Skip to main content

AI • 物联网 • 网络边缘

机器视觉正从检查向预防过渡

机器视觉

现代汽车 50% 的材料为塑料。其中绝大多数材料 — 从油箱到保险杠再到仪表板 — 都是通过注塑成型工艺制造的。

顾名思义,注塑成型机械加工会在刚性模具中注入熔融塑料,使其在模具中定型。定型过程可能需要数小时到数天时间。质量检查通常在生产线末端进行,检查人员会在这里拆解每个批次的样品,从中寻找缺陷。

“他们会从每个下线的班次中取出两个或多个部件,对它们进行破坏性测试,并判断该班次生产的部件是良品还是次品,”机器视觉解决方案公司 Eigen Innovations联合创始人兼首席执行官 Scott Everett 解释说。“基本上,需要一整天时间才能完成几项测试,因为它们都需要大量劳力。最终,您只能评估数千件产品中的两件产品。”

乍一看,似乎在这个应用程序中,机器视觉摄像头可以轻松替代过时的做法。但是,虽然注塑成型背后的概念相对简单,可整个工艺却非常复杂。例如,如果原材料物理性质发生变化、生产环境中的温度和湿度出现变更,以及制造设备本身的操作略有不一致,注塑模具都容易受到影响。

我们的目的不仅是为了确定部件是否存在缺陷,而且还希望提供有用的质量分析,以在次品生产出来之前提前数小时查明导致缺陷的根本原因。通过监控制造的每个部件,您就可以开始预测该工艺什么时候会面临成批生产次品的风险。但是,由于存在的变数较多,机器视觉摄像头很难做到这一点,除非可以对它们生成的信息情景化,然后使用视觉 AI 进行实时分析。

外部视角:机器视觉质量检查

与所有视觉 AI 应用程序一样,开发 ML 视频分析算法首先要捕获数据、标记数据,然后是训练模型。从好的方面说,在生产复杂部件的过程中并不缺乏可用的视觉和工艺数据。不利因素是,生成的海量数据可能会造成问题,导致无法在一开始就查明形成制造缺陷的具体原因。

因此,用于在复杂制造环境中进行预测分析的 ML 视频分析解决方案必须尽可能地将变量规范化。这意味着视觉 AI 算法需要与期望的产出和制造设备的运行特性有关的信息,它们将为分析部件以查找缺陷和异常提供参考。

Eigen Innovations 的工业软件平台将捕获来自热学和光学摄像头的原始图像数据,并处理连接到制造机器的 PLC 中的数据。结合这些数据,就可以创建所生产部件的可追踪虚拟档案。

然后,会在制造过程中基于这些档案生成 AI 模型,并将其用于检查部件,查找某些条件导致的缺陷。但是,由于该平台将连接制造设备的控制系统,因此可以从一开始就将视觉推理与可能导致缺陷的运行条件(如机器的速度或温度)关联起来。

“我们可以将在图像中看到的与质量有关的变量与在机器上发生的处理条件关联起来,” Everett 表示。“那让我们拥有了预测能力,这时可以说:‘嘿,我们开始看到将导致变形的趋势,因此您需要调节冷却剂温度或材料温度。’’”

内部视角:预测性机器视觉

虽然 Eigen 的工业软件平台是一个边缘到云端解决方案,但它严重依赖端点数据,因此,大部分初始推理和分析都在工厂车间的工业网关计算设备中进行。

此工业网关会汇总图像和工艺数据,然后将其推送到交互式边缘人机界面。该界面会发出实时警报,并允许质量工程师标记数据和事件,以便随着时间推移来优化算法。此外,该网关还会将数据传送到云环境,以进行进一步监控、分析和模型训练(图 1)。

说明 Eigen 的机器视觉平台如何发送数据以获取边缘和云洞察的图表
图 1。Eigen Innovations 机器视觉平台是一个面向复杂制造环境的边缘到云端预测性分析解决方案。(资料来源:Eigen Innovations

Eigen 的机器视觉软件平台将集成这些组件,并使用开放式 API 关联行业标准摄像头和 PLC。但是,允许 AI 算法及其数据跨整个基础架构流动的关键是英特尔® 发行版 OpenVINO 工具套件,该软件套件将优化在各种开发框架中创建的模型,以便在边缘、雾或云环境中的各类硬件上执行。

Everett 说:“从一开始,我们就已使用英特尔芯片组部署了边缘设备,我们在这些设备上利用 OpenVINO 提高了性能和灵活性。那满足了所有需求,便于我们收集数据、运行模型并将所有内容推送到云平台。”“我们无需再担心性能,因为 OpenVINO 会处理模型在芯片组之间的可移植性。”

他补充说:“那让我们能够对成千上万的部件进行远程分析,并基于那些类型的趋势创建模型。”

良品、次品和废品

Eigen Innovation 的机器视觉软件平台已在全球主要的汽车制造商和供应商那里产生效益,帮助其节省时间,降低成本并减少浪费。

Eigen 客户不会在批量生产注塑成型的汽车部件之后才发现它们不符合质量标准,而会在制造过程中收到异常警报,进而采取措施以避免制造存在缺陷的部件。这节省了时间,减少了在破坏性质量测试期间废弃的材料。

“通常,对大型机器来说,我们每台机器的投资回报可能达到几十万美元(如果不是数百万美元的话),这些机器的停机和质检成本会非常迅速地累加。” Everett 指出。“也就是说,在检测次品时,每一件良品都提供了确定性。”

他补充说:“我们正面临以下情况:由于存在风险因素,发运部件时,如果没有足够的数据来证实其为良品,这实际上和发运次品一样糟糕。”

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

作者简介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis