Как система машинного зрения и нейросети распознают дефекты на конвейерном производстве.
В NordClan обратился один из лидеров производства сэндвич-панелей в России. Им нужно было ускорить систему выявления дефектов на заводе. Мы предложили систему контроля качества на основе готового решения ML Sense.
ML Sense — цифровая платформа на основе машинного зрения и нейросетей. Применяется для контроля качества продукции на производствах конвейерного типа с помощью искусственного интеллекта.
До внедрения «умной» системы контроля металлопроката ML Sense определение дефектов проводилось вручную: рулон металла разматывался и на нем с помощью рулетки размечалось расстояние до дефекта и его размеры. Затем дефекты описывали по регламенту, делали фото и только по тогда дефектные бобины можно было отправить ключевому поставщику — компании «Северсталь».
Для ускорения процесса контроля нужно было детектировать различные виды дефектов на полотне металлопроката и автоматизировать формирование отчетов.
Разработка схемы контроля металлопроката и подбор оборудования
Первый шаг работы — осмотр производственной площадки и подбор оборудования.
Для определения дефектов подобрали высокоскоростные камеры Hikrobot с разрешением 8к px на 2px. Они определяют дефекты с точностью до 1 мм и выявляют даже тонкие царапины, которые делают лист непригодным для дальнейшей покраски.
Дефектоскопия проводится на изломе листа металлопроката, который подсвечивается светодиодной лампой высокой интенсивности. При неправильном подборе светового оборудования в зоне освещения могут возникать полутени и разница оттенков, которые система может принять за дефект.
Система контроля автоматически проверяет уровень освещенности и выводит данные в виде специального графика, по которому специалисты проверяют качество света.
Установили сервер для обработки данных и размещения системы ML Sense на производстве. Сервер и пост контроля металлопроката для оператора совмещены, чтобы специалист мог запускать сессию контроля брака одновременно с установкой новой бобины.
Сбор данных и работа нейросети
Второй шаг — сбор данных и обучение нейросети.
Мы всегда настраиваем работу системы контроля качества металлопроката на реальных данных заказчика, чтобы обеспечить максимальную точность распознавания дефектов. Часть данных собираем самостоятельно на производстве, часть собираем удаленно, подключаясь к серверам заказчика. Наша задача - собрать достаточно данных для точной настройки нейросети.
Умное кадрирование
Было отмечено, что при движении бобина смещается на несколько сантиметров влево и вправо из-за этого статичная камера могла пропустить дефекты у края листа металлопроката. Чтобы избежать этой проблемы специалисты Норд Клан разработали технологию “Умного кадрирования”, которая определяет край листа и кадрирует изображение по полученной информации. С помощью этой технологии мы также можем контролировать ширину полотна металлопроката по всей длине бобины.
Интеграция с 1С
Чтобы вернуть поставщику дефектную бобину нужно подготовить отчет по особому регламенту: указать расположение дефекта, его классификацию и размер, а также приложить фото. Для автоматического формирования такого отчета система была интегрирована с 1С.
Для каждого дефекта подходящего размера и типа формируется акт. В документ автоматически передаются размеры дефекта, его тип и точное местоположение на листе металлопроката. Для этого на вале установлен энкодер, который позволяет точно определять на каком расстоянии расположен дефект. Энкодер подключен к системе ML Sense через Ардуино и передает данные о количестве тиков за одну сессию.
Также к отчету автоматически добавляется фото каждого дефекта, полученное с высокосокоростной камеры.
Итоги внедрения системы контроля качества металлопроката ML Sense
Третий шаг — тестирование на предприятии и внедрение.
Система контроля качества на заводе «Техностиль» заработала полноценно через 3 месяца с момента старта проекта.
В готовой системе предусмотрено два вида пользователя: администратор и пользователь. Администратор запускает и останавливает сессию контроля (за сессию в системе принимается время полного прохода одной бобины), просматривает отчеты. Пользователь просматривает данные по прошедшим сессиям.
Теперь контроля качества металлопроката происходит с помощью «умного» решения ML Sense. Если раньше на проверку одной бобины уходило 2 рабочих дня, то теперь с момента запуска системы контроля до вывода отчета проходит не более 20 минут. Задача решена.
Спасибо за подсказку!