה הוא חתומה כראוי.בלייבל תרופות למשל, טעות עלולה להוביל לתוצאות חמורות.מערכות יכול לבדוק אלפי חבילות לדקה עבור תאימות טקסט ובקרת גרסה נכונה.מערכות בדיקות תוויות מודרניות רבות להשתמש בזיהוי אופי אופטי (OCR) ואימות (OCV) כדי להבטיח תאימות.

טקסטיל ופוסטוסטטים

בייצור טקסטיל, חזון משמש כדי לזהות פגמים, בעיות אחידות צבע, ולא סדירות משטח. בייצור חומר מורכב עבור אווירופייס, חזון לבדוק prepreg גילונים ושכבות עבור אובייקטים זרים או misalignments לפני ריפוי.חומרים אלה לעתים קרובות יש ניגוד נמוך ודורש תאורה מיוחדת ואלגוריתמים.

יישום אתגרים ושיקולים

למרות היתרונות ברורים, פריסת בדיקה חזותית אוטומטית אינה ללא מכשולים.הבנת האתגרים הללו מעלה מסייעת ליצרנים לתכנן ביעילות ולהימנע מטעויות יקרות.

השקעה ראשונה ו-ROI Justification

העלות העליונה כוללת לא רק את המצלמה והתוכנה אלא גם תאורה, חומרה מחשוב, שילוב עם בקרה קיימת, משדרים, מנגנוני דחייה, ובטחון פוטנציאלי שמירה. עבור יצרנים קטנים בגודל בינוני, זה יכול להיות מחסום. ניתוח עלות יסודית-תועלת הוא חיוני, גורם חיסכון בעבודה, הפחתה פגומה, ולהגדיל את התשואה.

תאורה ומשתנים סביבתיים

מערכות חזון הן רגישות רבה לתנאי תאורה.שינויים קלים, השתקפות של חלקים מבריקים, רטטים מן השורה, אבק יכול להשפיע על איכות התמונה ולהוביל לדחיית שווא. עיצוב תאורה נכונה - לעתים קרובות עם שחצים ופאנלים LED diffuse - ממיטים את הבעיות האלה.בסביבות קשות (חום גבוה, לחות, כביסה), מצלמות ומכלולים חייב לעמוד בדירוגי IP, הוספת עלויות.

חיובי כוזב ושלילים שקריים

מציאת האיזון הנכון הוא קשה.מערכת כי הוא קפדני מדי לדחות מוצרים טובים (חיובי False), לבזבז חומר וצמצום התשואות.מערכת שאינה סובלנית מדי יעבור מוצרים פגומים (שליליים רעים), להביס את המטרה. אלגוריתמים המבוססים על הכלל דורשים לעתים קרובות כוונון ידני נרחב.מודלים למידה עמוקה להפחית את החיובים אבל דורשים נתונים גדולים, לא ממונעים המייצגים מוצרים טובים ומפוזרים.

Defect Variety and Complexity

פגמים מסוימים קלים לזיהוי (למשל, בורג חסר), בעוד אחרים הם עדינים (למשל, שריטה פחות מ- 0.1 מ"מ רחב, צבע התואם את הטווח המקובל). דפוסי מרקם מורכבים, כגון גרגר עץ או בד Weave, מאתגר שיטות מסורתיות. Deep Learning מצטיין במשימות אלה אבל דורש נתונים הכשרה איכותית ומומחה של ארכיטקטורות.

שילוב עם מערכות קיימות

חיבור מערכת הביקורת ל- PLCs, MES, ו- Enterprise Resources תכנון (ERP) לעתים קרובות דורש תכנות מותאם אישית ומומחיות תקשורת תעשייתית.מכונות Legacy עלולות להיות חסרות ממשקים דיגיטליים, ניתוק מחדש של התקנים כמו OPC-UA ו- MQTT משמשים יותר ויותר לפשט את האינטגרציה עם פלטפורמות I.

אימון והדרכה

בעוד שפעולת מערכת תפנית עשויה להיות פשוטה, תכנות ושמירה על יישומי ראייה מתקדמים דורשת מיומנויות מיוחדות.חברות רבות מסתמכות על אינטגרטורים במערכת חיצונית או לשכור מהנדסי חזון.המחסור בכישרון כזה הוא אימון אמיתי.עם זאת, אין קוד ופלטפורמות ראייה קוד נמוך הן המתעוררות המאפשרות למהנדסים במפעל ללא ידע תכנות עמוק כדי לקבוע בדיקות באמצעות ממשקים גרפיים.

מגמות וטכנולוגיות עתידיות

תחום בדיקה חזותית אוטומטית מתפתח במהירות, מונע על ידי התקדמות באינטליגנציה מלאכותית, טכנולוגיית חיישן וקישוריות.

למידה עמוקה ודמוקרטיזציה של AI

למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN), מהפכת גילוי פגמים בחמש השנים האחרונות.בניגוד לאלגוריתמים מסורתיים הדורשים כללים מפורשים, מודלים למידה עמוקה לומדים מתמונות מתוייגות.זה הופך אותם להרבה יותר יעילים בזיהוי פגמים בלתי צפויים ועדינים.

3D Vision ו- Multi-Sensor Fusion

בעוד תמונות 2D מספיקות עבור בדיקות רבות, גיאומטריות מורכבות דורשות מידע עומק. 3D חיישנים (אור מובנה, טריגווציית לייזר, זמן-of-טיס) למדוד פרופילים גובה, משטחים ריפוי, ונפח. לדוגמה, בדיקת חלק צוק עבור porosity עשוי לדרוש הן ניתוח תמונה 2D והן מיפוי פני שטח 3D.

Edge מחשוב ו-Real-Time Analytics

כוח עיבוד נע יותר ויותר לקצה - קרוב למצלמה - במקום לשלוח את כל הנתונים לשרת מרכזי. Edge מעבדי AI כמו NVIDIA Jetson ו-Google Coral מאפשרים בזמן אמת בהקצאה ללא ערפל בענן, מה שהופך בדיקה מהירה גבוהה ככל האפשר אפילו בסביבות רוחב פס מוגבל.

רובוטים משותפים ו- Vision-Guided Automation

מערכות חזון מתמזגות עם רובוטים שיתופיים לא רק לבדוק אלא גם להתמודד עם חלקים פגומים.מערכת חזון מזהה פגם, מסמן רובוט להסיר את החלק הרע, ואת הרובוט מציב אותו לתוך בן דוחה - כל בתוך שניות.זה אוטומציה סגורה-loop מורידה התערבות ידנית עוד יותר.מגמות בייצור גמיש שבו ייצור פועל לעתים קרובות דורש מערכות ראייה שניתן למקם מחדש עם מתכונים חדשים, אשר הוא תחום למידה עמוקה אחר.

Hyperspectral and thermal Imaging

מעבר לאור גלוי, הדמיה היפר-ספקטרום לוכדת נתונים על פני אורכי גל רבים, המאפשר זיהוי של הרכב כימי, תוכן לחות, וניקוי מוקדם של מזון.מצלמות תרמית יכול לזהות חתימות חום המציין אלקטרוניקה לא תקין או חימום יתר. חיישנים מתקדמים אלה משולבים לתוך קווי בדיקה סטנדרטיים כמו עלויות ירידה.

שילוב של IIoT ואיכות חיזוי

מערכות בדיקה חזותיות אוטומטיות הופכות לצומת באינטרנט התעשייתי של דברים (IIoT) נתונים מתחנות בדיקה מרובות על פני צמח מצטברים על פלטפורמות ענן, שבו מודלים של למידת מכונה מנתחים מגמות כדי לחזות כאשר תהליך הוא סחף לעבר פגמים - גישה המכונה לעתים קרובות "איכות מועדפת" אסטרטגיה זו מקטין עוד יותר פסולת ולמטה.

מסקנה

מערכות בדיקה חזותית אוטומטיות עברו הרבה מעבר לבדיקות מצלמה פשוטות כדי להפוך למרכזי אבטחת איכות אינטליגנטיים בתוך מפעלים חכמים.הם מספקים דיוק לא תואם, מהירות, ועקביות תוך יצירת נתונים חשובים עבור אופטימיזציה של תהליכים.למרות אתגרים הקשורים בעלות ואינטגרציה, היתרונות לטווח ארוך - פגמים מוערכים, פסולת תפעולית נמוכה יותר, שביעות רצון גבוהה יותר של לקוחות, ועקביות מלאה - להפוך את ההשקעה לכדאית עבור יצרנים בכל תעשייה.