بینش‌های صنعت: Oxipital AI واقعیت سیستم‌های بینایی مدرن را توضیح می‌دهد

بینایی هوش مصنوعی از حالت تبلیغاتی به کاربردی‌تر شدن پیش می‌رود

هوش مصنوعی تقریباً بر هر بحثی درباره اتوماسیون صنعتی غالب است. بااین‌حال، بسیاری از مهندسان پیش از تأیید استقرار یک سامانه همچنان همان سؤال را می‌پرسند: هوش مصنوعی واقعاً چه ارزش عملی‌ای در محیط تولید ارائه می‌دهد؟

این سؤال در گفت‌وگویی اخیر با Oxipital AI، شرکتی متمرکز بر سامانه‌های بازرسی بینایی مبتنی بر هوش مصنوعی برای تولید مواد غذایی و نوشیدنی، به موضوعی محوری تبدیل شد. این گفت‌وگو به‌جای ارائه هوش مصنوعی به‌عنوان جایگزینی برای قضاوت مهندسی، واقعیتی بسیار منطقی‌تر را آشکار کرد. سامانه‌های مدرن بینایی زمانی موفق‌اند که هوش مصنوعی از دقت اندازه‌گیری، مشاهده‌پذیری فرایند و تحلیل عملیاتی بلندمدت پشتیبانی کند.

در محیط‌های تولیدی پرسرعت که تلرانس‌های کیفی در آن‌ها همچنان سخت‌گیرانه‌تر می‌شوند، سامانه‌های بینایی از ابزارهای ساده بازرسی به پلتفرم‌های هوشمند پایش فرایند تبدیل می‌شوند.

سامانه‌های پیشرفته بینایی اکنون پردازش هوش مصنوعی را با بازرسی پرسرعت تولید ترکیب می‌کنند تا یکنواختی را بهبود دهند و محصولات مردود کاذب را کاهش دهند.

بینایی ماشین با جمع‌آوری مطمئن داده آغاز می‌شود

هر سامانه بینایی صنعتی با یک نیاز اساسی آغاز می‌شود: شناسایی دقیق شیء مورد بازرسی. این کار تا زمانی ساده به نظر می‌رسد که تولیدکنندگان با محصولاتی مواجه شوند که به‌طور طبیعی از نظر اندازه، رنگ، بافت یا شکل متفاوت‌اند.

Oxipital AI برای حل این چالش از تصویربرداری RGB و فناوری اندازه‌گیری سه‌بعدی مبتنی بر LiDAR استفاده می‌کند. بازرسی دوبعدی سنتی می‌تواند انحرافات رنگی و عیوب قابل مشاهده را شناسایی کند، درحالی‌که حسگرهای سه‌بعدی عمق، کانتور و راستی‌آزمایی ابعادی را نیز ارائه می‌دهند.

چرا بینایی سه‌بعدی دقت بازرسی را تغییر می‌دهد

محیط‌های فرآوری مواد غذایی چالش دشواری ایجاد می‌کنند، زیرا هیچ دو محصولی کاملاً یکسان به نظر نمی‌رسند. تغییرات جزئی در شکل یا بافت سطح می‌تواند سامانه‌های بینایی متعارف مبتنی بر قواعد را دچار خطا کند.

با ترکیب هوش مصنوعی با تحلیل ابرنقاط سه‌بعدی، سامانه‌های مدرن بازرسی بر اساس هندسه واقعی محصول آموزش می‌بینند، نه اینکه فقط به الگوهای تصویری ثابت متکی باشند. این کار دقت تشخیص عیب را به‌طور چشمگیری افزایش می‌دهد و هم‌زمان نرخ مردودسازی مثبت کاذب را کاهش می‌دهد.

بازرسی سه‌بعدی به تولیدکنندگان اجازه می‌دهد داده‌های زنده تولید را با دقت بیشتری با مدل‌های آموزش‌دیده محصول مقایسه کنند.

این مرحله همچنین نقش رو‌به‌رشد سخت‌افزارهای رایانش صنعتی را برجسته می‌کند. بسیاری از تولیدکنندگانی که پلتفرم‌های بازرسی مبتنی بر هوش مصنوعی را مستقر می‌کنند، اکنون به سامانه‌های رایانش صنعتی قدرتمندی متکی هستند که می‌توانند مجموعه‌داده‌های تصویری بزرگ را به‌صورت بلادرنگ پردازش کنند.

تصمیم‌های بازرسی همچنان به قواعد مهندسی وابسته‌اند

یکی از مهم‌ترین برداشت‌های نادرست درباره سامانه‌های بینایی هوش مصنوعی این است که هوش مصنوعی به‌طور مستقل درباره کیفیت محصول تصمیم می‌گیرد. در واقعیت، مهندسان باتجربه همچنان معیارهای پذیرش را تعیین می‌کنند.

سامانه هوش مصنوعی ویژگی‌هایی مانند ابعاد، یکنواختی رنگ، هم‌راستایی یا یکدستی سطح را اندازه‌گیری می‌کند. سپس تولیدکننده دامنه‌های تلرانس قابل‌قبول را برای تولید تعیین می‌کند.

