Machine learning i optyka w kontroli jakości

Nowoczesna kontrola jakości ma coraz bardziej zaawansowane narzędzia do dyspozycji. Jednym z nich są systemy wizyjne oparte na tzw. głębokich sieciach neuronowych.

Rozwiązania oparte o “uczenie maszynowe” są bardziej elastyczne i uniwersalne ponieważ:

  • klient może “nauczyć” system rozpoznawać ewentualny defekt, dodając w miarę potrzeb nowe obrazy wzorcowe. 
  • w miarę uczenia i analizy zbioru danych system sam rozpoznaje potencjalne odchylenie od normy.
  • ułatwiają i usprawniają zmianę produktów i formatów podczas produkcji (bez dodatkowych przestojów i niepotrzebnych kosztów).
uczenie maszynowe
Zastosowanie systemów wizyjnych
Zastosowanie systemów wizyjnych

Zastosowanie

Systemy wizyjne oparte na sieciach neuronowych i tzw. machine learning znajdują zastosowania praktycznie w każdej branży. Są idealnym rozwiązaniem wszędzie tam, gdzie wady / odchylenia od normy nie można zdefiniować “na sztywno”. Dzieje się tak na przykład w przypadku

  • dużej ilości zmiennych, 
  • zróżnicowanej palety produktów, 
  • częstych zmian produkcji - czyli np. w branży kosmetycznej czy spożywcza.
  • potrzeby detekcji wad produktów niejednorodnych (niepowtarzalnych), jak beton czy drewno (np. branża budowlana).

Dlaczego warto zainwestować w inteligentne systemy kontroli jakości?

Budowanie przewagi konkurencyjnej.
Detekcja wad, których nie przewidziano w momencie instalacji systemu.
Operator może łatwo dodać nowe obrazy wzorcowe i “dotrenować” system.
Możliwość stosowania na szybkich linii produkcyjnych, pracujących z wydajnością nawet 70 000 szt./h.
Łatwa obsługa oraz krótszy czas wdrażania operatora.
Możliwość klasyfikowania wad, a co za tym idzie, optymalizacja procesu technologicznego.
Łatwa integracja systemu z istniejącymi liniami produkcyjnymi Klienta.
Możliwość instalacji w praktycznie każdej branży.
Scroll