Machinebouwers en systeemintegrators gaan steeds meer te werk als AI-specialisten

Onlangs las ik over een leverancier van wereldwijde OEM’s in de automotive industrie die gespecialiseerd is in technologieën voor oppervlaktebehandeling voor de nauwkeurige afwerking van metalen oppervlakken. Deze technologie wordt onder andere toegepast op accudekselcomponenten van elektrische voertuigen, om de hoogspanningsaccu’s te beschermen tegen externe invloeden.

Omdat uiterste precisie en hoge kwaliteit vereist waren, is de leverancier een samenwerking aangegaan met een machine vision systeemintegrator. Samen hebben ze een oplossing ontwikkeld die de productiekwaliteit van accudoppen voor elektrische voertuigen aanzienlijk heeft verbeterd

Deze oplossing bestaat uit een door vision-geleide roboticaoplossing, gebaseerd op no-code machine vision software die werkt met stroomdiagrammen en deep learning – een krachtige vorm van AI die wordt ingezet voor geavanceerde optische tekenherkenning (OCR), kenmerk- en anomalie-detectie, classificatie en instance segmentation.

De batterijdeksels worden door een robotarm verwerkt en doorlopen verschillende inspectiefasen. Dit gebeurt onder begeleiding van een geavanceerd camerasysteem dat mogelijke defecten opspoort die de kwaliteit zouden kunnen beïnvloeden . Het camerasysteem spoort zelfs de kleinste oppervlaktedefecten op die de prestaties in gevaar kunnen brengen.

De systeemintegrators waardeerden de hoge ontwikkelsnelheid en verwerkingstijd van de software bij het gelijktijdig analyseren van veel, en soms grote beeldbestanden. Ook prees men de softwaremogelijkheden voor voortdurende verbetering van het productieproces, mogelijk gemaakt dooruitgebreide training met een grote dataset om specifieke defecttypen door gebruik van beelden te herkennen en te classificeren.

Eerder geselecteerde beelddatasets werden geannoteerd en in het systeem ingevoerd, waarna ze opnieuw worden gebruikt om het model te trainen op nieuwe inspectiecriteria of om bestaande defectherkenning verder te verfijnen. Dankzij deze aanpak kan de oplossing zich voortdurend ontwikkelen en verbeteren met behulp van deep learning. Dat is een belangrijk voordeel ten opzichte van traditionele tools, die vaak minder flexibel zijn en zich minder goed aanpassen aan veranderende productieomstandigheden.

Wat machinebouwers, integrators en gebruikers nodig hebben

Het bovenstaande voorbeeld herinnert ons eraan dat machinebouwers, systeemintegrators en eindgebruikers tijd willen besparen bij het ontwikkelen, implementeren, trainen en gebruiken van oplossingen. Er is ook steeds meerbehoefte aan gerichte training, certificering en ondersteunende middelen. Dit komt omdat moderne oplossingen steeds vaker worden uitgerust met een AI-laag in zowel hardware als software, om processen intelligent te automatiseren en operationele data optimaal te benutten.

Uit de Manufacturing Vision Study van Zebra blijkt echter dat 67% van de leiders in de productiesector niet weet hoe zij moeten beginnen met het digitaal transformerene van de fabrieksvloer. De grootste uitdagingen op het gebied van kwaliteitsbeheer zijn realtime zichtbaarheid (28%), het bijhouden van nieuwe normen en regelgeving (28%), gegevensintegratie (26%) en het waarborgen van traceerbaarheid (23%).

Belangrijke belemmeringen voor digitale transformatie zijn onder andere het bijhouden van technologische ontwikkelingen, beperkte beschikbaarheid van middelen en de schaalbaarheid van projecten  van pilotfase naar organisatiebrede implementatie. Leiders op het gebied van operationele technologie wenden zich tot hun machinebouwers en systeemintegrators voor advies, proof-of-concepts, pilots en de benodigde ondersteuning om projecten op te schalen en risico’s ervan te beperken.

Gegevensintegratie en AI-training via de cloud

et eerdergenoemde voorbeeld onderstreept ook het belang van het kunnen vastleggen van gegevens over defecten en afwijkingen(met behulp van machine vision-camera’s, slimme sensoren of 3D-scanoplossingen), deze te interpreteren en te gebruiken om een proces te verfijnen, zoals een visuele inspectieworkflow in de automotiveindustrie.

Naarmate machinebouwers en systeemintegrators steeds meer gaan denken en handelen als data- en AI-specialisten, zal er meer aandacht komen voor het potentieel van de cloud om problemen rond datasilo’s, het  delen van gegevens en annotatie op te lossen  voor het trainen en testen van deep learning-modellen. De cloud zal zorgen voor nog hogere niveaus van visuele inspectienauwkeurigheid, krachtigere AI-modellen en nieuwe mogelijkhedenn om AI-ready data en visuele inspectieoplossingen op te schalen over workflows, locaties en zelfs regio’s heen.

Met een cloudgebaseerd machine vision-platform kunnen gebruikers veilig data uploaden, labelen en annoteren vanuit meerdere productielocaties binnen een bedrijfsvestiging, land of regio. Deep learning-modellen profiteren daarbij van een veel grotere en rijkere pool aan trainings- en testdata, met consistente annotaties, verbeterde samenwerking tussen teams en schaalbare oplossingen als resultaat. Dankzij deep learning-platforms in de  cloud kunnen modellen worden uitgerold op pc’s en apparaten ter ondersteuning van intelligent geautomatiseerde workflows op de productielijn, ongeacht waar een gebruiker of team zich bevindt.

Auteur: Ivar Keulers, Field Application Engineering Manager, Machine Vision, EMEA, Zebra Technologies