Бесчеловечный контроль
С развитием технологий визуальный контроль при помощи только лишь человеческого глаза становится неэффективным. Это связано не только с производственными процессами, но и с особенностями человека как живого организма, которому свойственно быстро утомляться, пропускать через себя лишь ограниченный объем информации, а также обрабатывать данные с относительно низкой скоростью.
Современное высокотехнологичное производство требует особых подходов к контролю качества выпускаемой продукции, поэтому промышленность одной из первых стала использовать машинное зрение. Диапазон применения таких систем постоянно расширяется, при этом огромное количество проектов базируется, в частности, и на российских разработках. Вот лишь некоторые виды задач, где используются автоматизированные системы визуального контроля:
1. Помощь при сборке
Система применяется при монтаже электронных компонентов на печатные платы, при сборке автомобилей и других автоматизированных производств. На многих машиностроительных предприятиях сборку производят роботы, оснащенные системой машинного зрения, которая нужна для точного позиционирования и соединения различных деталей конечного изделия.
НПО «Энергомаш», входящее в госкорпорацию «Роскосмос», стало использовать возможности искусственного интеллекта (ИИ) для контроля качество сборки отечественных ракетных двигателей. Работу новой технологии, объединяющей цифровое проектирование, машинное зрение и дополненную реальность, на одном из участков сборочно-сварочного цеха «Энергомаша» продемонстрировали разработчики из ФГУП «НИИ автоматики» и компании «Мотив». Разработка способна распознавать детали, инструменты и действия человека, а созданное программное обеспечение контролирует соблюдение техпроцесса и определяет его этап.
2. Обнаружение дефектов и брака
Применение визуального контроля в дефектоскопии широко используется в разных видах производства — от оценки качества сварных соединений до обнаружения внутренних дефектов в деталях. С помощью таких систем надежно решаются задачи идентификации и поиска дефектов изделия, контроля его геометрических размеров и формы, точности и качества сборки, а также отклонения контрольных параметров от допустимого значения. При этом точность контроля и измерений значительно выше, чем при выполнении этих же операций вручную. Системы визуального контроля обеспечивают не только обнаружение дефектов, но и оценку их размеров, классификацию по типам дефектов, ведение статистики, а также сохранение и выдачу результатов работы за заданный период с возможностью автоматического создания отчетов. Все это позволяет выявить причины возникновения брака и своевременно внести необходимые корректировки в производственный процесс.
Компания «ВидеоМатрикс» запатентовала новый способ неразрушающего оптико-визуального контроля отражающих поверхностей. Уникальная технология позволяет находить и измерять в долях миллиметров изъяны у листа толщиной до 1 мм, используя обычные IP-видеокамеры. Видеоаналитика отраженной картинки строит карту дефектов и выдает результат оператору. Ранее считалось, что дефектоскопия зеркальной поверхности практически невозможна — блики мешали «видеть» брак.
3. Резка
Ротационная и лазерная высечка являются наиболее распространенными технологиями резки в производственном процессе. Ротационную резку можно применять для любых материалов, в том числе твердых, с которыми не справляется более точная лазерная резка. Системы визуального контроля могут использоваться для выполнения ротационной высечки с такой же точностью, как при применении лазера — вне зависимости от сложности задачи. Образец дизайна загружается в систему, которая на основании полученных данных будет направлять оборудование для точного выполнения резки.
4. Профилактическое обслуживание
Некоторые производственные процессы проходят при критических температурах и тяжелых условиях окружающей среды, поэтому здесь часто случаются деградация материала или коррозия. Без надлежащего обслуживания это приводит к деформации оборудования, выводу его из строя и остановке производственного процесса. Системы визуального контроля позволяют контролировать оборудование на основе различных показателей. Если какое-либо отклонение от показателей указывает на коррозию, система передает данные о необходимости превентивных мер и технического обслуживания.
Компания «Цифра» разработала автоматизированную систему контроля зубьев ковша экскаватора на основе машинного зрения BucketControl. Система предназначена для оперативного определения наличия или отсутствия коронок ковша экскаватора и предоставляет функции оповещения оператора экскаватора в случае потери или поломки коронки. Бортовой контроллер собирает изображения с камеры, обрабатывает их, используя внутреннее программное обеспечение, анализирует и подает сигнал оператору в случае выявления потери или поломки коронки. Также оценивается степень износа зуба, и при достижении критического значения диспетчеру отправляется уведомление. Данные передаются на сервер в режиме реального времени.
«Россети ФСК ЕЭС» внедрила машинное зрение в крупнейшем центре питания Саратовской области — подстанции 500 кВ «Курдюм» (мощность — 1242 МВА).
Высокоавтоматизированный комплекс мониторинга включает в себя беспилотный летательный аппарат, модули тепловизионного, аудио- и визуального контроля.
Система работает в режиме 24/7, позволяя дистанционно контролировать состояние всех ключевых элементов оборудования подстанции, а также заходящие ЛЭП. Камера дрона и тепловизор дают возможность выявлять дефектные элементы, например, нагрев контактных соединений, повреждение провода. Все это можно делать без подъема на опору, что существенно экономит время и исключает риск травмирования персонала.
5. Охрана труда и безопасность
Системы визуального контроля используются для анализа изображений и сравнения их с существующим набором данных с целью обнаружения аномалий и предотвращения опасных ситуаций на производственных площадках и производственных линиях. Несоблюдение стандартов безопасности и защиты может привести к серьезным травмам и даже летальному исходу. В случае аварии система визуального контроля может предупредить менеджеров и персонал о том, где произошла авария, а также о степени ее интенсивности. При некоторых настройках система может остановить производственный процесс на отдельном участке, чтобы обеспечить безопасность сотрудников.
Компания «Формат кода» создала свёрточную нейронную сеть, которая занимается охраной труда на производстве. Созданная система использует уже существующие на объектах заказчика CCTV-камеры. Обработка видеопотока происходит в три этапа. Сначала отфильтровываются кадры, на которых отсутствуют люди. Затем части видео, на которых система распознала людей, передаются нейронной сети. Сеть определяет человека по разметке и идентифицирует элементы страховки: каску на голове или трос на туловище. Затем алгоритм, использующий метод опорных векторов, сопоставляет изображение объекта по базе с шаблонами. Если кадр содержит нарушения, система направляет уведомление в соответствии с прописанными требованиями. В финальном варианте удалось достигнуть стабильной аналитики видеопотока с распознаванием объектов и классификацией поведения. Диапазон точности составляет 77–100%.
«Концерн Росэнергоатом» внедрил на Кольской АЭС автоматизированную систему видеоанализа для контроля соблюдения техники безопасности, которая способна выявлять 26 видов нарушений по 19 параметрам. Видео с камер в режиме реального времени проверяются нейросетью на предмет ношения сотрудниками средств индивидуальной защиты. При выявлении нарушения информация сразу передается диспетчеру и начальнику смены для оперативного реагирования.
Магнитогорский металлургический комбинат (ММК) запустил в коксовом цехе своего коксохимического производства системы автоматического распознавания газования дверей и газоотводящих стояков верхних строений коксовых батарей. Зафиксировав даже малейшее отклонение от нормы, программно-аппаратный комплекс заносит событие в интерактивный журнал и отправляет оповещение на диспетчерский пост с фото и указанием времени, номера батареи и печи, где выявлено газование.
6. Инспекция упаковки
Система визуального контроля предотвращает неверную маркировку, ошибки печати, выявляет дефекты упаковки и укупорки. Кроме того, в некоторых производственных компаниях необходимо вести подсчет количества произведенных изделий перед их упаковкой. Выполнение этой задачи вручную может привести к множеству ошибок, что становится серьезной проблемой, например, в фармацевтике или розничной торговле. Развертывание системы визуального контроля в процессе упаковки для подсчета количества штук позволяет проверить соблюдение стандартов: имеет ли предмет желаемый цвет, длину и ширину, нет ли краев, заполнена ли упаковка до необходимого уровня.
«Формат Кода» разработал пилотный проект для подсчета древесных листовых материалов для лесоперерабатывающей компании. Был спроектирован и разработан базовый алгоритмический аппарат визуального распознавания и подсчета слоев фанерных листов. После была проведена корректировка базовой математической модели путем её тестирования с большим объемом реальных данных. Мобильное приложение автоматически подсчитывает количество материала, а данные анализируются через камеру смартфона:
- пользователь наводит фотокамеру смартфона на стопку фанеры,
- приложение распознает слои на фото, производит подсчет и сообщает пользователю результат (количество слоев в стопке).
Несмотря на крайне упрощенную реализацию алгоритма, проект оказался лаконичным и показал свою эффективность. Из примера мы видим, что, хотя машинное зрение в настоящее время ассоциируется с нейронными сетями и искусственным интеллектом, в некоторых случаях классические математические алгоритмы по-прежнему оказываются востребованы.
