بینشهای صنعتی: Oxipital AI واقعیت سیستمهای بینایی مدرن را توضیح میدهد
سیستمهای بینایی مبتنی بر هوش مصنوعی در حال تغییر شکل بازرسی صنعتی هستند، اما ارزش واقعی آنها به نحوه اندازهگیری، ارزیابی و تحلیل دادههای تولید بستگی دارد. شرکت Oxipital AI توضیح میدهد که چرا ب...
بینایی هوش مصنوعی عملیتر از تبلیغاتی میشود
هوش مصنوعی تقریباً در هر بحثی پیرامون اتوماسیون صنعتی حضور دارد. با این حال، بسیاری از مهندسان هنوز قبل از تأیید یک پیادهسازی، همان سؤال را مطرح میکنند: هوش مصنوعی در واقع چه ارزش عملیای در خط تولید ارائه میدهد؟
این سؤال در یک گفتوگوی اخیر با شرکت Oxipital AI، که بر سیستمهای بازرسی بینایی مبتنی بر هوش مصنوعی برای تولید مواد غذایی و نوشیدنی تمرکز دارد، محور بحث شد. به جای ارائه هوش مصنوعی به عنوان جایگزینی برای قضاوت مهندسی، این گفتگو واقعیتی بسیار ملموستر را نشان داد. سیستمهای بینایی مدرن زمانی موفق میشوند که هوش مصنوعی از دقت اندازهگیری، دید فرآیند و تحلیل عملیاتی بلندمدت پشتیبانی کند.
در محیطهای تولید با سرعت بالا که تلرانسهای کیفیتی همچنان سختگیرانهتر میشوند، سیستمهای بینایی از ابزارهای ساده بازرسی به پلتفرمهای هوشمند نظارت بر فرآیند تبدیل میشوند.
سیستمهای بینایی پیشرفته اکنون پردازش هوش مصنوعی را با بازرسی تولید با سرعت بالا ترکیب میکنند تا ثبات را بهبود بخشیده و ردهای کاذب را کاهش دهند.
بینایی ماشینی با جمعآوری دادههای قابل اعتماد آغاز میشود
هر سیستم بینایی صنعتی با یک نیاز شروع میشود: شناسایی دقیق شیء تحت بازرسی. این موضوع ساده به نظر میرسد تا زمانی که تولیدکنندگان با محصولاتی مواجه میشوند که به طور طبیعی در اندازه، رنگ، بافت یا شکل متفاوت هستند.
Oxipital AI این چالش را با استفاده از تصویربرداری RGB و فناوری اندازهگیری سهبعدی مبتنی بر LiDAR حل میکند. بازرسی سنتی دو بعدی میتواند انحرافات رنگ و نقصهای قابل مشاهده را شناسایی کند، در حالی که حسگر سهبعدی عمق، کانتور و تأیید ابعادی را معرفی میکند.
چرا بینایی سهبعدی دقت بازرسی را تغییر میدهد
محیطهای فرآوری مواد غذایی چالشی دشوار ارائه میدهند زیرا هیچ دو محصولی کاملاً یکسان به نظر نمیرسند. تغییرات جزئی در شکل یا بافت سطح میتواند سیستمهای بینایی مبتنی بر قوانین سنتی را گیج کند.
با ترکیب هوش مصنوعی با تحلیل ابر نقاط سهبعدی، سیستمهای بازرسی مدرن بر اساس هندسه واقعی محصول آموزش میبینند نه فقط قالبهای تصویری ثابت. این موضوع دقت شناسایی نقصها را به طور قابل توجهی بهبود میبخشد و نرخ ردهای مثبت کاذب را کاهش میدهد.
بازرسی سهبعدی به تولیدکنندگان اجازه میدهد دادههای تولید زنده را با مدلهای آموزشدیده محصول با دقت بیشتری مقایسه کنند.
این مرحله همچنین نقش رو به رشد سختافزارهای محاسبات صنعتی را برجسته میکند. بسیاری از تولیدکنندگانی که پلتفرمهای بازرسی هوش مصنوعی را پیادهسازی میکنند، اکنون به سیستمهای محاسبات صنعتی با عملکرد بالا متکی هستند که قادر به پردازش مجموعه دادههای تصویری بزرگ به صورت بلادرنگ هستند.
تصمیمات بازرسی هنوز به قوانین مهندسی وابسته است
یکی از مهمترین سوءتفاهمها درباره سیستمهای بینایی هوش مصنوعی این است که هوش مصنوعی به طور مستقل کیفیت محصول را تعیین میکند. در واقع، مهندسان باتجربه هنوز معیارهای پذیرش را تعریف میکنند.
سیستم هوش مصنوعی ویژگیهایی مانند ابعاد، یکنواختی رنگ، تراز و یکنواختی سطح را اندازهگیری میکند. سپس تولیدکننده محدودههای تلرانس قابل قبول برای تولید را تعیین میکند.
