Penglihatan Mesin Industri: Menggunakan Edge AI untuk Pengesanan Kecacatan Masa Nyata

AWS IoT Greengrass dan Amazon SageMaker mewakili satu pendekatan pelaksanaan untuk melaksanakan model pembelajaran mesin di tepi industri. Walau bagaimanapun, trend yang lebih luas melangkaui ekosistem vendor tunggal. Pengeluar dalam industri automotif, semikonduktor, pemprosesan makanan, dan proses semakin mengguna pakai AI tepi dan teknologi penglihatan mesin untuk meningkatkan pemeriksaan kualiti dan pengesanan kecacatan.

Mengapa Pengesanan Kecacatan Pembuatan Bergerak ke Arah Tepi

Pengeluar terus berusaha untuk kualiti produk yang lebih tinggi, kos operasi yang lebih rendah, dan kecekapan pengeluaran yang lebih besar. Apabila barisan pengeluaran menjadi lebih pantas dan lebih automatik, kaedah pemeriksaan tradisional sukar untuk menyesuaikan diri dengan keperluan kelajuan moden. Pemeriksaan manusia kekal bernilai dalam banyak industri, tetapi ia sering memperkenalkan variabiliti, kesilapan akibat keletihan, dan had skala.

Pada masa yang sama, kemudahan industri kini menjana sejumlah besar data operasi melalui sensor, kamera, pengawal, dan peranti yang disambungkan. Sumber data ini mencipta peluang untuk analitik lanjutan dan aplikasi pembelajaran mesin yang boleh mengenal pasti isu kualiti jauh sebelum produk sampai kepada pelanggan.

Salah satu perkembangan paling ketara dalam beberapa tahun kebelakangan ini ialah pelaksanaan model pembelajaran mesin terus di tepi industri. Daripada menghantar setiap imej ke platform awan jauh untuk analisis, pengeluar boleh melakukan pengesanan kecacatan secara tempatan pada komputer industri, pemproses terbenam, dan pintu masuk tepi yang dipasang berhampiran peralatan pengeluaran.

Pendekatan ini secara dramatik mengurangkan kelewatan sambil meningkatkan kepekaan sistem. Peralatan pengeluaran boleh segera bertindak balas terhadap kecacatan yang dikesan, menolak produk yang tidak mematuhi, mencetuskan amaran, atau memulakan tindakan pembetulan tanpa menunggu pemprosesan awan.

Platform awan kekal penting untuk melatih, mengurus, dan memperbaiki model pembelajaran mesin. Walau bagaimanapun, pengkomputeran tepi membolehkan kilang melaksanakan inferens masa nyata di tempat data dijana. Gabungan kecerdasan awan dan pelaksanaan tepi ini telah menjadi seni bina yang berkuasa untuk automasi industri.

Antara teknologi utama yang menyokong seni bina ini adalah Amazon SageMaker dan AWS IoT Greengrass. Bersama-sama, platform ini menyediakan rangka kerja untuk membina, melaksanakan, memantau, dan sentiasa memperbaiki model pembelajaran mesin yang digunakan dalam aplikasi pengesanan kecacatan pembuatan.

Rajah 1. Sistem penglihatan mesin automatik membolehkan pemeriksaan kualiti berkelajuan tinggi dalam persekitaran pembuatan moden.

Memahami Cabaran Pengesanan Kecacatan Industri

Pengesanan kecacatan kelihatan mudah pada permukaan. Kamera menangkap imej, perisian menilai produk, dan sistem menentukan sama ada item lulus pemeriksaan. Namun, dalam amalan, persekitaran pemeriksaan industri menghadirkan pelbagai cabaran teknikal.

Produk bergerak pada kelajuan yang berbeza-beza. Keadaan pencahayaan berubah sepanjang hari. Bahan permukaan mungkin memantulkan cahaya secara berbeza. Toleransi pengeluaran boleh mencipta variasi kecil antara produk yang boleh diterima. Habuk, getaran, perubahan suhu, dan keadaan persekitaran boleh menambah kerumitan pemerolehan imej.

Oleh itu, pengeluar mesti membangunkan sistem pemeriksaan yang mampu membezakan variasi pengeluaran normal daripada kecacatan sebenar.