هوش مصنوعی محصول را اندازه‌گیری می‌کند — مهندسان استانداردها را تعیین می‌کنند

نمونه مفیدی که در جریان مصاحبه مطرح شد، به بازرسی کورن‌داگ مربوط بود. سامانه ویژگی‌های قابل‌اندازه‌گیری، ازجمله طول کلی، یکنواختی روکش و هم‌راستایی چوب را ارزیابی می‌کند.

اگر ابعاد محصول خارج از تلرانس‌های تعیین‌شده باشد، یا بی‌نظمی‌های سطحی امتیاز کیفیت را به کمتر از آستانه‌های قابل‌قبول کاهش دهند، محصول به‌طور خودکار مردود می‌شود.

این تمایز اهمیت دارد، زیرا هوش مصنوعی در شناسایی الگوها و سرعت بخشیدن به فرایندهای آموزش عملکردی عالی دارد، اما استانداردهای کیفیت عملیاتی همچنان به نظارت مهندسی انسانی نیاز دارند.

پلتفرم‌های مدرن بازرسی، ویژگی‌های بصری را به داده‌های قابل‌اندازه‌گیری تولید تبدیل می‌کنند تا ارزیابی خودکار قبول یا رد انجام شود.

این رویکرد ترکیبی بازتاب‌دهنده روندی گسترده‌تر در سراسر اتوماسیون صنعتی است. هوش مصنوعی بیش‌ازپیش از تصمیم‌های عملیاتی پشتیبانی می‌کند، اما کنترل قطعی و تلرانس‌های فرایند همچنان به‌طور جدی تحت حاکمیت الزامات مهندسی و استانداردهای تولید قرار دارند.

تحلیل تولید اغلب بیشترین ارزش بلندمدت را ایجاد می‌کند

خودِ بازرسی تنها بخشی از مشکل را حل می‌کند. فرصت بزرگ‌تر از تحلیل روندهای بازرسی در طول زمان به دست می‌آید.

سامانه‌های بینایی به‌طور پیوسته داده‌های عملیاتی تولید می‌کنند که می‌توانند مشکلات پنهان تولید را پیش از تبدیل شدن به شکست‌های گسترده کیفی آشکار کنند. افزایش عیوب تغییررنگ می‌تواند نشانه ناپایداری دمای فرها باشد. تکرار خطاهای هم‌راستایی ممکن است فرسودگی نقاله یا مشکلات زمان‌بندی مکانیکی را نشان دهد.

وقتی این روندها طی هفته‌ها یا ماه‌ها پایش می‌شوند، تولیدکنندگان به ناپایداری فرایندی دسترسی پیدا می‌کنند که سامانه‌های بازرسی سنتی اغلب آن را از دست می‌دهند.

تحلیل بلندمدت تولید می‌تواند ناپایداری پنهان فرایند را آشکار کند و یکنواختی تولید را در شیفت‌های مختلف بهبود دهد.

این رویکرد داده‌محور بیش‌ازپیش با طرح‌های گسترده‌تر دیجیتالی‌سازی کارخانه هم‌پوشانی دارد. تأسیسات تولیدی که بازرسی هوش مصنوعی را با زیرساخت شبکه صنعتی یکپارچه می‌کنند، می‌توانند هوشمندی تولید را در زمان واقعی میان چندین خط، کارخانه و سامانه سازمانی توزیع کنند.

آینده سامانه‌های بینایی به شفافیت عملیاتی وابسته خواهد بود

بخش صنعتی از مرحله‌ای که در آن صرفاً هوش مصنوعی توجه‌ها را جلب می‌کرد عبور کرده است. تولیدکنندگان اکنون انتظار بهبودهای عملیاتی قابل‌اندازه‌گیری، کاهش مردودسازی کاذب، آموزش آسان‌تر و بینش‌های عملی درباره تولید را دارند.

این تغییر، تأمین‌کنندگان سامانه‌های بینایی ماشین را وادار می‌کند به‌جای تکیه بر اصطلاحات هوش مصنوعی به‌عنوان ابزار بازاریابی، ارزش عملی مهندسی خود را اثبات کنند.

موفق‌ترین سامانه‌ها احتمالاً آن‌هایی خواهند بود که منطق قطعی بازرسی را با اندازه‌گیری و تحلیل به کمک هوش مصنوعی ترکیب می‌کنند. به بیان دیگر، هوش مصنوعی زمانی بهترین عملکرد را دارد که مشاهده‌پذیری مهندسی را تقویت کند، نه اینکه بخواهد جایگزین تخصص مهندسی شود.

از دیدگاه من، این مسیر سالم‌ترین جهت برای پذیرش هوش مصنوعی صنعتی است. سامانه‌های بینایی زمانی ارزشمندتر می‌شوند که تولیدکنندگان دقیقاً بدانند هوش مصنوعی در کدام بخش به فرایند کمک می‌کند و منطق کنترلی سنتی در کدام بخش همچنان بیشترین اهمیت را دارد.

نویسنده: Marcus Ellington | تحلیلگر فناوری صنعتی
Marcus Ellington بیش از ۱۴ سال است که سامانه‌های بینایی صنعتی، نرم‌افزارهای اتوماسیون و زیرساخت‌های تولید هوشمند را پوشش می‌دهد. سوابق او شامل پروژه‌های یکپارچه‌سازی کارخانه با استفاده از پلتفرم‌های Rockwell Automation، Siemens، Beckhoff Automation و Emerson در حوزه‌های فرآوری مواد غذایی، بسته‌بندی و تولید فرایندی است.