هوش مصنوعی محصول را اندازه میگیرد — مهندسان استانداردها را تعریف میکنند
مثال مفیدی که در مصاحبه مطرح شد، بازرسی کورن داگ بود. سیستم ویژگیهای قابل اندازهگیری از جمله طول کلی، یکنواختی پوشش و تراز چوب را ارزیابی میکند.
اگر ابعاد محصول خارج از تلرانسهای تعیینشده باشد یا اگر ناهنجاریهای سطحی کیفیت را به زیر آستانههای قابل قبول کاهش دهد، محصول به طور خودکار رد میشود.
این تمایز اهمیت دارد زیرا هوش مصنوعی در شناسایی الگوها و تسریع فرآیندهای آموزش عالی است، اما استانداردهای کیفیت عملیاتی همچنان نیازمند نظارت مهندسی انسانی هستند.
پلتفرمهای بازرسی مدرن ویژگیهای بصری را به دادههای قابل اندازهگیری تولید تبدیل میکنند تا ارزیابی خودکار قبول یا رد انجام شود.
این رویکرد ترکیبی بازتابدهنده روند گستردهتری در اتوماسیون صنعتی است. هوش مصنوعی به طور فزایندهای از تصمیمات عملیاتی پشتیبانی میکند، اما کنترل قطعی و تلرانسهای فرآیند همچنان به طور محکم توسط الزامات مهندسی و استانداردهای تولید اداره میشوند.
تحلیلهای تولید اغلب بیشترین ارزش بلندمدت را ارائه میدهند
خود بازرسی تنها بخشی از مشکل را حل میکند. فرصت بزرگتر از تحلیل روندهای بازرسی در طول زمان حاصل میشود.
سیستمهای بینایی به طور مداوم دادههای عملیاتی تولید میکنند که میتواند مشکلات پنهان تولید را قبل از تبدیل شدن به شکستهای کیفیت گسترده آشکار کند. افزایش نقصهای تغییر رنگ ممکن است نشاندهنده دمای ناپایدار کوره باشد. شکستهای مکرر تراز ممکن است نشاندهنده سایش نقاله یا مشکلات زمانبندی مکانیکی باشد.
وقتی این روندها در طول هفتهها یا ماهها رصد میشوند، تولیدکنندگان دید بهتری نسبت به ناپایداری فرآیند پیدا میکنند که سیستمهای بازرسی سنتی اغلب از آن غافل میمانند.
تحلیلهای بلندمدت تولید میتوانند ناپایداری پنهان فرآیند را کشف کرده و ثبات تولید را در شیفتهای مختلف بهبود بخشند.
این رویکرد مبتنی بر داده به طور فزایندهای با ابتکارات دیجیتالیسازی گستردهتر کارخانه همپوشانی دارد. تأسیساتی که بازرسی هوش مصنوعی را با زیرساخت شبکهسازی صنعتی ادغام میکنند، میتوانند هوش تولید را در خطوط، کارخانهها و سیستمهای سازمانی متعدد به صورت بلادرنگ توزیع کنند.
آینده سیستمهای بینایی به شفافیت عملیاتی وابسته خواهد بود
بخش صنعتی در حال عبور از مرحلهای است که تنها هوش مصنوعی جلب توجه میکرد. تولیدکنندگان اکنون انتظار بهبودهای عملیاتی قابل اندازهگیری، کاهش ردهای کاذب، آموزش آسانتر و بینشهای عملی تولید را دارند.
این تغییر باعث شده تأمینکنندگان بینایی ماشینی ارزش مهندسی عملی را نشان دهند به جای اینکه صرفاً از اصطلاحات هوش مصنوعی به عنوان ابزار بازاریابی استفاده کنند.
موفقترین سیستمها احتمالاً آنهایی خواهند بود که منطق بازرسی قطعی را با اندازهگیری و تحلیلهای کمکی هوش مصنوعی ترکیب میکنند. به عبارت دیگر، هوش مصنوعی زمانی بهترین عملکرد را دارد که دید مهندسی را تقویت کند نه اینکه بخواهد جایگزین تخصص مهندسی شود.
از دیدگاه من، این سالمترین مسیر برای پذیرش هوش مصنوعی صنعتی است. سیستمهای بینایی زمانی ارزشمندتر میشوند که تولیدکنندگان دقیقاً بدانند هوش مصنوعی کجا به فرآیند کمک میکند و کجا منطق کنترل سنتی هنوز اهمیت بیشتری دارد.
نویسنده: مارکوس الینگتون | تحلیلگر فناوری صنعتی
مارکوس الینگتون بیش از ۱۴ سال تجربه در زمینه سیستمهای بینایی صنعتی، نرمافزارهای اتوماسیون و زیرساختهای تولید هوشمند دارد. سابقه او شامل پروژههای یکپارچهسازی کارخانه با پلتفرمهای Rockwell Automation، Siemens، Beckhoff Automation و Emerson در بخشهای فرآوری مواد غذایی، بستهبندی و تولید فرآیندی است.