13 minute read
Duboko učenje i mašinski vid
KAKO MAŠINSKI VID TRANSFORMIRA PROIZVODNJU?
KAO SAMOSTALAN PROIZVOD KAMERE SU SAME PO SEBI NEDOVOLJNE. ONE SU KORISNE SAMO ZA SNIMANJE ONOGA ŠTO SE ODVIJA ISPRED NJIH. S DRUGE STRANE, MAŠINSKI VID KORISTI SLOŽENE ALGORITME KOJI MOGU RASTUMAČITI STRUKTURIRANE ILI NESTRUKTURIRANE PODATKE. ČESTO IH SE OPISUJE ZBIRNIM POJMOM “TEHNOLOGIJE VIDA”
n Izvor: a&s International redakcija@asadria.com
Sa sve većom potražnjom za robotskim sistemima i općenito automatiziranim sistemima za kontrolu kvaliteta, mašinski vid dobija na popularnosti u proizvodnom segmentu. Prema istraživačkoj firmi Valuates Reports, vrijednost globalnog tržišta mašinskog vida u 2018. godini procijenjena je na 8,44 milijarde američkih dolara, a očekuje se da će njegova vrijednost rasti do 2025. godišnjom stopom od 6,86 posto. Ključni pokretač navedenog rasta bit će Azijsko-pacifička regija, jer ona nastavlja funkcionirati kao globalni proizvodni centar. Jedan od faktora rasta je potreba za povećanjem operativne i radne isplativosti, a važna je i činjenica da regulatorni zahtjevi postaju sve strožiji u sektorima kao što su farmacija i proizvodnja hrane i pića, gdje i postoji potreba za mašinskim vidom. Zbog toga je važno ispitati prednosti mašinskog vida u proizvodnji, prateću tehnologiju i sisteme, kao i načine na koje ih sistem-integratori mogu iskoristiti.
Zašto nam trebaju kamere s mašinskim vidom i AI-jem?
Kada je američki farmaceutski gigant Cipla razmatrao načine kako poboljšati svoje proizvodne procese, glavni problem bio je taj što kamere s mašinskim vidom, koje su se koristile za provjeru kvaliteta gotovih proizvoda, nisu bile u stanju prepoznati prozirne pilule. Opaženo je i da je ranije korišteno rješenje imalo poteškoće u prepoznavanju tableta kada bi se u vidnom polju našla velika količina čestica prašine. Ovi faktori pokazali su se ključnim u osiguravanju operativne efikasnosti i odlučivanju o troškovima proizvodnje, a u Cipli su bili izričiti u pogledu svojih želja kako bi riješili specifične probleme s prepoznavanjem tableta. Tu je na scenu stupio start-up Spookfish, koji je radio na rješenju mašinskog vida za proizvodne jedinice u tom sektoru. Spookfish je iskoristio svoje algoritme mašinskog vida i riješio brige tog i drugih klijenata. Ovo je jedan od mnogih primjera načina na koje mašinski vid transformira proizvodnu industriju. Tržište je ogromno, navodi Anu Sudeep Sundaram, direktor Spookfisha, koji ima urede u Bristolu i Bangaloreu. “Postoji ogroman potencijal za mašinski vid u proizvodnom sektoru. Naprimjer, zamislite da imate novi proizvod koji razvijate. Vašim mašinama će za njega trebati promjena postavki, a za njihovu izmjenu vam treba inteligentan rukovatelj. S mašinskim vidom vam taj rukovatelj više nije potreban jer bi vam tada sama kamera
sugerisala šta trebate promijeniti, na koji način i dr.”, kaže on.
Kako radi mašinski vid?