В СПбГЭТУ «ЛЭТИ» создали систему для точного замера сыпучих грузов (песок, гравий, керамзит) на КПП и дорогах общего пользования. Основанное на компьютерном зрении решение обеспечивает высокую точность даже при нелинейном и высокоскоростном передвижении грузовиков и учитывает слепые зоны при сканировании. В основе проекта лежат алгоритмы компьютерного зрения: предобработка изображений, наложение маски, выделение объектов, 3D-моделирование.
7. Система идентификации
Проверка штрих-кодов и RFID-меток, нанесенных на отслеживаемые объекты, широко используется не только на производстве, но также в торговле и системах управления складом. В промышленности кодоносители монтируются непосредственно на заготовки, приспособления-спутники или узлы оборудования таким образом, что каждый шаг производственного процесса может быть записан или считан в любое время, в любом месте и с любого материального потока.
Компания «Моделирование и цифровые двойники» разработала пилотную систему распознавания деталей на производстве ПАО «КАМАЗ». На производственных конвейерах, например, в цехах покраски, могут одновременно находиться детали разных видов. Их сортировка и подсчет затруднены, так как детали похожи между собой. Система машинного зрения автоматически определяет артикул детали и количество каждого вида на ключевых участках сборки. При этом можно использовать обычные веб-камеры, не оснащенные искусственным интеллектом, поскольку основная аналитика ведется на стандартном компьютерном сервере. Точность распознавания обеспечивается в диапазоне 95-99%.
8. Контроль и мониторинг производственных процессов
Автоматическая система визуального контроля способна обеспечить проверку продукции во всем цикле производства — в том числе и на высокоскоростной линии конвейера.
«Формат кода» разработал проект, позволяющий литейному производству проводить мониторинг в «горячем» цеху — во время заливки чугуна в формы. Из-за тяжелых условий участие человека в данном процессе не допускалось. Решить проблему удалось с помощью систем визуального контроля.
НПО «Энергомаш» применило систему машинного зрения на основе технологий CyberPAS для контроля качества сборки отечественных ракетных двигателей. Система осуществляет комплексный контроль ручной работы персонала на производстве, проверяя действия сотрудников на соответствие технологической документации, что позволяет минимизировать влияние человеческого фактора и вероятность ошибок.
9. Пространственный анализ
Система идентифицирует объекты в пространстве и отслеживает их передвижение.
Специалисты лаборатории Политехнического университета Петра Великого представили проект беспилотного трамвая, которым управляет нейросеть. Макет оснащен видеокамерами, способными собирать и анализировать данные. Искусственный интеллект, получая изображение с камер, анализирует происходящее в салоне и за «бортом» транспортного средства. Правда, распознаются лишь те объекты, на которых обучалась нейросеть: пешеходы, автомобили, светофоры, столбы и т.д. Нейросеть трамвая «без водителя» во избежании столкновений следит за несколькими вагонами разных маршрутов одновременно, определяя их положение относительно карты. Разработку уже можно использовать в реальных условиях, но преградами для внедрения такого транспорта остаются неготовность городской инфраструктуры, самих трамваев (им нужна модернизация) и законов. Сейчас в России эксплуатировать транспорт на дорогах общего пользования без водителя запрещается.
10. Сортировка
Система отбирает объекты на основе анализа и сравнения с имеющимися шаблонами.
На предприятии «РТ-Инвест» в Подмосковье появились роботы, которые сортируют мусор на специализированном комплексе по переработке отходов. Они используют технологию машинного зрения, чтобы определять размер и форму отходов, пригодных для вторичного использования материалов. Первые результаты работы машин показали: с помощью машин с искусственным интеллектом удалось нарастить отбор пригодных вторресурсов для повторного использования до 98%.
В Университете Иннополис сообщили о разработке роботизированной ячейки AI.SORTING с применением технологий компьютерного зрения и искусственного интеллекта. AI.SORTING выполнен в виде промышленного антропоморфного робота-манипулятора с установленным захватом, камерой Intel Realsense и специально созданным софтом. Программное обеспечение обрабатывает данные с камеры, определяя среди обнаруженных объектов тот, который подходит по расположению для дальнейшей сортировки, после чего сведения поступают в контроллер робота. Система поможет сортировать продукты питания, почтовые отправления и мусор, очищать сырье от примесей и выполнять другие сортировочные операции.
Конечно, если вы решаетесь оборудовать свое производство системами визуального контроля, нужно очень хорошо представлять, какие именно задачи им предстоит решать. Важно в каждом отдельном случае тщательно подходить к проектированию системы и подбору ее компонентов, учитывая особенности продукции, нюансы каждой производственной линии, а также специфику производства.
При создании статьи использованы материалы с сайтов: