Komputery przemysłowe wykorzystujące sztuczną inteligencję w Machine Vision

170 34

W tradycyjnych gałęziach przemysłu tekstylnego projektowanie, selekcja, przędzenie, tkanie, farbowanie i wykańczanie tkanin pochłaniają wiele zasobów i czasu. Weryfikacja rodzajów materiałów, czy ich jakości jest bardzo pracochłonna ze względu na wady produkcyjne, które trzeba wychwycić zanim materiał zostanie wysłany do klientów. Cały proces zajmuje na tyle długo, że utrudnia to masową produkcję. Dzięki sztucznej inteligencji (AI) operacje manualne, takie jak kontrola tkaniny lub jej wzoru, mogą zostać zautomatyzowane. Łącząc roboty przemysłowe z funkcją AI, procesy produkcji tekstyliów skracane są z tygodni do dni, a nawet godzin.

Opis działania systemu

W podanym przykładzie kontrola jakości odbywa się poprzez wykorzystanie połączenia algorytmów sztucznej inteligencji z robotami przemysłowymi (zrobotyzowane ramiona). Ramiona robotów działają w oparciu o zdecentralizowany system przetwarzania danych procesowych, czyli w uproszczeniu specjalnie dedykowane do takich zadań komputery przemysłowe działające na tzw. „krawędzi” (edge). Zanim jednak komputery AI edge zostaną zasilone danymi do analizy, scentralizowany system zarządzania pobiera nieprzetworzone obrazy w wersji raw ze wszystkich kamer przemysłowych na linii produkcyjnej, a następnie dostarcza wstępnie przetworzone obrazy do systemów AI edge w celu kontroli wad tekstylnych. Kamery przemysłowe działają w standardzie GenICam poprzez wysokoprzepustowy gigE Power over Ethernet (PoE).

System zarządzania i wstępnego przetwarzania potrzebuje dużej mocy obliczeniowej w celu równoległego procesowania obrazu, regulacji kontrastu, kalibracji i segmentacji obrazu. Wstępnie przetworzone obrazy są wysyłane do systemu AI edge w celu przeprowadzenia wnioskowania AI i zwrócenia wyników metadanych z powrotem do systemu zarządzania. Po rozpoznaniu wad system zarządzania kontroluje ramiona robotów w celu zidentyfikowania i usunięcia wadliwych materiałów. Ponieważ istnieje wiele tkanin i materiałów oraz wiele różnych rodzajów możliwych defektów, odpowiednie modele AI musiały zostać określone i wdrożone przez system zarządzania.

Komputery przemysłowe wykorzystujące sztuczną inteligencję w Machine Vision

Wykorzystane urządzenia

System zarządzania odgrywa ważną rolę w procesie przetwarzania rozproszonego wymagającego bardzo dużej mocy obliczeniowej, aby sprawnie poradzić sobie z procesowaniem obrazu. Wstępne przetwarzanie obrazu sprawia, że dane są łatwiejsze do odczytania przez algorytmy wnioskowania sztucznej inteligencji. Dobrze zaprojektowane przetwarzanie wstępne może nie tylko znacznie zmniejszyć obciążenie komputerów AI edge, ale także zwiększa dokładność wnioskowania. MIC-770, który w tym przypadku pełni funkcję jednostki zarządzającej obsługuje procesory Intel® Core ™ 8 generacji, a jego szczególną cechą jest możliwość wyposażenia w dodatkowy moduł rozszerzeń pozwalający na montaż kart do przetwarzania obrazu (karty graficzne). MIC-770 spełnia wszystkie wymagania obliczeniowe oraz zapewnia obsługą wszystkich podłączonych systemów AI edge.

Dowiedz się więcej o produkcie MIC-770. PRZEJDŹ DO KARTY PRODUKTU

Wnioskowanie AI wymaga dużej wydajności przez co rozwiązania oparte o GPU są najlepszym wyborem w takim zastosowaniu. MIC-730AI (w naszym przypadku pracujący jako system AI Edge) jest zasilany przez procesor graficzny NVIDIA® Jetson AGX Xavier ™ i wykorzystywany jako zaawansowany system AI. Moc obliczeniowa Jetson Xavier umożliwia automatyczne sprawdzanie skomplikowanych wzorów tkanin w czasie rzeczywistym z dużą dokładnością. Inspekcje wad tekstylnych przy użyciu technologii wnioskowania AI pozwalają skutecznie zidentyfikować najbardziej subtelne wady i zapewnić wysoką jakość produktów.

Jeśli jesteś zainteresowany produktami omawianymi w powyższym artykule SKONTAKTUJ SIĘ Z NAMI.

Pozostałe aktualności

Kontrola jakości przy pomocy Deep Learning z wykorzystaniem komputerów przemysłowych


W wielu firmach produkcyjnych po dziś dzień do oceny jakości produkowanego towaru wykorzystywane są metody tzw. organoleptyczne, czyli innymi słowy ocena wizualna produktu przez pracowników. Nawet najlepiej przeszkoleni i doświadczeni pracownicy mogą mieć gorszy dzień lub po prostu różne predyspozycje do wykrywania wad produktów, przez co proces standaryzacji inspekcji staje się nie lada wyzwaniem. Wiele produktów, które nie powinny trafić na rynek zostaje wypuszczonych z fabryki wpływając negatywnie na opinię o producencie oraz przysparza sporo problemów reklamacyjnych.

Więcej

Jak sztuczna inteligencja pomaga nam zwalczyć pandemię koronawirusa COVID-19?


Mijają kolejne miesiące od pierwszych wieści na temat koronawirusa, który coraz bardziej paraliżuje społeczeństwo i destabilizuje gospodarkę światową. Dopóki wirus swoje największe ognisko miał w obrębie Chin, dopóty czuliśmy się w Europie bezpieczni, a nasze portfele pozostawały niezagrożone. Obecnie pandemia ogarnęła cały świat wymuszając kwarantanny w kolejnych rejonach i sieje panikę w coraz szerszych grupach społecznych. Nic tak negatywnie nie działa na rynki, jak panika.
Więcej