“Tehnički gledano, kamere samo snimaju slike”, ističe Rick Brookshire, direktor razvoja proizvoda u kompaniji Epson America. S druge strane, takozvane pametne kamere imaju procesore za obradu “vida”. Sistem vida i vještačka inteligencija (AI) dobijaju na značaju kada se odlučuje šta treba učiniti sa snimljenim videozapisima. “Kada neke dijelove koristimo za ‘obuku’ za prepoznavanje, vještačka inteligencija se može iskoristiti za pregled više stotina njih kako bi se definisao prihvatljivi model koji ćemo smatrati dobrim. U Epsonu koristimo Vision Guide tehnologiju u kombinaciji s IntelliFlex sistemom za ubacivanje dijelova u sistem i automatsko podešavanje dovodnih linija. Tako radimo i određivanje optimalnih količina dijelova u sistemu dovodnika kako bi se povećao izlazni kapacitet”, kaže Brookshire. Ostali primjeri uključuju situacije u kojima se algoritmi dubokog učenja koriste kako bi se prepoznali nedostaci. O ovoj temi govori i Shweta Kabadi, direktorica za mašinski vid u kompaniji Cognex, i opisuje glavne uloge mašinskog vida u proizvodnji. “Kamere s vještačkom inteligencijom koriste se za obavljanje četiri glavne funkcije u automatizaciji fabrika:
Sistemi skeniranja linija najčešće mogu ponuditi mnogo veću rezoluciju od tradicionalnih kamera. Budući da ovi sistemi trebaju pokretne dijelove za formiranje slike, često su prikladni za proizvode u neprekidnom kretanju
vođenje, identifikaciju, mjerenje i pregled proizvoda. Primjeri aplikacija za vođenje mogu uključivati poravnanje ekrana na pametnom telefonu ili navođenje robota koji mora postaviti vjetrobransko staklo u automobil. Primjeri identificiranja mogu uključivati čitanje bar-kodova iza navoja ambalažne folije na paleti, prepoznavanje laserski urezanih kodova u metalnim posudama ili praćenje komponenti u okruženjima sa smetnjama poput zbunjujućih obrazaca i odsjaja”, kaže Kabadi. Aktivnosti poput mjerenja širine i dubine kočione pločice koja se kreće na pokretnoj traci predstavljaju primjere primjene mašinskog vida u oblasti proizvodnog mjerenja. Prepoznavanje kozmetičkih oštećenja, nedostajućih dijelova i nepravilnosti na gotovim proizvodima ili komponentama primjeri su primjene tehnologije koja se koristi za kontrolu proizvoda. To može uključivati i provjeru potencijalno opasnih deformacija na litij-jonskim baterijama.
Prednosti mašinskog vida u fabrikama
Kamere s vještačkom inteligencijom omogućuju proizvođačima da obavljaju ključne funkcije bez kontakta s proizvodom ili usporavanja proizvodnih linija. One mogu pregledati stotine, pa čak i hiljade dijelova u minuti, što znatno premašuje kontrolne mogućnosti ljudi. Kamere mogu pratiti i detalje na predmetima koji su premali da bi ih ljudsko oko moglo vidjeti. Kabadi navodi nekoliko prednosti mašinskog vida: Veći kvalitet – vizuelna kontrola omogućava neprimjetno mjerenje kako bi se poboljšao kvalitet proizvoda. Povećana produktivnost – repetitivni zadaci koji su se ranije obavljali ručno sada se rješavaju pomoću sistema mašinskog vida. Manji troškovi – sistemi vizuelnog praćenja mogu rješavati zadatke za koje je obično potreban cijeli tim rukovatelja i tako smanjuju troškove rada. Sistemi
mašinskog vida smanjuju i broj nedostataka koji se javljaju tokom procesa. Veća profitabilnost – proizvođači mogu uštedjeti novac i povećati profitabilnost tako što će im mašinski vid omogućiti da prate komponente i smanje broj kvarova, povećaju prinos i lakše se usklade s propisima. Manja potreba za prostorom – smanjenjem broja ljudskih rukovatelja proizvođačima će biti potrebno manje fizičkog prostora za rad.
