Актуални тенденции при автоматизираната визуална инспекция

• AVI системите позволяват бърза и прецизна детекция на разнообразни дефекти, включително присъствието или отсъствието на миниатюрни визуални белези, които е трудно или невъзможно да бъдат открити с просто око
  
  
• Една от най-фундаменталните иновации в сегмента през последните години са моделите за дълбоко самообучение (deep learning), които се превръщат в неизменна част от софтуера за визуална инспекция
  
  
• Базираният на дълбоко самообучение анализ на изображения се отличава от традиционното машинно зрение по способността си да генерализира и концептуализира информацията за външния вид на обекта

Съвременните решения за автоматизирана визуална инспекция (АВИ или AVI в англоезичната техническа литература) са базирани на усъвършенствани камери за машинно зрение, сензори, алгоритми и софтуерни инструменти за автоматично откриване и идентифициране на дефекти и отклонения от допустимите качествени параметри при разнообразни по дизайн, вид и предназначение продукти и компоненти.

Системите в сегмента намират широко приложение в електрониката и медицинската техника, автомобилния и авиокосмическия сектор, машиностроенето, опаковането, хранително-вкусовата и фармацевтичната промишленост, енергетиката и редица други отрасли, в които качественият контрол е от ключова важност. Те позволяват бърза и прецизна детекция на разнообразни проблеми, като драскотини, пукнатини, вдлъбнатини, липсващи компоненти, визуални или функционални елементи, отклонения или промени в цвета и др., включително присъствието или отсъствието на миниатюрни визуални белези, които е трудно или невъзможно да бъдат открити с просто око. Често се използват и за измерване, сортиране и класифициране на различни продукти въз основа на форма, размер, цвят и т. н. Сред приложенията на системите за АВИ е и вътрешното или външно оценяване на състоянието на критично производствено оборудване, като резервоари, съдове под налягане, тръбопроводи и др.

Иновации при компонентите на AVI системите

Системите за автоматизирана визуална инспекция най-общо се състоят от хардуерна и софтуерна част. Хардуерните компоненти включват камера (най-често цифрова), фотометър, колориметър или други типове сензори, както и допълнителни подсистеми за изпълнение на различни спомагателни задачи, например във връзка с отстраняването на дефектните изделия или партиди от общия поток. В зависимост от приложението могат да се използват и специализирани системи за сортиране и класифициране. Към хардуерните компоненти на AVI платформите спадат транспортните ленти и конвейерите, чиято цел е да придвижват обектите на инспекция през зрителното поле на камерата, оптичните системи (светлоизточници и сензори/камери за машинно зрение, които заснемат изображенията), както и т. нар. автоматизирани сортери/сепаратори, които разделят общия поток на отделни категории според определени характеристики.

Ядрото на системите за автоматизирана визуална инспекция е софтуерът, базиран на технология за машинно зрение, която не само имитира човешкото зрение и разум, но в редица приложения и ги превъзхожда по успеваемост, скорост и производителност. Съвременните AVI платформи разполагат с усъвършенствани алгоритми за анализ на изображения и съответното програмно осигуряване. Алгоритмите обработват заснетите кадри, за да подобрят качеството им, регистрират зони с потенциално информативно съдържание и дават оценка от типа “годен/негоден” или по-детайлна обратна връзка за обекта на инспекция. При модерните решения за визуална инспекция тези алгоритми се основават на изкуствен интелект, който гарантира високо ниво на автономност при оценяването на разнообразни отклонения от допустимите параметри и вземането на по-комплексни решения от двувариантното “пропусни/върни”.

Една от най-фундаменталните иновации в сегмента през последните години са моделите за машинно и дълбоко самообучение (deep learning), които се превръщат в неизменна част от софтуера за визуална инспекция. Те позволяват на системата да се обучава сама в течение на времето или да бъде активно обучена чрез хиляди изображения на даден обект, ставайки все по-прецизна в регистрирането на всякакви отклонения и инспекцията на дефекти. В зависимост от приложението могат да бъдат използвани различни базирани на такива модели инструменти, включително за семантично сегментиране или класифициране на изображения. Платформата може да включва и т. нар. OCR модели за оптично разпознаване на символи, които й позволяват успешно да разчита баркодове, серийни номера или други знаци и символики. За да поддържат висока скорост на обработка, обучените deep learning модели е препоръчително да се изпълняват посредством високоресурсни компютърни системи. За резултати от инспекцията в реално време например е необходим сравнително мощен графичен процесор (GPU).