Kecacatan pembuatan biasa termasuk:

• Calar permukaan
• Retak dan patah
• Komponen hilang
• Ralat pemasangan
• Kimpalan yang tidak betul
• Ketidaksempurnaan cat
• Buih dan rongga
• Penyimpangan dimensi
• Kecacatan pembungkusan
• Ralat pelabelan

Dalam industri seperti pembuatan automotif, pembuatan semikonduktor, farmaseutikal, pemprosesan makanan, pemasangan elektronik, dan pengeluaran tenaga, pengesanan kecacatan memberi kesan langsung kepada keuntungan dan kepuasan pelanggan.

Kecacatan yang terlepas boleh menyebabkan tuntutan jaminan, insiden keselamatan, penarikan balik produk, penalti peraturan, atau kerosakan reputasi jenama. Sebaliknya, kriteria pemeriksaan yang terlalu ketat boleh meningkatkan kadar sisa dan mengurangkan kecekapan pengeluaran.

Pembelajaran mesin membantu menangani cabaran ini dengan mempelajari corak daripada set data besar dan bukannya bergantung sepenuhnya pada peraturan pemeriksaan yang diprogram secara manual.

Penglihatan Mesin Telah Berkembang Melepasi Pemeriksaan Berasaskan Peraturan Tradisional

Sistem penglihatan mesin tradisional bergantung kuat pada algoritma pemprosesan imej deterministik. Jurutera menentukan secara manual ambang, parameter pengesanan tepi, ukuran geometri, dan peraturan pengenalan ciri.

Pendekatan ini kekal berkesan untuk banyak aplikasi. Walau bagaimanapun, ia menjadi semakin sukar untuk diselenggara apabila produk menunjukkan variasi yang ketara atau apabila kecacatan muncul dalam bentuk yang tidak dapat diramalkan.

Model pembelajaran mesin moden menawarkan pendekatan yang berbeza secara asas.

Daripada menentukan setiap peraturan pemeriksaan secara manual, jurutera melatih model menggunakan beribu-ribu atau bahkan berjuta-juta imej contoh. Sistem mempelajari ciri-ciri yang membezakan produk yang boleh diterima daripada produk yang cacat.

Ini membolehkan sistem pembelajaran mesin mengesan corak halus yang mungkin sukar dikenali oleh algoritma penglihatan konvensional.

Beberapa pendekatan pembelajaran mesin sering muncul dalam sistem pemeriksaan industri.

Klasifikasi Imej

Model klasifikasi menentukan sama ada imej tergolong dalam kategori tertentu.

Sebagai contoh, model mungkin mengklasifikasikan produk sebagai:

• Lulus
• Gagal
• Rosak
• Tidak lengkap
• Tidak selari

Klasifikasi sering kali merupakan model pelaksanaan yang paling mudah dan berfungsi sebagai titik permulaan yang berkesan untuk banyak aplikasi pembuatan.

Pengesanan Objek

Pengesanan objek memperluaskan klasifikasi dengan mengenal pasti kedua-dua kehadiran dan lokasi kecacatan.

Daripada hanya melaporkan bahawa terdapat kecacatan, model ini mengenal pasti di mana kecacatan muncul dalam imej.

Keupayaan ini membolehkan pasukan penyelenggaraan dan jurutera kualiti memahami isu proses dan punca akar dengan lebih baik.

Segmentasi Semantik

Segmentasi semantik menyediakan analisis pada tahap piksel.

Setiap piksel menerima label klasifikasi, membolehkan sistem mengenal pasti sempadan tepat kecacatan.

Model segmentasi sangat berguna apabila pengeluar memerlukan maklumat terperinci tentang dimensi retakan, kawasan kakisan, kecacatan salutan, atau ketidakkonsistenan bahan.

Teknik segmentasi lanjutan boleh menyokong inisiatif kualiti ramalan di mana corak pertumbuhan kecacatan menjadi sebahagian daripada usaha pengoptimuman proses yang lebih luas.

Mengapa Edge AI Penting dalam Automasi Industri

Banyak kemudahan industri masih beroperasi di bawah keperluan kebolehpercayaan yang ketat. Barisan pengeluaran sering berjalan tanpa henti untuk tempoh yang panjang dan tidak boleh bergantung sepenuhnya pada sambungan awan.

Menghantar setiap imej pemeriksaan ke pelayan jauh memperkenalkan beberapa had:

• Kelewatan rangkaian
• Penggunaan jalur lebar
• Kos pemprosesan awan
• Kebimbangan keselamatan siber
• Risiko sambungan

Pertimbangkan sebuah kilang pembotolan yang menghasilkan ribuan bekas setiap minit. Kamera beresolusi tinggi mungkin menghasilkan gigabait data imej setiap jam.

Menghantar setiap imej ke awan menjadi mahal dan tidak perlu.

Sebaliknya, inferens berasaskan edge membolehkan pembuatan keputusan tempatan sambil menghantar hanya maklumat yang relevan ke sistem berpusat.

Seni bina ini selaras rapat dengan strategi automasi industri moden di mana sistem teknologi operasi (OT) semakin banyak berintegrasi dengan infrastruktur teknologi maklumat (IT).

Edge AI industri boleh menyokong pelbagai persekitaran automasi termasuk:

• Barisan pengeluaran dikawal oleh PLC
• Loji proses berasaskan DCS
• Sistem pemantauan SCADA
• Rangkaian pemantauan turbin
• Mesin pembungkusan
• Sel pemasangan robotik
• Sistem automasi gudang

Banyak kemudahan sudah mengendalikan platform automasi dari pembekal industri utama. Penyelesaian Edge AI boleh wujud bersama sistem seperti Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV, dan Yokogawa CENTUM VP.

Dalam persekitaran ini, sistem penglihatan mesin menjadi sumber lain bagi kecerdasan operasi yang menyokong objektif pengeluaran keseluruhan.

Peranan Amazon SageMaker dalam Pembelajaran Mesin Industri

Amazon SageMaker menyediakan persekitaran berasaskan awan untuk membina, melatih, mengoptimumkan, menyebarkan, dan mengurus model pembelajaran mesin.

Salah satu kelebihannya yang utama ialah ia memudahkan banyak tugas yang biasanya dikaitkan dengan pembangunan pembelajaran mesin.

Ahli sains data dan jurutera boleh menumpukan pada prestasi model dan bukannya pengurusan infrastruktur.

Dalam persekitaran pembuatan, SageMaker boleh menyokong keseluruhan kitaran hayat pembelajaran mesin.

Pengumpulan dan Penyediaan Data

Asas bagi mana-mana projek pengesanan kecacatan yang berjaya adalah set data berkualiti tinggi.

Pengeluar biasanya memasang kamera industri di titik pemeriksaan strategik sepanjang barisan pengeluaran. Kamera ini menangkap imej produk yang diterima dan yang cacat.

Imej yang dikumpul kemudian mesti dilabel dan disusun.

Pelabelan tepat memberi kesan langsung kepada prestasi model. Set data yang dilabel dengan buruk sering menghasilkan positif palsu dan negatif palsu semasa penyebaran.

Untuk aplikasi pengesanan kecacatan, jurutera sering membuat anotasi yang mengenal pasti:

• Jenis kecacatan
• Lokasi kecacatan
• Keterukan kecacatan
• Kategori produk
• Maklumat kumpulan pengeluaran

Apabila set data berkembang, pengilang boleh terus meningkatkan ketepatan model dengan memasukkan lebih banyak senario pengeluaran.

Latihan dan Pengoptimuman Model

Melatih model pembelajaran mesin memerlukan sumber pengkomputeran yang besar.

Di sinilah infrastruktur awan memberikan kelebihan besar.

Daripada melabur dalam pelayan AI khusus di premis, pengilang boleh memanfaatkan sumber awan yang boleh diskala untuk melatih model dengan lebih cekap.

SageMaker menyokong pelbagai rangka kerja dan seni bina model yang biasa digunakan dalam aplikasi penglihatan mesin industri.

Seni bina rangkaian neural popular termasuk:

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

Setiap seni bina menawarkan pertukaran berbeza antara ketepatan, keperluan pengiraan, dan kelajuan inferens.

Jurutera industri sering menilai pelbagai seni bina sebelum memilih model terbaik untuk penyebaran pengeluaran.

Penyebaran Model Berasaskan Perkakasan

Salah satu cabaran terbesar dalam projek AI industri melibatkan pemindahan model yang dilatih di awan ke perkakasan tepi yang terhad sumber.

Model yang berprestasi sangat baik pada GPU awan mungkin menghadapi kesukaran apabila disebarkan pada gerbang industri atau pemproses terbenam.

SageMaker menyediakan alat yang membantu mengoptimumkan model untuk platform perkakasan sasaran.

Proses pengoptimuman ini mengurangkan keperluan memori, meningkatkan kelajuan inferens, dan meminimumkan penggunaan kuasa sambil mengekalkan ketepatan yang boleh diterima.

Keupayaan sedemikian menjadi sangat penting dalam persekitaran pembuatan berskala besar di mana ratusan atau ribuan peranti tepi mungkin beroperasi serentak.

Dalam Bahagian 2, kami akan mengkaji bagaimana AWS IoT Greengrass menyebarkan dan mengurus model ini di tepi industri, meneroka aliran kerja pengesanan kecacatan dari awan ke tepi, membincangkan seni bina pelaksanaan praktikal, dan mengulas kes penggunaan pembuatan dunia sebenar yang melibatkan PLC, sistem SCADA, platform DCS, dan program kualiti ramalan.

Membawa Model Pembelajaran Mesin ke Lantai Kilang dengan AWS IoT Greengrass

Melatih model pembelajaran mesin hanyalah sebahagian daripada perjalanan. Pengilang akhirnya memerlukan cara praktikal untuk menyebarkan, mengurus, memantau, dan mengemas kini model ini di seluruh kemudahan pengeluaran. Di sinilah AWS IoT Greengrass menjadi komponen penting dalam seni bina.

AWS IoT Greengrass berfungsi sebagai persekitaran runtime tepi yang membolehkan perisian, model pembelajaran mesin, dan aplikasi automasi beroperasi terus pada peranti industri. Daripada bergantung pada sambungan awan berterusan, Greengrass membenarkan pelaksanaan tempatan beban kerja inferens sambil mengekalkan penyelarasan dengan perkhidmatan awan berpusat.

Bagi kemudahan pembuatan, seni bina ini memberikan keseimbangan antara kebolehsuaian awan dan respons tempatan.

Peralatan pengeluaran boleh terus beroperasi walaupun semasa gangguan rangkaian sementara. Keputusan pemeriksaan kualiti kekal tersedia secara masa nyata, dan data operasi boleh diselaraskan dengan sistem awan setelah sambungan dipulihkan.

Keupayaan ini sangat berharga dalam persekitaran industri besar di mana barisan pengeluaran mungkin beroperasi merentasi beberapa bangunan, kemudahan jauh, atau tapak pembuatan yang diedarkan secara geografi.

Rajah 2. AWS IoT Greengrass membolehkan inferens pembelajaran mesin terus pada peranti tepi industri sambil mengekalkan integrasi awan.

Membina Saluran Pengesanan Kecacatan Industri dari Awan ke Tepi

Sistem pengesanan kecacatan yang berjaya memerlukan lebih daripada rangkaian neural yang dilatih. Pengilang mesti mewujudkan kitar hayat lengkap yang mengurus pemerolehan data, pembangunan model, pelaksanaan, pemantauan, dan penambahbaikan berterusan.

Seni bina pemeriksaan moden dari awan ke tepi biasanya mengikuti beberapa tahap.

Tahap 1: Pemerolehan Imej

Proses bermula dengan pengumpulan imej.

Kamera industri menangkap produk semasa mereka bergerak melalui peralatan pengeluaran, penghantar, stesen kerja robotik, atau sel pemasangan. Pemilihan kamera bergantung pada keperluan aplikasi dan mungkin melibatkan:

• Kamera imbasan kawasan
• Kamera imbasan garisan
• Kamera penglihatan 3D
• Sistem pengimejan terma
• Sensor pengimejan hiperspektral

Reka bentuk pencahayaan yang betul juga penting. Malah model pembelajaran mesin canggih menghadapi kesukaran apabila kualiti imej tidak konsisten.

Pelaksanaan yang berjaya sering merangkumi persekitaran pencahayaan terkawal yang meminimumkan bayang-bayang, pantulan, dan variasi cahaya sekitar.

Tahap 2: Pelabelan dan Anotasi Data

Setelah imej dikumpul, jurutera mencipta set data latihan.

Imej mesti mewakili dengan tepat kedua-dua keadaan operasi normal dan cacat. Banyak organisasi pada mulanya memandang rendah fasa ini. Sebenarnya, kualiti set data sering menentukan kejayaan projek lebih daripada pemilihan model.

Pengilang harus mengumpul sampel dari pelbagai syif pengeluaran, keadaan peralatan, kumpulan bahan mentah, dan senario persekitaran.

Kepelbagaian ini membantu memastikan ketahanan model selepas pelaksanaan.

Tahap 3: Latihan Model dalam SageMaker

Latihan dijalankan dalam Amazon SageMaker menggunakan sumber pengkomputeran awan.

Jurutera menilai pelbagai seni bina dan mengoptimumkan hiperparameter untuk meningkatkan prestasi.

Objektif pengoptimuman tipikal termasuk:

• Ketepatan pengesanan yang lebih tinggi
• Pengurangan positif palsu
• Pengurangan negatif palsu
• Kelajuan inferens yang lebih pantas
• Penggunaan memori yang lebih rendah

Persekitaran pembuatan sering mengutamakan kebolehpercayaan berbanding peningkatan ketepatan marginal. Model dengan ketepatan sedikit lebih rendah tetapi tingkah laku yang sangat boleh diramalkan mungkin mengatasi model yang secara teori lebih unggul dalam keadaan pengeluaran sebenar.

Tahap 4: Pelaksanaan Tepi

Selepas pengesahan, SageMaker membungkus model untuk pelaksanaan.

Greengrass mengedarkan model ke perkakasan tepi di mana inferens tempatan berlaku.

Bergantung pada aplikasi, sasaran pelaksanaan mungkin termasuk:

• PC industri
• Pintu masuk AI terbina dalam
• Pengawal tepi berasaskan ARM
• Pelayan tepi yang disokong GPU
• Komputer industri yang diintegrasikan ke dalam sistem penglihatan mesin

Inferens dijalankan secara tempatan, memberikan keputusan pemeriksaan dalam beberapa milisaat.

Tahap 5: Penambahbaikan Berterusan

Mungkin aspek paling berkuasa dalam seni bina ini adalah gelung maklum balas.

Peranti tepi boleh memuat naik imej terpilih dan metrik operasi kembali ke awan. Jurutera menyemak kes sukar, melabel data baru, melatih semula model, dan melancarkan versi yang dikemas kini.

Ini mewujudkan sistem pemeriksaan yang sentiasa diperbaiki yang menyesuaikan diri dengan keadaan pengeluaran yang berubah.

Integrasi Automasi Industri Melangkaui Penglihatan Mesin

Sistem pengesanan kecacatan memberikan nilai terbesar apabila diintegrasikan dengan infrastruktur automasi sedia ada.

Kamera berdiri sendiri yang hanya mengenal pasti kecacatan memberikan manfaat operasi yang terhad. Pengilang moden semakin menghubungkan sistem pemeriksaan terus ke kawalan pengeluaran.

Sebagai contoh, keputusan pemeriksaan boleh mencetuskan secara automatik:

• Mekanisme penolakan produk
• Sistem pengisihan robotik
• Pemberitahuan amaran
• Perlahan barisan pengeluaran
• Perintah kerja penyelenggaraan
• Sistem pelaporan kualiti

Banyak kemudahan mencapai integrasi ini melalui protokol komunikasi industri seperti EtherNet/IP, PROFINET, Modbus TCP, OPC UA, dan MQTT.

Sistem penglihatan mesin menjadi nod pintar lain dalam ekosistem automasi yang lebih luas.

Organisasi yang mengendalikan platform PLC moden sering mengintegrasikan keputusan pemeriksaan terus ke dalam logik kawalan. Sistem yang dibina sekitar pengawal Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon, atau Mitsubishi MELSEC boleh menggunakan data kecacatan dan mencetuskan tindak balas automatik.

Kemudahan yang menilai peningkatan pengawal atau projek pengembangan sering mengkaji perkakasan yang tersedia dalam kategori Sistem PLC & PAC untuk menyokong inisiatif AI industri masa depan.

Pengesanan Kecacatan dalam Persekitaran Pembuatan Berkelajuan Tinggi

Tidak setiap persekitaran pembuatan mempunyai keperluan yang sama.

Strategi pemeriksaan mesti selaras dengan kelajuan pengeluaran, kerumitan produk, dan objektif perniagaan.

Pembuatan Elektronik

Pengeluaran elektronik sering melibatkan kecacatan yang sangat kecil yang sukar dikenalpasti secara konsisten oleh pengendali manusia.

Sistem pembelajaran mesin boleh memeriksa:

• Sambungan penyolderan
• Jejak PCB
• Penempatan penyambung
• Orientasi komponen
• Pencemaran permukaan

Kerana jumlah pengeluaran tinggi, walaupun peningkatan kecil dalam ketepatan pengesanan boleh menghasilkan penjimatan kos yang besar.