Komponente rješenja
Glavne komponente sistema mašinskog vida uključuju osvjetljenje i objektive (optiku), senzor slike te sistem obrade vida i komunikacije. Osvjetljenje baca svjetlo na komponentu i omogućava da se njene karakteristike istaknu u dovoljnoj mjeri kako bi ih kamera mogla jasno vidjeti. Objektiv senzoru prikazuje sliku u obliku svjetlosti, a senzor zatim pretvara svjetlost u digitalnu sliku koja se šalje procesoru na analizu pomoću softverskih algoritama ili tehnologije dubokog učenja. “Postoji niz sistema i senzora vida s modularnim svjetlima, objektivima i filterima koji se mogu prilagoditi specifičnim industrijskim primjenama. Općenito govoreći, različiti tipovi uključuju 1D sisteme vida, 2D sisteme vida, sisteme skeniranja linija ili površina i 3D vizuelne sisteme”, kaže Kabadi. 1D vid analizira digitalni signal s pojedinačnim linijama umjesto da “gleda” cijelu sliku odjednom. Tu se, naprimjer, radi procjena varijacija između najnovije grupe od deset prepoznatih linija i neke prethodne grupe, a tehnika obično služi za otkrivanje i klasificiranje nedostataka na materijalima proizvedenim u kontinuiranom procesu kao što su papir, metali, plastika i ostala netkana roba u vidu ploča ili rolni. Kontrolne kamere najčešće skeniraju površine, što uključuje izradu 2D snimaka u različitim rezolucijama. Druga vrsta 2D mašinskog vida, poznata kao skeniranje linija, kreira 2D sliku od pojedinačnih linija. Skeniranje površina naspram skeniranja linija odnosi se na funkciju u kojoj uređaj ne snima sve odjednom, već samo tanku “krišku” ili jednu “liniju” informacija o slici i zatim obrađuje te linearne podatke (manje često) ili kombinuje više linija u neprekidne nizove standardne slike za naknadnu obradu. “U određenim aplikacijama sistemi za skeniranje linija imaju specifične prednosti u odnosu na sisteme skeniranja površina. Naprimjer, za pregled okruglih ili cilindričnih dijelova može vam trebati više kamera za skeniranje površine kako biste pokrili cijelu površinu “Duboko učenje nadopukomponente. Međutim, njuje pristupe utemeljene rotiranje tog dijela ispred na pravilima, a smanjuje samo jedne kamere za potrebu za stručnom osskeniranje linija omogućaposobljenošću u oblasti va snimanje njegove cijele dubokog vida kako bi se površine pomoću tehniomogućila efikasna konke ‘odmotavanja’ slike. trola. Za posebno složeSistemi skeniranja linija ne aplikacije industrijskog lakše se uklapaju u uske mašinskog vida duboko prostore u slučajevima učenje nudi prednosti u kada kamera, naprimjer, odnosu na tradicionalne mora snimati kroz valjke pristupe vidu, koji teško na transportnoj traci kako Shweta Kabadi, direktorica za izlaze na kraj s promjebi mogla kontrolisati donje mašinski vid, Cognex njivošću i odstupanjima dijelove komponenti”, nameđu vizuelno veoma stavlja Kabadi. sličnim dijelovima”, kaže Skeniranje linija ljen na dubokom učenju Sistemi skeniranja linija može biti optimiziran za najčešće mogu ponudiautomatizaciju fabrika. ti mnogo veću rezoluciju On može voditi vizuelne od tradicionalnih kameaplikacije kod kojih je prera. Budući da ovi sistemi teško programirati pomotrebaju pokretne dijelove ću algoritama temeljenih za formiranje slike, često na pravilima, nositi se s su prikladni za proizvode kompleksnim pozadinau neprekidnom kretanju. ma i lošom kvalitetom 3D sistem mašinskog vida slike, održavati aplikacije obično uključuje više kamei trajno se obučavati na ra ili jedan ili više laserskih Rick Brookshire, direktor razvoja radnom mjestu u fabrici. senzora kretanja. 3D vid s proizvoda, Epson America Također, može se prilagoviše kamera u aplikacijama diti novim primjerima bez za robotsko navođenje roponovnog programiranja botu pruža informacije o položaju dijelova. osnovnih algoritama te biti jednostavan Ovi sistemi uključuju više kamera postavljeza korištenje i kod osoblja koje ne čine nih na različitim lokacijama i “triangulaciju” eksperti za mašinski vid. na objektivni položaj u 3D prostoru, a tamo gdje vizuelne kamere ne mogu obaviti svoTehnologija visokog je zadatke, u igru ulaze termalne kamere. dinamičkog raspona (HDR) Sundaram navodi primjer farmaceutske Dinamički raspon je pojam koji se koriindustrije i industrije hrane i pića, u kojima sti da se opiše razlika između najsvjetlise zatvoreni proizvodi moraju pregledati jeg i najmračnijeg dijela scene u datom na prisustvo curenja ili zagađenja. Vizuelne trenutku i u osnovi označava količinu kamere ne mogu vidjeti dalje od ambalaže, kontrasta unutar jedne slike. U mnogim ali se termalne kamere mogu koristiti za primjenama koje uključuju rad sa slikama provjeru razlike u temperaturi čim se proteško je razlikovati tamna i svijetla podizvod zapakuje. ručja zbog nedostatka dinamičkog raspoAnaliza slike zasnovana na ujednačeniju sliku unutar jednog snimka. dubokom učenju To omogućava veću dubinu vidnog polja, Industrija se okreće tehnologiji dubokog veće brzine linije, naprednije upravljanje učenja kako bi riješila pitanje kontrokontrolom proizvoda na više tačaka, kao le proizvodnje, koja može biti previše i rad s kodovima koje je teško pročitati. komplicirana i skupa za programiranje Kabadi. Softver temena unutar kamere. HDR tehnologija nudi uz primjenu tradicionalnog mašinskog Potencijal mašinskog vida vida. Tehnologija dubokog učenja koristi Osim što rade direktno s krajnjim kupcineuronske mreže koje oponašaju ljudsku ma ili proizvođačima originalne opreme inteligenciju kako bi prepoznale anomali(OEM), mnogi dobavljači sistema maje, dijelove i znakove, uz tolerisanje prišinskog vida koji koriste vještačku interodnih varijacija kod složenijih obrazaca. ligenciju rade i sa sistem-integratorima.
Kamere i dijelovi za mašinski vid
S obzirom na veličinu i raznolikost u proizvodnom segmentu, u ovoj vertikali postoji više različitih vrsta uređaja koji se koriste za mašinski vid. Oni se kreću u rasponu od običnih do termalnih kamera i drugih sofisticiranih i specijaliziranih uređaja. “Danas koristimo razne kamere visoke rezolucije u jednoj i više boja za više zadataka montaže i kontrole. Iste kamere koriste se u mnogim vertikalima, uključujući automobilsku, medicinsku i elektronsku industriju, potrošačku opremu i mnoge druge”, kaže Brookshire. Visoka preciznost je danas ključni element pri sastavljanju različitih dijelova, npr. za proizvode poput mobitela, satova ili drugih elektronskih uređaja. Komponente i dalje postaju sve manje, pa je za njihovo sastavljanje potrebna i veća preciznost. Vođenje jako preciznog robota koji posjeduje mogućnost vida postaje sve češća pojava u brojnim aplikacijama.
Integratori u ovom segmentu mogu pomoći kupcima da pronađu odgovarajući sistem za svoje potrebe, uključujući najbolju strategiju osvjetljenja, odabir objektiva i kamere i raspored opreme. “Tokom početne faze procjene integrator bi trebao imati jasnu sliku o klijentovim potrebama za mašinskim vidom, uključujući jedinstvene varijacije u pogledu dijelova i procesa, kao i nedostatke koje je potrebno precizno prepoznati. Za integratora je važno da u potpunosti razumije šta klijent želi postići, uključujući sve konkretne specifikacije i kriterije za procjenu uspješnosti”, ističe Kabadi dodajući da bi integratori trebali ponuditi i odgovarajuću vrijednost uz dugoročne konsultacije s krajnjim korisnikom kako bi se osiguralo da sistem mašinskog vida radi s maksimalnom efikasnošću i najprikladnijom tehnologijom. Brookshire naglašava važnost algoritama zasnovanih na vještačkoj inteligenciji u sistemima mašinskog vida i njihovu ulogu u podizanju nivoa preciznosti, otkrivanju kvarova, skraćenju vremena proizvodnih ciklusa i načinima na koje
Kamere s vještačkom inteligencijom omogućuju obavljanje ključnih funkcija bez kontakta s proizvodom ili usporavanja proizvodnih linija. One mogu pregledati hiljade dijelova u minuti, što znatno premašuje kontrolne mogućnosti ljudi
integratori mogu iskoristiti ovu tehnologiju. “Sistem-integratori moraju stalno pomjerati granice kada su u pitanju skraćenje vremena proizvodnog ciklusa i pouzdaniji rezultati. Mnoge fabrike danas traže kontrolu kvaliteta, što može značiti i snimanje svakog položaja i rezultata primjene mašinskog vida i još mnogo toga. Vještačka inteligencija pomaže u unapređenju kvaliteta i performansi, što olakšava proces integracije sistema u vrijeme kada se očekuje brža isporuka preciznijih rješenja”, kaže on.
