Проект Quatromatic основан на искусственном интеллекте. Когда мы говорим об этом производственникам, то слышим что-то вроде, «ничего не понятно, но очень интересно». При этом, нейросети используются во многих сферах нашей жизни и все чаще в промышленности.
Поэтому для первой статьи на VC мы решили подготовить материал о нейросетях, так сказать, матчасть - на чем основаны технологии нейросетей, какие задачи решают. Так же, в этой статье, Константин Панченко, CEO IT стартапа Quatromatic расскажет, как мы применяем нейросети для решения задач на производстве вибропрессованной тротуарной плитки.
Я занимаюсь управлением в проектах, связанных с обработкой изображений, машинным зрением, нейронными сетями уже более 7 лет. За это время было реализовано множество проектов для крупных компаний в областях контроля техпроцесса сборки машиностроительных изделий, контроля пищевых продуктов на высокоскоростных конвейерах, систем технического зрения для роботов и так далее.
Сегодня мы активно развиваем проект системы автоматического контроля качества тротуарной плитки, основанный на искусственном интеллекте и машинном зрении.
Что такое нейросети и какие задачи решает
Нейросеть - это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов.
Нейросети используются во многих сферах нашей жизни. Но наибольший потенциал в решении задач промышленности. Все чаще на производственных предприятиях внедряются решения с искусственным интеллектом. На первом месте – европейские производители, на втором и третьем местах следуют Япония и США. Активно решения на базе нейронных сетей используются в Китае и России. Это связано с тем, что нейросети способны решать слабоформализуемые задачи, которые сложно решить стандартными алгоритмами.
Нейронные сети – это математический аппарат, который наиболее широко применяется в задачах компьютерного зрения для решения следующих типовых задач:
- детекции – обнаружение и выделение объектов интереса на изображении;
- классификации – отнесение всего изображения к одному из классов.
- сегментации – попиксельное выделении различных зон интереса на изображении.
Задачи детекции и классификации - базовые и взаимосвязанные задачи для работы нейросетей. Например, для того чтобы выделить на изображении собаку и велосипед, как правило, сначала решается задача детекции – мы ищем все объекты интереса на изображении, затем каждый объект вырезается в отдельное изображение, которое уже классифицируется как собака или велосипед.
Нейронные сети способны самостоятельно выявлять значимые признаки в данных и таким образом находить объекты интереса, разделять данные по классам. Ключ к успешному обучению нейронной сети – правильный набор данных, содержащий сбалансированное количество обучающих примеров.
И если человек может визуально распознать объекты, то и нейросеть можно этому обучить. Причем, нейросеть будет выполнять эту задачу гораздо быстрее человека, в силу того, что камеры машинного зрения гораздо более продвинутые по сравнению с человеческим глазом.
Например, в одном из наших проектов мы классифицировали качество печати на этикетке йогурта со скоростью 20 баночек в секунду. Глазами этого просто не увидеть.
Как нейросети применяются на производстве
Одно из перспективных направление применения искусственных нейронных сетей сегодня – это промышленное производство. В этой области мы видим тенденцию перехода к производственным модулям с высоким уровнем автоматизации для решения конкретных задач, что требует увеличения количества интеллектуальных машин.
За счет того, что современное производство постоянно усложняется, использование нейросетей становится необходимым для решения таких задач как:
управление манипуляторами и робототехникой;
контроль качества продукции на производстве;
обеспечение безопасности производства;
- управление процессами: оптимизация режимов производственных процессов;
- мониторинг и визуализация диспетчерской информации;
- хранение, анализ и обработки информации.
Современные разработки позволяют создавать кастомизированные решения для разных отраслей и под разные узкоспециализированные задачи.
Как решается задача снижения брака на производстве тротуарной плитки
Контроль качества тротуарной плитки на производстве – единственная не автоматизированная операция на линии. Чтобы обнаружить брак оператор просматривает конвейер раз в 30 минут. Сколько за это время проезжает продукции с дефектами - неизвестно.
При этом, нейронная сеть в системе контроля качества QuatroPBC на российском заводе вибропрессованных изделий «Выбор» сканирует продукцию непрерывно и способна определить брак в 95% случаев.
Нейросеть обнаруживать все дефекты лицевой поверхности изделий, такие как трещины, сколы, раковины и хранит информацию о всей произведенной продукции.
Эта информация может быть использована оператором бетоноформовочной машины для оперативного обнаружения проблем с формованной продукцией и принятия мер для предотвращения производства дефектных изделий.
Технологии нейросетей позволяют в режиме реального времени сканировать продукцию, выявлять повторяющийся брак. Большие перспективы открывает использование нейросетей в области анализа больших данных производственной статистики, что позволяет снижать уровень производства бракованной продукции, издержек.
Разработки в области использования нейросетей на производстве имеют большой потенциал для производственных предприятий в России. Это не только и не столько про обнаружение дефектов здесь и сейчас, а скорее про предотвращение, снижение потерь, сбор больших данных, анализ которых может значительно повысить эффективность производства.
Больше информации на нашем сайте