Внедряването на система за автоматизирана визуална инспекция в технологичните линии носи множество преимущества в сравнение с конвенционалния контрол на качеството от инспектор. Някои от ключовите мотиви за предприятията да инвестират в AVI платформа включват значително по-високата скорост, прецизност и надеждност на детекцията, както и по-доброто възприемане на работната среда. Тези решения се отличават с висока оптична резолюция, както и с възможности за улавяне на характеристики в ултравиолетовия, инфрачервения и рентгеновия спектър, които остават невидими за човешкото око. В допълнение, AVI системите могат да инспектират обекти дори в експлозивни, агресивни и изобщо опасни за човека среди.

Технологично и пазарно развитие

В контекста на Industry 4.0 водещи иновации при технологиите за автоматизирана визуална инспекция през последните години са триизмерното компютърно зрение, изкуственият интелект, машинното и дълбокото самообучение. Сред ползите от въвеждането на умна и самообучаема 3D AVI платформа в дадена технологична линия са значително по-високият процент открити дефекти (в сравнение с конвенционалната инспекция чрез просто око и системите за двуизмерно машинно зрение), по-малкото количество бракувани изделия и партиди в дългосрочен план, по-високата скорост, точност и производителност.

Според актуално проучване на Emergen Research, глобалният пазар на системи за автоматизирана визуална инспекция е бил на стойност близо 14,5 млрд. щатски долара през 2022 г., като се очаква да нараства с комбиниран годишен темп от над 12% в следващото десетилетие. Като основен двигател на този висок устойчив прогнозен ръст маркетинговите анализатори посочват все по-масовото възприемане на принципите на четвъртата индустриална революция в производствата и индустриалните предприятия по цял свят.

Водещ клиентски отрасъл е автомобилостроенето, което генерира голяма част от приходите на глобалния пазар на AVI решения. Такива се очаква да се използват още по-широко за бърза и прецизна детекция на дефекти и аномалии в части за двигатели, шасита, панели за каросерии и други компоненти в следващите години.
Подсегментът на платформите за триизмерна автоматизирана визуална инспекция регистрират най-голям пазарен дял през 2022 г. поради множеството им предимства в сравнение с решенията от предишно поколение. Те са способни да заснемат много по-детайлни и точни изображения на обектите в сравнение с конвенционалните си аналози, което спомага за драстично редуциране на процента фалшиви резултати и значително повишаване на качеството. Нещо повече, тези решения цялостно ускоряват процесите в сферата на качествения контрол, тъй като могат да обработват много по-големи обеми от данни за по-малко време, което от своя страна спомага за намаляване на оперативните разходи и увеличаване на ефективността и производителността на предприятията.

В допълнение към 3D системите докладът на Emergen Research изследва още използването на следните групи продукти в сегмента: 2D AVI платформи, камери за инспекция, системи за машинно зрение и PC базирани решения. Що се отнася до основните приложения на тези технологии, водещи сред тях са: повърхностната инспекция, инспекцията с цел качествен контрол, измерването, класифицирането, оценката на състояние и т. н. Делът на системите за качествена инспекция е най-голям и се очаква да продължи да нараства до 2032 г. в синхрон с все по-стриктните изисквания за контрол на качеството в съвременната индустрия.

По отношение на типа продукти в сегмента глобалният пазар на AVI платформи е сегментиран на хардуерни, софтуерни компоненти, цялостни решения и услуги. Според данните на Emergen Research, през миналата година най-големи приходи са генерирали продажбите на хардуер за визуална инспекция, в т. ч. камери, сензори, оптични системи, конвейери, системи за отделяне на дефектни изделия и др.

Машинно и дълбоко самообучение

Според проучванията, грешките при визуална инспекция варират между 20 и 30%. Някои от тях са вследствие на човешка грешка, докато други могат да бъдат свързани с пространствени ограничения. С помощта на изкуствен интелект съвременните AVI платформи могат да заснемат висококачествени изображения и видеа на продуктите с висока разделителна способност и чрез специализирани алгоритми да откриват всякакви проблеми или нередности. Това позволява обективна и постоянна по успеваемост оценка на качеството, елиминираща рисковете от човешки грешки и субективна интерпретация.

Посредством машинно зрение и дълбоко самообучение не само е възможно, но и лесно постижимо да се реализират интелигентни решения за качествена инспекция, изследващи и най-малкия детайл на даден обект или сцена. За автоматизирането на този процес всъщност е необходимо сравнително малко физическо оборудване. Огромната добавена интелигентна стойност на AVI платформите на практика идва от софтуерните инструменти за разпознаване, предварителна и същинска обработка на изображения, анализ, извличане на данни за дадени характеристики, класифициране и т. г.

Дълбокото самообучение използва изкуствени невронни мрежи, които умело имитират човешката интелигентност, за да различават разнообразни детайли и аномалии във външния вид на даден обект, същевременно толерирайки естествените вариации. Така тази технология комбинира адаптивността на човешката инспекция със скоростта, мощта и неуморната ефективност на компютъризираните системи.

Благодарение на възможностите си не само за разпознаване, но и за интелигентно интерпретиране на изображения дълбокото самообучение позволява на системите за инспекция да регистрират различни тенденции, да взимат автономни информирани решения и да правят обосновани умни прогнози. Започвайки от базовото ниво на логика, разработено по време на първоначалното обучение, дълбоките невронни мрежи могат непрекъснато да подобряват ефективността и успеваемостта си при качествена инспекция чрез обработка на нови и нови изображения, речеви и текстови елементи.

Една традиционна система за автоматизирана визуална инспекция, макар и с потенциал да минимизира разходите и да подобри ефективността, не разполага с достатъчно гъвкавост и толеранс към вариациите, съпоставими с тези при човека. Опитните инспектори на качеството са способни да различават незабележими на пръв поглед, козметични и “скрити” функционални дефекти в дадено изделие и да регистрират разнообразни вариации във външния му вид, които биха могли да са индикатор за проблем. Дори да са ограничени в скоростта, с която могат да обработят определен обем от информация, хората притежават уникалните способности да концептуализират и генерализират. Човешкият мозък се учи чрез опит и може адекватно да различава минимални несъответствия между предмети от един вид.

Ето защо при качественото интерпретиране на сложни неструктурирани среди с привидно незабележими дефекти и непредвидими отклонения един опитен инспектор би могъл да надмине по ефективност конвенционалната система за машинно зрение. Традиционните платформи в сегмента толерират дадени вариации във външния вид на обектите във връзка с техния мащаб, ротация и изкривяване на позицията. Въпреки това комплексните текстури и проблемите по отношение на качеството на изображенията могат да се превърнат в сериозни предизвикателства. Сами по себе си системите за визуална инспекция обикновено се провалят в оценката на огромен брой различни възможности за вариации и отклонения при много подобни визуално изображения.

Базираните на изкуствен интелект и дълбоко самообучение решения от друга страна са разработени специално за комплексни приложения в сферата на визуалната инспекция, както и за модели, които варират помежду си по трудно забележими, но подлежащи на регистриране детайли. Deep learning технологиите са отличен избор за детекция на сложни повърхностни и козметични дефекти по изделията, като фини драскотини и вдлъбнатини при струговани, шлифовани или полирани детайли.

Независимо дали се използва за локализиране, интерпретиране, инспекция или класифициране на различни характеристики, базираният на дълбоко самообучение анализ на изображения се отличава от традиционното машинно зрение именно по способността си да генерализира и концептуализира информацията за външния вид на обекта, подобно на човешкия интелект.