Vertikale na koje treba obratiti pažnju
Kamere s vještačkom inteligencijom koriste se u gotovo svim sektorima proizvodne industrije. Za integratore presudni faktor uspjeha je podrobno razumijevanje različitih vertikala i potencijala mašinskog vida u svakoj od njih. Kabadi opisuje načine primjene ovih kamera u različitim industrijama: Logistika – najbrže rastuća industrija koja koristi tehnologiju mašinskog vida. Brzi uspon e-trgovine naveo je trgovce na primjenu automatizacije i tehnologija za jeftino i brzo ispunjavanje narudžbi kupaca, često u roku 24 sata. Mašinski vid se sve više koristi u skladištima za određivanje dimenzija ambalaže, kontrolu oštećenja, praćenje naljepnica s obavijestima o opasnim tvarima i prepoznavanje nedostataka na pakovanjima. Automobilska industrija – od montaže proizvoda do završnog pregleda gotovo
svaki sistem i komponenta automobila se izrađuju uz primjenu tehnologije mašinskog vida i čitanja bar-koda. Kamere koje posjeduju vještačku inteligenciju mogu se koristiti za navođenje robota za preuzimanje dijelova s polica, provjeru je li robot uzeo odgovarajuće dijelove, kontrolu kvaliteta dijelova i njihovo pozicioniranje za potrebe montaže proizvoda. Potrošačka elektronika – neke od najnaprednijih primjena ove tehnologije mogu se pronaći na tržištu potrošačke elektronike. Konkretne aplikacije u ovoj industriji uključuju proizvodnju ekrana, montažu mobilnih i nosivih uređaja i originalne opreme te izradu mašina (npr. mjerenje luminancije OLED). Potrošački proizvodi – industrija potrošačkih proizvoda i ambalažne robe zahtijeva visok proizvodni kapacitet, ekonomičnost i preciznost za potrebe rukovanja materijalom, kontrole, označavanja i montaže. Mašinski vid se koristi kako bi se proizvođačima pomoglo da postignu najviši nivo performansi u pogledu sigurnosti proizvoda, poboljšanja njihovog kvaliteta i podizanja produktivnosti, posebno u slučaju proizvođača robe široke potrošnje, mašina i sistem-integratora koji su im na usluzi. Prehrambena industrija – uspješna proizvodnja hrane i pića obuhvata inovacije u oblasti kontrole kvaliteta proizvoda, ambalaže, montaže, praćenja alergena, sljedivosti i sigurnosti hrane. Cilj je minimizirati zastoje i isporučiti kvalitetne i sigurne proizvode s manje oštećenja i
Tehnologija tečnog objektiva
Tehnologija automatskog fokusiranja pomoću tzv. tečnih objektiva omogućava da se čitači bar-kodova koji koriste slike automatski prilagođavaju promjenama u radnim uda ljenostima radi postizanja većeg raspona dubine vidnog polja. “Na taj način se savija svjetlost, a slika ili bar-kod brzo dovode u fokus. Za razliku od tradicionalnih objektiva za zumiranje, tečni objektivi nemaju pokretne dijelove koji bi se mogli istrošiti ili pokvariti. To pojednostavljuje instalaciju, podešavanje i održavanje te otklanja potrebu za otvaranjem čitača i dodirivanjem objektiva rukom. Tečni objektivi imaju veoma brzo vrijeme reakcije i dobar optički kvalitet u odnosu na druge mehanizme automatskog fokusiranja. Idealni su za primjene kod kojih se udaljenost čitanja mijenja od dijela do dijela ili tokom njihove zamjene”, pojašnjava Kabadi.
škarta. Sistemi mašinskog vida i industrijski čitači bar-kodova nude odlična rješenja za zaštitu kvaliteta i sigurnosti proizvoda, kontrolu integriteta pakovanja, upravljanje alergenima i održavanje sljedivosti. Farmaceutska/medicinska industrija – potreba da se na ekonomičan način ispoštuju zahtjevi u pogledu zaštite pacijenata i sljedivosti glavni je pokretač za proizvođače farmaceutskih, medicinskih i bioznanstvenih proizvoda. Specifični primjeri primjene u ovoj industriji uključuju kontrolu integriteta pakovanja, praćenje
serija proizvoda od proizvodnje do pacijenta, osiguravanje preciznosti sadržaja etiketa s provjerom bar-koda i pratećeg teksta. Biološke nauke – proizvođači originalne opreme u ovoj industriji oslanjaju se na mašinski vid i automatska rješenja za identifikaciju kako bi udovoljili strogim zahtjevima kupaca i ponudili precizne i pouzdane mašine visokih performansi. Specifične primjene u ovoj industriji uključuju automatizaciju IVD laboratorija, mikroskopiju, medicinsko snimanje i automatsku identifikaciju. t