Pembuatan Automotif

Loji automotif sering menggunakan sistem penglihatan mesin di seluruh pemasangan badan, pengecatan, pengeluaran kuasa, dan operasi pemasangan akhir.

Sistem pemeriksaan mungkin mengesan:

• Kecacatan cat
• Isu kualiti kimpalan
• Pengikat hilang
• Ketidaksejajaran komponen
• Kecacatan permukaan

Pemprosesan berasaskan tepi menjadi sangat penting kerana barisan pengeluaran beroperasi pada kelajuan tinggi dan tidak boleh menanggung kelewatan yang berlebihan.

Pemprosesan Makanan dan Minuman

Pengeluar makanan sering menggunakan penglihatan mesin untuk mengenal pasti kecacatan pembungkusan, isu pelabelan, risiko pencemaran, dan ketidakkonsistenan tahap isian.

Keputusan tempatan yang pantas membantu mengelakkan produk cacat daripada sampai ke proses pembungkusan dan pengedaran hiliran.

Pengeluaran Farmaseutikal

Industri yang dikawal selia memerlukan sistem pemeriksaan yang sangat boleh dipercayai.

Model pembelajaran mesin boleh menyokong aktiviti pengesahan dengan mengesan kecacatan pembungkusan, kesilapan pelabelan, pencemaran vial, dan ketidakkonsistenan produk sambil mengekalkan jejak audit terperinci.

AI Tepi dan Pengurusan Kualiti Ramalan

Banyak organisasi pada mulanya menggunakan sistem penglihatan mesin hanya untuk pemeriksaan lulus/gagal. Namun, dari masa ke masa, pengeluar sering menemui peluang yang jauh lebih besar.

Data kecacatan mengandungi maklumat berharga tentang prestasi proses.

Dengan menganalisis tren dalam kejadian kecacatan, pengeluar dapat mengenal pasti isu pengeluaran yang muncul sebelum tahap kualiti merosot dengan ketara.

Konsep ini kadang-kadang dipanggil kualiti ramalan.

Sebagai contoh, peningkatan kecacatan calar mungkin menunjukkan kehausan alat. Peningkatan bilangan penyimpangan dimensi mungkin mencadangkan pergeseran kalibrasi. Masalah kemasan permukaan boleh mendedahkan isu dengan peralatan pemprosesan hulu.

Apabila digabungkan dengan sistem pemantauan industri, data pengesanan kecacatan menjadi sumber tambahan kecerdasan operasi.

Organisasi yang bertanggungjawab terhadap kebolehpercayaan mesin berputar sering menggabungkan pemantauan kualiti dengan analisis getaran dan platform pemantauan keadaan aset. Dalam persekitaran ini, penyelesaian kesihatan mesin seperti yang terdapat dalam Portfolio Pemantauan Mesin sering melengkapi inisiatif penyelenggaraan ramalan yang lebih luas.

Pertimbangan Perkakasan untuk Penempatan AI Tepi Perindustrian

Memilih platform perkakasan yang sesuai kekal sebagai salah satu keputusan reka bentuk paling penting dalam mana-mana projek AI tepi.

Perkakasan ideal bergantung pada beberapa faktor:

• Resolusi imej
• Kelajuan pemeriksaan
• Kerumitan model
• Ketersediaan kuasa
• Keadaan persekitaran
• Keperluan skala

Kemudahan perindustrian semakin banyak menggunakan pemproses yang merangkumi unit pemprosesan neural khusus (NPU), pemecut grafik, dan enjin inferens AI.

Keupayaan ini meningkatkan prestasi pembelajaran mesin dengan ketara sambil mengurangkan penggunaan tenaga.

Platform seperti NXP i.MX 8M Plus menunjukkan bagaimana perkakasan terbenam terus berkembang khusus untuk menyokong beban kerja AI industri.

Seiring pengembangan penggunaan AI, pengoptimuman perkakasan menjadi semakin penting kerana pengeluar mesti mengimbangi prestasi, sokongan kitar hayat, keselamatan siber, dan jumlah kos pemilikan.

Pertimbangan Keselamatan Siber untuk Sistem Pemeriksaan yang Disambungkan

Setiap peranti industri yang disambungkan memperkenalkan risiko keselamatan siber yang berpotensi.

