بینایی ماشین صنعتی: استفاده از هوش مصنوعی لبه‌ای برای تشخیص عیب در زمان واقعی

AWS IoT Greengrass و Amazon SageMaker یکی از رویکردهای پیاده‌سازی برای استقرار مدل‌های یادگیری ماشین در لبه صنعتی را ارائه می‌کنند. بااین‌حال، روند گسترده‌تر بسیار فراتر از اکوسیستم یک فروشنده واحد است. تولیدکنندگان در صنایع خودروسازی، نیمه‌رسانا، فرآوری مواد غذایی و فرایندی، بیش‌ازپیش فناوری‌های هوش مصنوعی لبه‌ای و بینایی ماشین را برای بهبود بازرسی کیفیت و تشخیص عیوب به کار می‌گیرند.

چرا تشخیص عیوب تولیدی به سمت لبه حرکت می‌کند

تولیدکنندگان همچنان به دنبال کیفیت بالاتر محصولات، هزینه‌های عملیاتی کمتر و بهره‌وری بیشتر تولید هستند. با سریع‌تر و خودکارتر شدن خطوط تولید، روش‌های سنتی بازرسی برای همگام شدن با الزامات توان عملیاتی مدرن با مشکل مواجه می‌شوند. بازرسی انسانی در بسیاری از صنایع همچنان ارزشمند است، اما اغلب موجب نوسان، خطاهای ناشی از خستگی و محدودیت‌های مقیاس‌پذیری می‌شود.

هم‌زمان، تأسیسات صنعتی اکنون از طریق حسگرها، دوربین‌ها، کنترلرها و دستگاه‌های متصل، حجم عظیمی از داده‌های عملیاتی تولید می‌کنند. این منابع داده فرصت‌هایی برای تحلیل‌های پیشرفته و کاربردهای یادگیری ماشین ایجاد می‌کنند که می‌توانند مشکلات کیفیت را مدت‌ها پیش از رسیدن محصولات به مشتریان شناسایی کنند.

یکی از مهم‌ترین تحولات سال‌های اخیر، استقرار مستقیم مدل‌های یادگیری ماشین در لبه صنعتی است. تولیدکنندگان به‌جای ارسال هر تصویر به یک پلتفرم ابری دوردست برای تحلیل، می‌توانند تشخیص عیوب را به‌صورت محلی روی رایانه‌های صنعتی، پردازنده‌های نهفته و دروازه‌های لبه‌ای نصب‌شده در نزدیکی تجهیزات تولید انجام دهند.

این رویکرد ضمن بهبود پاسخ‌گویی سامانه، تأخیر را به‌طور چشمگیری کاهش می‌دهد. تجهیزات تولیدی می‌توانند بلافاصله به عیوب شناسایی‌شده واکنش نشان دهند، محصولات نامنطبق را کنار بگذارند، هشدارها را فعال کنند یا اقدامات اصلاحی را بدون انتظار برای پردازش ابری آغاز کنند.

پلتفرم‌های ابری همچنان برای آموزش، مدیریت و بهبود مدل‌های یادگیری ماشین ضروری هستند. بااین‌حال، رایانش لبه‌ای به کارخانه‌ها امکان می‌دهد استنتاج بلادرنگ را در محل تولید داده اجرا کنند. این ترکیب هوشمندی ابری و اجرای لبه‌ای، به معماری قدرتمندی برای اتوماسیون صنعتی تبدیل شده است.

از جمله فناوری‌های پیشرو در پشتیبانی از این معماری، Amazon SageMaker و AWS IoT Greengrass هستند. این پلتفرم‌ها در کنار هم چارچوبی برای ساخت، استقرار، پایش و بهبود مستمر مدل‌های یادگیری ماشین مورد استفاده در کاربردهای تشخیص عیوب تولیدی فراهم می‌کنند.

شکل ۱. سامانه‌های بینایی ماشین خودکار، بازرسی کیفیت را در محیط‌های تولیدی مدرن با سرعت بالا امکان‌پذیر می‌کنند.

درک چالش تشخیص عیوب صنعتی

تشخیص عیب در نگاه اول ساده به نظر می‌رسد. دوربین تصویری ثبت می‌کند، نرم‌افزار محصول را ارزیابی می‌کند و سامانه تعیین می‌کند که قطعه بازرسی را با موفقیت پشت سر گذاشته است یا خیر. بااین‌حال، محیط‌های بازرسی صنعتی در عمل چالش‌های فنی متعددی ایجاد می‌کنند.

محصولات با سرعت‌های متفاوت حرکت می‌کنند. شرایط نورپردازی در طول روز تغییر می‌کند. مواد سطحی ممکن است نور را به شکل‌های متفاوتی بازتاب دهند. تلرانس‌های تولید می‌توانند میان محصولات قابل‌قبول، تفاوت‌های جزئی ایجاد کنند. گردوغبار، لرزش، نوسان دما و شرایط محیطی نیز می‌توانند تصویربرداری را پیچیده‌تر کنند.

بنابراین، تولیدکنندگان باید سامانه‌های بازرسی‌ای ایجاد کنند که بتوانند تغییرات عادی تولید را از عیب‌های واقعی متمایز کنند.

عیب‌های رایج تولید عبارت‌اند از:

• خراش‌های سطحی
• ترک‌ها و شکستگی‌ها
• قطعات ناقص
• خطاهای مونتاژ
• جوش‌های نامناسب
• نقص‌های رنگ
• حباب‌ها و فضاهای خالی
• انحرافات ابعادی
• عیوب بسته‌بندی
• خطاهای برچسب‌گذاری

در صنایعی مانند خودروسازی، ساخت نیمه‌رسانا، داروسازی، فرآوری مواد غذایی، مونتاژ تجهیزات الکترونیکی و تولید انرژی، تشخیص عیب مستقیماً بر سودآوری و رضایت مشتری تأثیر می‌گذارد.

تشخیص ندادن یک عیب می‌تواند به درخواست‌های گارانتی، حوادث ایمنی، فراخوان محصول، جریمه‌های نظارتی یا آسیب به اعتبار برند منجر شود. در مقابل، معیارهای بازرسی بیش‌ازحد سخت‌گیرانه می‌توانند نرخ ضایعات را افزایش دهند و بهره‌وری تولید را کاهش دهند.

یادگیری ماشین با یادگیری الگوها از مجموعه‌داده‌های بزرگ، به‌جای اتکای انحصاری به قواعد بازرسیِ برنامه‌ریزی‌شده به‌صورت دستی، به رفع این چالش‌ها کمک می‌کند.

بینایی ماشین از بازرسی سنتی مبتنی بر قواعد فراتر رفته است

سامانه‌های سنتی بینایی ماشین به‌شدت به الگوریتم‌های قطعی پردازش تصویر متکی هستند. مهندسان آستانه‌ها، پارامترهای تشخیص لبه، اندازه‌گیری‌های هندسی و قواعد تشخیص ویژگی را به‌صورت دستی تعریف می‌کنند.

این رویکردها برای بسیاری از کاربردها همچنان مؤثرند. بااین‌حال، هنگامی که محصولات تنوع زیادی دارند یا عیب‌ها به شکل‌های غیرقابل‌پیش‌بینی ظاهر می‌شوند، نگهداری آن‌ها به‌طور فزاینده‌ای دشوار می‌شود.

مدل‌های نوین یادگیری ماشین رویکردی کاملاً متفاوت ارائه می‌دهند.

به‌جای تعریف دستی تک‌تک قواعد بازرسی، مهندسان مدل‌ها را با استفاده از هزاران یا حتی میلیون‌ها تصویر نمونه آموزش می‌دهند. سامانه ویژگی‌هایی را یاد می‌گیرد که محصولات قابل‌قبول را از محصولات معیوب متمایز می‌کنند.

این امر به سامانه‌های یادگیری ماشین امکان می‌دهد الگوهای ظریفی را شناسایی کنند که شناسایی آن‌ها با الگوریتم‌های متداول بینایی ماشین دشوار است.

چندین رویکرد یادگیری ماشین معمولاً در سامانه‌های بازرسی صنعتی به کار می‌روند.

دسته‌بندی تصویر

مدل‌های دسته‌بندی تعیین می‌کنند که آیا یک تصویر به دسته‌ای مشخص تعلق دارد یا خیر.

برای مثال، یک مدل ممکن است محصولات را به این شکل دسته‌بندی کند:

• قبول
• مردود
• آسیب‌دیده
• ناقص
• ناهم‌راستا

دسته‌بندی اغلب ساده‌ترین مدل استقرار است و برای بسیاری از کاربردهای تولیدی، نقطه شروع مؤثری محسوب می‌شود.

تشخیص اشیا

تشخیص اشیا با شناسایی هم‌زمان وجود و محل نقص، قابلیت‌های طبقه‌بندی را گسترش می‌دهد.

مدل به‌جای آنکه صرفاً وجود یک نقص را گزارش کند، محل ظاهر شدن نقص را در تصویر شناسایی می‌کند.

این قابلیت به تیم‌های تعمیر و نگهداری و مهندسان کیفیت کمک می‌کند مسائل فرایند و علل ریشه‌ای آن‌ها را بهتر درک کنند.

قطعه‌بندی معنایی

قطعه‌بندی معنایی، تحلیل در سطح پیکسل را فراهم می‌کند.

هر پیکسل یک برچسب طبقه‌بندی دریافت می‌کند و به سامانه امکان می‌دهد مرزهای دقیق نقص را شناسایی کند.

مدل‌های قطعه‌بندی زمانی بسیار مفید هستند که تولیدکنندگان به اطلاعات دقیق درباره ابعاد ترک، نواحی خوردگی، نقص‌های پوشش یا ناهماهنگی‌های مواد نیاز داشته باشند.

تکنیک‌های پیشرفته قطعه‌بندی می‌توانند از طرح‌های کیفیت پیش‌گویانه پشتیبانی کنند؛ در این طرح‌ها، الگوهای گسترش نقص به بخشی از تلاش‌های گسترده‌تر برای بهینه‌سازی فرایند تبدیل می‌شوند.

چرا هوش مصنوعی لبه‌ای در اتوماسیون صنعتی اهمیت دارد

بسیاری از تأسیسات صنعتی همچنان تحت الزامات سخت‌گیرانه قابلیت اطمینان فعالیت می‌کنند. خطوط تولید اغلب برای دوره‌های طولانی به‌طور پیوسته کار می‌کنند و نمی‌توانند کاملاً به اتصال ابری وابسته باشند.

ارسال هر تصویر بازرسی به یک سرور راه دور، محدودیت‌های متعددی ایجاد می‌کند:

• تأخیر شبکه
• مصرف پهنای باند
• هزینه‌های پردازش ابری
• نگرانی‌های امنیت سایبری
• خطرات اتصال

یک کارخانه بطری‌سازی را در نظر بگیرید که در هر دقیقه هزاران ظرف تولید می‌کند. دوربین‌های با وضوح بالا ممکن است هر ساعت چندین گیگابایت داده تصویری تولید کنند.

ارسال هر تصویر به ابر پرهزینه و غیرضروری است.

در عوض، استنتاج مبتنی بر لبه امکان تصمیم‌گیری محلی را فراهم می‌کند و فقط اطلاعات مرتبط را به سامانه‌های متمرکز ارسال می‌کند.

این معماری با راهبردهای نوین اتوماسیون صنعتی هم‌راستا است؛ راهبردهایی که در آن‌ها سامانه‌های فناوری عملیاتی (OT) به‌طور فزاینده‌ای با زیرساخت فناوری اطلاعات (IT) یکپارچه می‌شوند.

هوش مصنوعی لبه‌ای صنعتی می‌تواند از محیط‌های متعدد اتوماسیون، از جمله موارد زیر، پشتیبانی کند:

• خطوط تولید تحت کنترل PLC
• کارخانه‌های فرایندی مبتنی بر DCS
• سامانه‌های پایش SCADA
• شبکه‌های پایش توربین
• ماشین‌آلات بسته‌بندی
• سلول‌های مونتاژ رباتیک
• سامانه‌های اتوماسیون انبار

بسیاری از تأسیسات صنعتی در حال حاضر از پلتفرم‌های اتوماسیون شرکت‌های بزرگ تأمین‌کننده تجهیزات صنعتی استفاده می‌کنند. راهکارهای هوش مصنوعی لبه‌ای می‌توانند در کنار سامانه‌هایی مانند Allen-Bradley ControlLogix، Siemens SIMATIC S7، ABB 800xA، Honeywell Experion PKS، Emerson DeltaV و Yokogawa CENTUM VP فعالیت کنند.

در این محیط‌ها، سامانه‌های بینایی ماشین به منبع دیگری از هوش عملیاتی تبدیل می‌شوند که از اهداف کلی تولید پشتیبانی می‌کند.

نقش Amazon SageMaker در یادگیری ماشین صنعتی

Amazon SageMaker محیطی مبتنی بر ابر برای ساخت، آموزش، بهینه‌سازی، استقرار و مدیریت مدل‌های یادگیری ماشین فراهم می‌کند.

یکی از مزایای اصلی آن این است که بسیاری از وظایفی را که به‌طور سنتی با توسعه یادگیری ماشین مرتبط هستند، ساده می‌کند.

دانشمندان داده و مهندسان می‌توانند به‌جای مدیریت زیرساخت، بر عملکرد مدل تمرکز کنند.

در محیط تولید، SageMaker می‌تواند از کل چرخه عمر یادگیری ماشین پشتیبانی کند.

جمع‌آوری و آماده‌سازی داده

پایه هر پروژه موفق تشخیص نقص، یک مجموعه‌داده باکیفیت است.

تولیدکنندگان معمولاً دوربین‌های صنعتی را در نقاط بازرسی راهبردی در امتداد خطوط تولید نصب می‌کنند. این دوربین‌ها از محصولات سالم و معیوب تصویر‌برداری می‌کنند.

سپس تصاویر جمع‌آوری‌شده باید برچسب‌گذاری و سازمان‌دهی شوند.

برچسب‌گذاری دقیق مستقیماً بر عملکرد مدل تأثیر می‌گذارد. مجموعه‌داده‌هایی که به‌درستی برچسب‌گذاری نشده‌اند، اغلب هنگام استقرار باعث ایجاد مثبت کاذب و منفی کاذب می‌شوند.

برای کاربردهای تشخیص نقص، مهندسان اغلب حاشیه‌نویسی‌هایی ایجاد می‌کنند که موارد زیر را مشخص می‌کنند:

• نوع نقص
• محل نقص
• شدت نقص
• دسته‌بندی محصول
• اطلاعات دسته تولید

با افزایش مجموعه‌داده‌ها، تولیدکنندگان می‌توانند با افزودن سناریوهای تولیدی بیشتر، دقت مدل را به‌طور مستمر بهبود دهند.

آموزش و بهینه‌سازی مدل

آموزش مدل‌های یادگیری ماشین به منابع محاسباتی قابل‌توجهی نیاز دارد.

مزیت‌های چشمگیر زیرساخت ابری در همین‌جا نمایان می‌شود.

تولیدکنندگان، به‌جای سرمایه‌گذاری روی سرورهای اختصاصی هوش مصنوعی در محل، می‌توانند از منابع ابری مقیاس‌پذیر برای آموزش کارآمدتر مدل‌ها استفاده کنند.

SageMaker از چندین چارچوب و معماری مدل که معمولاً در کاربردهای بینایی ماشین صنعتی استفاده می‌شوند، پشتیبانی می‌کند.

معماری‌های پرکاربرد شبکه‌های عصبی عبارت‌اند از:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

هر معماری، مصالحه‌های متفاوتی میان دقت، نیازمندی‌های محاسباتی و سرعت استنتاج ارائه می‌دهد.

مهندسان صنعتی اغلب پیش از انتخاب مدل بهینه برای استقرار در محیط تولید، چندین معماری را ارزیابی می‌کنند.

استقرار مدل با آگاهی از سخت‌افزار

یکی از بزرگ‌ترین چالش‌ها در پروژه‌های هوش مصنوعی صنعتی، انتقال مدل‌های آموزش‌دیده در ابر به سخت‌افزار لبه با منابع محدود است.

مدلی که روی یک GPU ابری عملکردی فوق‌العاده دارد، ممکن است هنگام استقرار روی یک دروازه صنعتی یا پردازنده توکار با مشکل مواجه شود.

SageMaker ابزارهایی ارائه می‌دهد که به بهینه‌سازی مدل‌ها برای پلتفرم‌های سخت‌افزاری هدف کمک می‌کنند.

این فرایند بهینه‌سازی، نیازمندی حافظه را کاهش می‌دهد، سرعت استنتاج را بهبود می‌بخشد و مصرف انرژی را به حداقل می‌رساند، در حالی که دقت قابل‌قبولی حفظ می‌شود.

این قابلیت‌ها در محیط‌های تولیدی بزرگ‌مقیاس، که ممکن است صدها یا هزاران دستگاه لبه به‌طور هم‌زمان فعالیت کنند، اهمیت ویژه‌ای پیدا می‌کنند.

در بخش دوم، بررسی می‌کنیم که AWS IoT Greengrass چگونه این مدل‌ها را در لبه صنعتی مستقر و مدیریت می‌کند، گردش‌کارهای تشخیص نقص از ابر تا لبه را بررسی می‌کنیم، معماری‌های عملی پیاده‌سازی را توضیح می‌دهیم و نمونه‌های کاربردی واقعی در تولید را که شامل PLCها، سیستم‌های SCADA، پلتفرم‌های DCS و برنامه‌های کیفیت پیش‌بینانه هستند، مرور می‌کنیم.

آوردن مدل‌های یادگیری ماشین به خط تولید با AWS IoT Greengrass

آموزش یک مدل یادگیری ماشین تنها بخشی از این مسیر است. تولیدکنندگان در نهایت به روشی عملی برای استقرار، مدیریت، پایش و به‌روزرسانی این مدل‌ها در سراسر تأسیسات تولیدی نیاز دارند. اینجاست که AWS IoT Greengrass به مؤلفه‌ای حیاتی از معماری تبدیل می‌شود.

AWS IoT Greengrass به‌عنوان محیط زمان اجرای لبه عمل می‌کند و به نرم‌افزارها، مدل‌های یادگیری ماشین و برنامه‌های اتوماسیون امکان می‌دهد مستقیماً روی دستگاه‌های صنعتی اجرا شوند. Greengrass به‌جای وابستگی به اتصال پیوسته به ابر، اجرای محلی بارهای کاری استنتاج را امکان‌پذیر می‌کند و هم‌زمان همگام‌سازی با سرویس‌های ابری متمرکز را حفظ می‌کند.

برای تأسیسات تولیدی، این معماری تعادلی میان مقیاس‌پذیری ابر و پاسخ‌گویی محلی فراهم می‌کند.

تجهیزات تولید می‌توانند حتی هنگام قطعی موقت شبکه به فعالیت خود ادامه دهند. تصمیم‌های بازرسی کیفیت همچنان در لحظه در دسترس می‌مانند و داده‌های عملیاتی پس از برقراری دوباره اتصال می‌توانند با سامانه‌های ابری همگام شوند.

این قابلیت به‌ویژه در محیط‌های صنعتی بزرگ ارزشمند است؛ جایی که خطوط تولید ممکن است در چندین ساختمان، تأسیسات دورافتاده یا سایت‌های تولیدی پراکنده از نظر جغرافیایی فعالیت کنند.

شکل ۲. AWS IoT Greengrass استنتاج یادگیری ماشین را مستقیماً روی دستگاه‌های لبه صنعتی امکان‌پذیر می‌کند و هم‌زمان یکپارچگی با ابر را حفظ می‌کند.

ساخت خط لوله تشخیص عیب صنعتی از ابر تا لبه

سامانه‌های موفق تشخیص عیب به چیزی بیش از یک شبکه عصبی آموزش‌دیده نیاز دارند. تولیدکنندگان باید چرخه عمر کاملی را ایجاد کنند که دریافت داده، توسعه مدل، استقرار، پایش و بهبود مستمر را مدیریت کند.

معماری مدرن بازرسی ابری تا لبه معمولاً چندین مرحله را دنبال می‌کند.

مرحله ۱: دریافت تصاویر

فرایند با جمع‌آوری تصاویر آغاز می‌شود.

دوربین‌های صنعتی محصولات را هنگام عبور از تجهیزات تولید، نقاله‌ها، ایستگاه‌های کاری رباتیک یا سلول‌های مونتاژ ثبت می‌کنند. انتخاب دوربین به نیازهای کاربردی بستگی دارد و ممکن است شامل موارد زیر باشد:

• دوربین‌های پویش ناحیه‌ای
• دوربین‌های پویش خطی
• دوربین‌های بینایی سه‌بعدی
• سامانه‌های تصویربرداری حرارتی
• حسگرهای تصویربرداری ابرطیفی

طراحی مناسب نورپردازی نیز به همان اندازه اهمیت دارد. حتی مدل‌های پیشرفته یادگیری ماشین نیز هنگام ناهماهنگ بودن کیفیت تصاویر با مشکل مواجه می‌شوند.

استقرارهای موفق اغلب شامل محیط‌های نوری کنترل‌شده‌ای هستند که سایه‌ها، بازتاب‌ها و تغییرات نور محیط را به حداقل می‌رسانند.

مرحله ۲: برچسب‌گذاری و حاشیه‌نویسی داده‌ها

پس از جمع‌آوری تصاویر، مهندسان مجموعه‌داده‌های آموزشی را ایجاد می‌کنند.

تصاویر باید شرایط عملیاتی عادی و معیوب را به‌درستی نمایش دهند. بسیاری از سازمان‌ها در ابتدا اهمیت این مرحله را دست‌کم می‌گیرند. در واقع، کیفیت مجموعه‌داده اغلب بیش از انتخاب مدل، موفقیت پروژه را تعیین می‌کند.

تولیدکنندگان باید نمونه‌هایی را از شیفت‌های مختلف تولید، شرایط گوناگون تجهیزات، دسته‌های متفاوت مواد اولیه و سناریوهای محیطی متعدد جمع‌آوری کنند.

این تنوع به اطمینان از استحکام مدل پس از استقرار کمک می‌کند.

مرحلهٔ ۳: آموزش مدل در SageMaker

آموزش در Amazon SageMaker و با استفاده از منابع رایانشی ابری انجام می‌شود.

مهندسان معماری‌های متعددی را ارزیابی کرده و ابرپارامترها را برای بهبود عملکرد بهینه می‌کنند.

اهداف معمول بهینه‌سازی شامل موارد زیر هستند:

• دقت تشخیص بالاتر
• کاهش موارد مثبت کاذب
• کاهش موارد منفی کاذب
• سرعت استنتاج بیشتر
• مصرف کمتر حافظه

محیط‌های تولیدی اغلب قابلیت اطمینان را بر بهبودهای جزئی دقت ترجیح می‌دهند. مدلی با دقت اندکی کمتر اما رفتاری بسیار قابل‌پیش‌بینی ممکن است در شرایط واقعی تولید، عملکرد بهتری از مدلی داشته باشد که از نظر نظری برتر است.

مرحلهٔ ۴: استقرار در لبه

پس از اعتبارسنجی، SageMaker مدل را برای استقرار بسته‌بندی می‌کند.

Greengrass مدل را به سخت‌افزار لبه‌ای منتقل می‌کند؛ جایی که استنتاج محلی انجام می‌شود.

بسته به کاربرد، اهداف استقرار ممکن است شامل موارد زیر باشند:

• رایانه‌های صنعتی
• درگاه‌های هوش مصنوعی توکار
• کنترلرهای لبه‌ای مبتنی بر ARM
• سرورهای لبه‌ای مجهز به GPU
• رایانه‌های صنعتی یکپارچه‌شده با سیستم‌های بینایی ماشین

استنتاج به‌صورت محلی اجرا می‌شود و نتایج بازرسی را در عرض چند میلی‌ثانیه ارائه می‌دهد.

مرحلهٔ ۵: بهبود مستمر

شاید قدرتمندترین جنبهٔ این معماری، حلقهٔ بازخورد باشد.

دستگاه‌های لبه‌ای می‌توانند تصاویر منتخب و معیارهای عملیاتی را به فضای ابری بارگذاری کنند. مهندسان موارد دشوار را بررسی می‌کنند، داده‌های جدید را برچسب‌گذاری می‌کنند، مدل‌ها را مجدداً آموزش می‌دهند و نسخه‌های به‌روزشده را مستقر می‌کنند.

این کار سیستم بازرسیِ پیوسته‌ای ایجاد می‌کند که خود را با شرایط متغیر تولید سازگار می‌کند.

یکپارچه‌سازی اتوماسیون صنعتی فراتر از بینایی ماشین

سیستم‌های تشخیص نقص زمانی بیشترین ارزش را ایجاد می‌کنند که با زیرساخت اتوماسیون موجود یکپارچه شوند.

یک دوربین مستقل که فقط نقص‌ها را شناسایی می‌کند، مزیت عملیاتی محدودی دارد. تولیدکنندگان مدرن به‌طور فزاینده‌ای سیستم‌های بازرسی را مستقیماً به کنترل‌های تولید متصل می‌کنند.

برای مثال، یک نتیجهٔ بازرسی می‌تواند به‌طور خودکار موارد زیر را فعال کند:

• مکانیزم‌های رد محصول
• سیستم‌های مرتب‌سازی رباتیک
• اعلان‌های هشدار
• کاهش سرعت خط تولید
• دستورکارهای تعمیر و نگهداری
• سیستم‌های گزارش‌دهی کیفیت

بسیاری از مراکز این یکپارچه‌سازی را از طریق پروتکل‌های ارتباطی صنعتی مانند EtherNet/IP، PROFINET، Modbus TCP، OPC UA و MQTT انجام می‌دهند.

سیستم بینایی ماشین به گره‌ای هوشمند دیگر در اکوسیستم گسترده‌تر اتوماسیون تبدیل می‌شود.

سازمان‌هایی که از پلتفرم‌های مدرن PLC استفاده می‌کنند، اغلب نتایج بازرسی را مستقیماً در منطق کنترل ادغام می‌کنند. سیستم‌های مبتنی بر کنترلرهای Allen-Bradley ControlLogix، Siemens SIMATIC S7، ABB AC 800M، Schneider Modicon یا Mitsubishi MELSEC می‌توانند داده‌های نقص را دریافت کرده و پاسخ‌های خودکار را فعال کنند.

مراکزی که در حال ارزیابی ارتقای کنترلرها یا پروژه‌های توسعه هستند، اغلب سخت‌افزارهای موجود در دستهٔ سیستم‌های PLC و PAC را برای پشتیبانی از طرح‌های آیندهٔ هوش مصنوعی صنعتی بررسی می‌کنند.

تشخیص نقص در محیط‌های تولیدی پرسرعت

هر محیط تولیدی الزامات یکسانی ندارد.

راهبردهای بازرسی باید با سرعت تولید، پیچیدگی محصول و اهداف کسب‌وکار هم‌راستا باشند.

تولید الکترونیک

تولید قطعات الکترونیکی اغلب شامل نقص‌های بسیار کوچکی است که شناسایی مداوم آن‌ها برای اپراتورهای انسانی دشوار است.

سیستم‌های یادگیری ماشین می‌توانند موارد زیر را بازرسی کنند:

• اتصالات لحیم‌کاری
• مسیرهای مدار چاپی
• جای‌گذاری کانکتورها
• جهت‌گیری قطعات
• آلودگی سطحی

ازآنجاکه حجم تولید بالا است، حتی بهبودهای کوچک در دقت تشخیص نیز می‌توانند صرفه‌جویی قابل‌توجهی در هزینه ایجاد کنند.

تولید خودرو

کارخانه‌های خودروسازی اغلب سیستم‌های بینایی ماشین را در مونتاژ بدنه، رنگ‌آمیزی، تولید قوای محرکه و عملیات مونتاژ نهایی به کار می‌گیرند.

سیستم‌های بازرسی ممکن است موارد زیر را شناسایی کنند:

• نقص‌های رنگ
• مشکلات کیفیت جوش
• بست‌های گمشده
• ناهم‌راستایی قطعات
• نقص‌های سطحی

پردازش مبتنی بر لبه اهمیت ویژه‌ای پیدا می‌کند، زیرا خطوط تولید با سرعت بالا کار می‌کنند و نمی‌توانند تأخیر بیش‌ازحد را تحمل کنند.

فرایندهای غذایی و نوشیدنی

تولیدکنندگان مواد غذایی اغلب از بینایی ماشین برای شناسایی نقص‌های بسته‌بندی، مشکلات برچسب‌گذاری، خطرهای آلودگی و ناهماهنگی‌های سطح پرشدگی استفاده می‌کنند.

تصمیم‌گیری سریع در محل به جلوگیری از رسیدن محصولات معیوب به فرایندهای بسته‌بندی و توزیع پایین‌دستی کمک می‌کند.

تولید دارویی

صنایع تحت نظارت به سیستم‌های بازرسی بسیار قابل‌اعتماد نیاز دارند.

مدل‌های یادگیری ماشین می‌توانند با شناسایی نقص‌های بسته‌بندی، خطاهای برچسب‌گذاری، آلودگی ویال‌ها و ناهماهنگی‌های محصول، ضمن حفظ سوابق حسابرسی دقیق، از فعالیت‌های اعتبارسنجی پشتیبانی کنند.

هوش مصنوعی لبه‌ای و مدیریت کیفیت پیش‌بینانه

بسیاری از سازمان‌ها در ابتدا سیستم‌های بینایی ماشین را صرفاً برای بازرسی قبول/رد به کار می‌گیرند. بااین‌حال، تولیدکنندگان اغلب با گذشت زمان به فرصت بسیار گسترده‌تری پی می‌برند.

داده‌های نقص حاوی اطلاعات ارزشمندی درباره عملکرد فرایند هستند.

تولیدکنندگان با تحلیل روند بروز نقص‌ها می‌توانند مشکلات نوظهور تولید را پیش از افت قابل‌توجه سطح کیفیت شناسایی کنند.

این مفهوم گاهی «کیفیت پیش‌بینانه» نامیده می‌شود.

برای مثال، افزایش نقص‌های خراشیدگی ممکن است نشان‌دهنده فرسودگی ابزار باشد. افزایش تعداد انحرافات ابعادی می‌تواند نشان‌دهنده انحراف کالیبراسیون باشد. مشکلات پرداخت سطح ممکن است ایرادهایی را در تجهیزات فرایندهای بالادستی آشکار کنند.

هنگامی که داده‌های تشخیص نقص با سیستم‌های پایش صنعتی یکپارچه می‌شوند، به منبع دیگری از هوش عملیاتی تبدیل می‌شوند.

سازمان‌های مسئول قابلیت اطمینان ماشین‌آلات دوار، اغلب پایش کیفیت را با تحلیل ارتعاش و پلتفرم‌های پایش وضعیت دارایی‌ها ترکیب می‌کنند. در این محیط‌ها، راهکارهای سلامت ماشین‌آلات، مانند راهکارهای موجود در مجموعه پایش ماشین‌آلات، اغلب مکمل طرح‌های گسترده‌تر نگهداری و تعمیرات پیش‌بینانه هستند.

ملاحظات سخت‌افزاری برای استقرار هوش مصنوعی لبه‌ای صنعتی

انتخاب پلتفرم سخت‌افزاری مناسب همچنان یکی از مهم‌ترین تصمیم‌های طراحی در هر پروژه هوش مصنوعی لبه‌ای است.

سخت‌افزار ایدئال به عوامل مختلفی بستگی دارد:

• وضوح تصویر
• سرعت بازرسی
• پیچیدگی مدل
• دسترسی به برق
• شرایط محیطی
• الزامات مقیاس‌پذیری

تأسیسات صنعتی به‌طور فزاینده‌ای پردازنده‌هایی را به کار می‌گیرند که شامل واحدهای پردازش عصبی اختصاصی (NPU)، شتاب‌دهنده‌های گرافیکی و موتورهای استنتاج هوش مصنوعی هستند.

این قابلیت‌ها عملکرد یادگیری ماشین را به‌طور چشمگیری بهبود می‌دهند و هم‌زمان مصرف انرژی را کاهش می‌دهند.

پلتفرم‌هایی مانند NXP i.MX 8M Plus نشان می‌دهند که سخت‌افزار تعبیه‌شده همچنان به‌طور ویژه برای پشتیبانی از بارهای کاری هوش مصنوعی صنعتی تکامل می‌یابد.

با گسترش پذیرش هوش مصنوعی، بهینه‌سازی سخت‌افزار اهمیت فزاینده‌ای پیدا می‌کند، زیرا تولیدکنندگان باید میان عملکرد، پشتیبانی چرخه عمر، امنیت سایبری و هزینه کل مالکیت تعادل برقرار کنند.

ملاحظات امنیت سایبری برای سیستم‌های بازرسی متصل

هر دستگاه صنعتی متصل، خطرات بالقوه‌ای برای امنیت سایبری ایجاد می‌کند.

سیستم‌های بینایی ماشین نیز از این قاعده مستثنا نیستند.

سازمان‌هایی که معماری‌های بازرسی متصل به ابر را پیاده‌سازی می‌کنند باید سیاست‌های روشنی برای امنیت سایبری تدوین کنند که موارد زیر را پوشش دهد:

• مدیریت هویت
• احراز هویت دستگاه
• ارتباطات رمزگذاری‌شده
• بخش‌بندی شبکه
• وصله‌گذاری نرم‌افزار
• سیاست‌های کنترل دسترسی

بسیاری از تولیدکنندگان در حال حاضر این اصول را در سراسر محیط‌های فناوری عملیاتی (OT) خود، از جمله شبکه‌های PLC، سیستم‌های SCADA، سیستم‌های کنترل توزیع‌شده و تاریخچه‌نگارهای صنعتی، به کار می‌گیرند.

زیرساخت یادگیری ماشین باید از همان چارچوب امنیت سایبری پیروی کند.

اتصال سیستم‌های تشخیص نقص به SCADA، MES و عملیات سراسر کارخانه

بسیاری از تولیدکنندگان در ابتدا سیستم‌های بینایی ماشین را به‌عنوان ایستگاه‌های بازرسی مستقل مستقر می‌کنند. اگرچه این رویکرد می‌تواند کنترل کیفیت را بهبود دهد، ارزش واقعی هوش مصنوعی صنعتی زمانی آشکار می‌شود که داده‌های بازرسی بخشی از یک اکوسیستم عملیاتی بزرگ‌تر شوند.

کارخانه‌های تولیدی مدرن به‌طور فزاینده‌ای سیستم‌های کیفیت را به پلتفرم‌های کنترل نظارتی و جمع‌آوری داده (SCADA)، سیستم‌های اجرای تولید (MES)، ابزارهای گزارش‌دهی سازمانی و تاریخچه‌نگارهای کارخانه متصل می‌کنند. این یکپارچه‌سازی، تشخیص نقص را از یک وظیفه واکنشیِ کیفیت به یک پلتفرم پیش‌نگرِ هوش عملیاتی تبدیل می‌کند.

وقتی یک سیستم بینایی ماشین نقصی را شناسایی می‌کند، اطلاعات می‌تواند در لحظه در سراسر کارخانه توزیع شود. سرپرستان تولید می‌توانند روندهای کیفیت را از طریق داشبوردهای SCADA پایش کنند، تیم‌های تعمیر و نگهداری می‌توانند اعلان‌های خودکار دریافت کنند و مهندسان فرایند می‌توانند نقص‌ها را با پارامترهای ماشین، شرایط محیطی یا تغییرات مواد اولیه مرتبط کنند.

برای مثال، یک مرکز بسته‌بندی ممکن است متوجه شود که هرگاه سرعت نوار نقاله از آستانه‌ای مشخص بیشتر می‌شود، خطاهای جای‌گذاری برچسب افزایش می‌یابند. یک تولیدکننده خودرو ممکن است همبستگی میان عیوب جوشکاری و انحراف کالیبراسیون ربات را شناسایی کند. یک کارخانه داروسازی نیز ممکن است ناهنجاری‌های بسته‌بندی را به تنظیمات خاص تجهیزات یا دسته‌های تولیدی مرتبط بداند.

بدون یکپارچه‌سازی، این بینش‌ها اغلب در سامانه‌های بازرسی مجزا پنهان می‌مانند.

بسیاری از سازمان‌ها از OPC UA به‌عنوان لایه ارتباطی اصلی میان سکوهای بینایی ماشین و نرم‌افزارهای صنعتی رده‌بالا استفاده می‌کنند. MQTT نیز به دلیل معماری سبک و مناسب‌بودن برای کاربردهای اینترنت اشیای صنعتی (IIoT) روزبه‌روز محبوب‌تر می‌شود.

هم‌زمان با ادامه پیگیری طرح‌های Industry 4.0 توسط تولیدکنندگان، سامانه‌های تشخیص عیب به منابع راهبردی داده تبدیل می‌شوند که از تصمیم‌گیری در سراسر سازمان پشتیبانی می‌کنند.

هوش مصنوعی ابری در برابر هوش مصنوعی لبه: چرا بیشتر کارخانه‌ها رویکرد ترکیبی را انتخاب می‌کنند

سازمان‌های صنعتی اغلب می‌پرسند که آیا برنامه‌های یادگیری ماشین باید کاملاً در فضای ابری اجرا شوند یا کاملاً در لبه. در واقع، بیشتر استقرارهای موفق از معماری ترکیبی استفاده می‌کنند که نقاط قوت هر دو محیط را با هم ترکیب می‌کند.

سکوهای ابری در آموزش مدل، ذخیره‌سازی داده در مقیاس بزرگ، مدیریت متمرکز و تحلیل‌های بلندمدت عملکرد بسیار خوبی دارند. آموزش مدل‌های یادگیری عمیق اغلب به منابع محاسباتی قابل‌توجهی نیاز دارد که استقرار مستقیم آن‌ها روی تجهیزات کارخانه عملی نیست.

در مقابل، سامانه‌های لبه پاسخ‌گویی لازم برای عملیات صنعتی را فراهم می‌کنند. تصمیم‌گیری‌های بازرسی اغلب باید ظرف چند میلی‌ثانیه انجام شوند. خطوط تولید نمی‌توانند برای برقراری ارتباط با فضای ابری منتظر بمانند تا مشخص شود محصول از بازرسی عبور می‌کند یا خیر.

خط مونتاژ تجهیزات الکترونیکی را در نظر بگیرید که هر ساعت هزاران برد مدار چاپی تولید می‌کند. دوربین‌های بازرسی با وضوح بالا ممکن است طی یک شیفت تولید، ترابایت‌ها داده تصویری تولید کنند. ارسال هر تصویر به یک سکوی ابری راه دور، نیازمندی‌های پهنای باند را افزایش داده و تأخیر غیرضروری ایجاد می‌کند.

با پردازش تصاویر به‌صورت محلی، تنها اطلاعات مرتبط باید به فضای ابری منتقل شود. این کار ضمن حفظ عملکرد بلادرنگ، سربار ارتباطی را به‌طور چشمگیری کاهش می‌دهد.

یک معماری ترکیبی معمول از جریان کاری ساده‌ای پیروی می‌کند:

• زیرساخت ابری مدل‌ها را آموزش داده و اعتبارسنجی می‌کند.
• SageMaker مدل‌ها را برای استقرار بهینه می‌کند.
• AWS IoT Greengrass مدل‌ها را در دستگاه‌های لبه توزیع می‌کند.
• دستگاه‌های لبه استنتاج محلی را انجام می‌دهند.
• نتایج منتخب بازرسی به فضای ابری بازمی‌گردند.
• مهندسان با استفاده از داده‌های جدید، مدل‌ها را بازآموزی و بهبود می‌دهند.

این حلقه بازخورد امکان بهبود مستمر را بدون کاهش عملکرد تولید فراهم می‌کند.

این مدل ترکیبی همچنین از عملیات تولیدی چندسایتی پشتیبانی می‌کند؛ جایی که تیم‌های مهندسی متمرکز، دارایی‌های یادگیری ماشین را در تأسیسات متعدد مدیریت می‌کنند.

کاربردهای تولید در دنیای واقعیِ تشخیص عیب مبتنی بر لبه

اگرچه بینایی ماشین دهه‌هاست وجود دارد، پیشرفت‌های اخیر در یادگیری ماشین دامنه کاربردهای بازرسی را که تولیدکنندگان می‌توانند خودکار کنند، گسترش داده است.

بازرسی بدنه خودرو

تولیدکنندگان خودرو باید استانداردهای سخت‌گیرانه ظاهری و ابعادی را حفظ کنند. حتی نقص‌های جزئی رنگ یا ناهنجاری‌های سطحی می‌توانند به فعالیت‌های پرهزینه بازکاری منجر شوند.

سیستم‌های یادگیری ماشین می‌توانند نواقص ظریف رنگ، خراش‌ها، فرورفتگی‌ها و ناهماهنگی‌های پوشش را که ممکن است روش‌های سنتی بازرسی نادیده بگیرند، شناسایی کنند.

تولیدکنندگان با انجام استنتاج مستقیماً در لبه، می‌توانند قطعات معیوب را پیش از انتقال به فرایندهای مونتاژ پایین‌دستی جداسازی کنند.

تولید نیمه‌رسانا

تولید نیمه‌رسانا یکی از سخت‌گیرانه‌ترین الزامات بازرسی را در صنعت مدرن دارد. نقص‌هایی که در مقیاس میکرون اندازه‌گیری می‌شوند می‌توانند بر عملکرد و بازده محصول تأثیر بگذارند.

مدل‌های پیشرفته یادگیری ماشین به شناسایی آلودگی ویفر، نقص‌های لیتوگرافی و ناهنجاری‌های فرایندی کمک می‌کنند که ممکن است تشخیص آن‌ها با استفاده از الگوریتم‌های متعارف بینایی دشوار باشد.

از آنجا که تأسیسات تولید نیمه‌رسانا حجم عظیمی از داده‌های تصویری تولید می‌کنند، پردازش لبه‌ای به کاهش ازدحام شبکه و حفظ توان عملیاتی بازرسی کمک می‌کند.

راستی‌آزمایی بسته‌بندی مواد غذایی

تولیدکنندگان مواد غذایی و نوشیدنی با فشار فزاینده‌ای برای تضمین کیفیت بسته‌بندی، قابلیت ردیابی و انطباق با مقررات مواجه‌اند.

سیستم‌های یادگیری ماشین می‌توانند موارد زیر را بررسی کنند:

• دقت برچسب
• تاریخ‌های انقضا
• یکپارچگی درزگیر
• ابعاد بسته‌بندی
• سطوح پرشدگی
• جهت‌گیری محصول

این بازرسی‌ها به‌طور پیوسته و با سرعت‌های تولیدی انجام می‌شوند که حفظ آن‌ها برای اپراتورهای انسانی به‌صورت دستی غیرممکن است.

تولید باتری

رشد سریع تولید خودروهای برقی، تقاضا برای فناوری‌های پیشرفته بازرسی باتری را افزایش داده است.

تولیدکنندگان از بینایی ماشین و یادگیری ماشین برای شناسایی نقص‌های الکترود، ناهماهنگی‌های پوشش، آلودگی و مشکلات مونتاژ در سراسر فرایندهای تولید باتری استفاده می‌کنند.

از آنجا که نقص‌های باتری می‌توانند بر عملکرد و ایمنی تأثیر بگذارند، دقت بازرسی همچنان یک هدف عملیاتی حیاتی است.

ساخت مجموعه‌داده‌های بهتر برای یادگیری ماشین صنعتی

بسیاری از سازمان‌ها تمرکز زیادی بر انتخاب مدل دارند و اهمیت توسعه مجموعه‌داده را نادیده می‌گیرند. در واقع، کیفیت داده‌های آموزشی اغلب تأثیر بیشتری بر موفقیت پروژه دارد تا معماری خاص شبکه عصبی مورد استفاده.

یک مدل یادگیری ماشین فقط می‌تواند از اطلاعات موجود در مجموعه‌داده آموزشی خود یاد بگیرد. اگر سناریوهای حیاتی بروز نقص در داده‌ها وجود نداشته باشند، مدل ممکن است هنگام ظهور این شرایط در تولید با مشکل مواجه شود.

مجموعه‌داده‌های صنعتی موفق معمولاً شامل موارد زیر هستند:

• نمونه‌های تولید عادی
• شرایط نادر بروز نقص
• محیط‌های نوری متعدد
• شیفت‌های مختلف تولید
• تغییرات فصلی
• شرایط فرسودگی تجهیزات
• تغییرات مواد اولیه
• تغییرات فرایند مرتبط با نگهداری و تعمیرات

تولیدکنندگان باید پس از استقرار نیز به‌طور مستمر مجموعه‌داده‌ها را گسترش دهند.

یکی از مزیت‌های زیست‌بوم SageMaker و Greengrass، توانایی آن در ایجاد سازوکاری بازخوردی میان عملیات تولید و تیم‌های توسعه مدل است. موارد دشوار بازرسی را می‌توان بررسی، برچسب‌گذاری مجدد و در چرخه‌های آموزشی آینده وارد کرد.

این فرایند به‌تدریج عملکرد مدل را بهبود می‌دهد و در عین حال مثبت‌های کاذب و منفی‌های کاذب را کاهش می‌دهد.

سازمان‌هایی که یادگیری ماشین را به‌عنوان قابلیتی عملیاتی و مستمر، نه پروژه‌ای یک‌باره، در نظر می‌گیرند، معمولاً در بلندمدت بهترین نتایج را به دست می‌آورند.

هوش مصنوعی صنعتی به ابزاری استاندارد برای کیفیت تبدیل خواهد شد

یادگیری ماشین، رایانش لبه‌ای و اتوماسیون صنعتی به‌سرعت در حال همگرایی هستند. آنچه زمانی فناوری‌ای آزمایشی تلقی می‌شد، به ابزاری عملی برای بهبود کیفیت، کاهش ضایعات و افزایش بهره‌وری عملیاتی تبدیل می‌شود.

با قدرتمندتر شدن سخت‌افزارهای محاسباتی و آسان‌تر شدن استقرار چارچوب‌های یادگیری ماشین، تولیدکنندگان در هر اندازه‌ای می‌توانند از سامانه‌های پیشرفته تشخیص عیب بهره بگیرند.

پلتفرم‌هایی مانند Amazon SageMaker و AWS IoT Greengrass زیرساخت لازم را برای انتقال یادگیری ماشین از محیط‌های پژوهشی به تأسیسات تولیدی واقعی فراهم می‌کنند.

موفق‌ترین استقرارها صرفاً محصولات معیوب را شناسایی نخواهند کرد؛ بلکه به تولیدکنندگان کمک می‌کنند بفهمند چرا عیب‌ها رخ می‌دهند، پیش از تشدید مشکلات کیفیت را پیش‌بینی کنند و فرایندهای تولید را به‌طور مستمر بهینه سازند.

در سال‌های پیش رو، احتمالاً بینایی ماشین مبتنی بر لبه در خطوط تولید به‌اندازه PLCها، HMIها، شبکه‌های صنعتی و سامانه‌های SCADA امروزی رایج خواهد شد. تأسیساتی که از هم‌اکنون شروع به ایجاد این قابلیت‌ها کنند، برای بهبود کیفیت، به حداکثر رساندن بازده و رقابت در بازارهای تولیدیِ هرچه بیشتر داده‌محور، آمادگی بهتری خواهند داشت.

آینده تشخیص عیب صنعتی

تشخیص عیب صنعتی همچنان از تحلیل ساده تصاویر به‌سوی سامانه‌های هوشمند و سازگارِ کیفیت در حال تکامل است.

پیشرفت‌ها در یادگیری ماشین، رایانش لبه‌ای، شبکه‌سازی صنعتی و زیرساخت ابری، تولیدکنندگان را قادر می‌سازند محصولات را سریع‌تر و با دقتی بیشتر از همیشه بازرسی کنند.

فناوری‌هایی مانند Amazon SageMaker و AWS IoT Greengrass به پر کردن شکاف میان توسعه مدل مبتنی بر ابر و استقرار آن در کارخانه‌های واقعی کمک می‌کنند. این دو در کنار هم، ابزارهایی در اختیار تولیدکنندگان قرار می‌دهند تا سامانه‌های بازرسی مقیاس‌پذیری بسازند که از داده‌های عملیاتی بیاموزند و به‌طور مستمر در طول زمان بهبود پیدا کنند.

با پیگیری ابتکارهای تحول دیجیتال توسط سازمان‌های صنعتی، تشخیص عیب بیش‌ازپیش به بخشی از راهبردهای گسترده‌تر تولید هوشمند تبدیل خواهد شد؛ راهبردهایی که بینایی ماشین، نگهداری پیش‌بینانه، بهینه‌سازی فرایند و تحلیل‌های عملیاتی را با هم ترکیب می‌کنند.

نتیجه صرفاً کنترل کیفیت بهتر نیست؛ بلکه محیطی تولیدی هوشمندتر است که در آن تصمیم‌های مبتنی بر داده، در لبه و نزدیک به تجهیزات، محصولات و فرایندهایی که ارزش ایجاد می‌کنند، گرفته می‌شوند.