Sistem penglihatan mesin tidak terkecuali.

Organisasi yang melaksanakan seni bina pemeriksaan yang disambungkan ke awan harus menetapkan polisi keselamatan siber yang jelas merangkumi:

• Pengurusan identiti
• Pengesahan peranti
• Komunikasi disulitkan
• Segmentasi rangkaian
• Penampalan perisian
• Polisi kawalan akses

Banyak pengeluar sudah menerapkan prinsip ini di seluruh persekitaran OT mereka, termasuk rangkaian PLC, sistem SCADA, sistem kawalan teragih, dan sejarah industri.

Infrastruktur pembelajaran mesin harus mengikuti rangka kerja keselamatan siber yang sama.

Menghubungkan Sistem Pengesanan Kecacatan dengan SCADA, MES, dan Operasi Seluruh Kilang

Banyak pengeluar pada mulanya menggunakan sistem penglihatan mesin sebagai stesen pemeriksaan berdiri sendiri. Walaupun pendekatan ini boleh meningkatkan kawalan kualiti, nilai sebenar AI industri muncul apabila data pemeriksaan menjadi sebahagian daripada ekosistem operasi yang lebih besar.

Kemudahan pembuatan moden semakin menghubungkan sistem kualiti dengan platform Kawalan dan Pemerolehan Data Penyeliaan (SCADA), Sistem Pelaksanaan Pembuatan (MES), alat pelaporan perusahaan, dan sejarah kilang. Integrasi ini mengubah pengesanan kecacatan daripada fungsi kualiti reaktif menjadi platform kecerdasan operasi proaktif.

Apabila sistem penglihatan mesin mengenal pasti kecacatan, maklumat itu boleh diedarkan ke seluruh kilang secara masa nyata. Penyelia pengeluaran boleh memantau tren kualiti melalui papan pemuka SCADA, pasukan penyelenggaraan boleh menerima pemberitahuan automatik, dan jurutera proses boleh mengaitkan kecacatan dengan parameter mesin, keadaan persekitaran, atau perubahan bahan mentah.

Sebagai contoh, sebuah kemudahan pembungkusan mungkin mendapati bahawa kesilapan penempatan label meningkat apabila kelajuan penghantar melebihi ambang tertentu. Pengeluar automotif mungkin mengenal pasti korelasi antara kecacatan kimpalan dan pergeseran kalibrasi robot. Loji farmaseutikal boleh mengaitkan keabnormalan pembungkusan dengan tetapan peralatan tertentu atau kumpulan pengeluaran.

Tanpa integrasi, pandangan ini sering kekal tersembunyi dalam sistem pemeriksaan yang terasing.

Banyak organisasi menggunakan OPC UA sebagai lapisan komunikasi utama antara platform penglihatan mesin dan perisian industri tahap tinggi. MQTT juga semakin popular kerana seni bina ringannya dan kesesuaiannya untuk aplikasi Internet Perkara Industri (IIoT).

Semasa pengeluar terus mengejar inisiatif Industri 4.0, sistem pengesanan kecacatan sedang berkembang menjadi sumber data strategik yang menyokong pembuatan keputusan di seluruh perusahaan.

AI Awan Berbanding AI Edge: Mengapa Kebanyakan Kilang Memilih Pendekatan Hibrid

Organisasi industri sering bertanya sama ada aplikasi pembelajaran mesin harus dijalankan sepenuhnya di awan atau sepenuhnya di edge. Sebenarnya, majoriti penyebaran yang berjaya menggunakan seni bina hibrid yang menggabungkan kekuatan kedua-dua persekitaran.

Platform awan cemerlang dalam latihan model, penyimpanan data berskala besar, pengurusan berpusat, dan analitik jangka panjang. Latihan model pembelajaran mendalam sering memerlukan sumber pengkomputeran yang besar yang tidak praktikal untuk digunakan terus pada peralatan kilang.

Sistem edge, sebaliknya, menyediakan kepekaan yang diperlukan untuk operasi industri. Keputusan pemeriksaan sering perlu dibuat dalam milisaat. Barisan pengeluaran tidak boleh menunggu komunikasi awan sebelum menentukan sama ada produk lulus pemeriksaan.

Pertimbangkan satu barisan pemasangan elektronik yang menghasilkan ribuan papan litar bercetak setiap jam. Kamera pemeriksaan beresolusi tinggi mungkin menghasilkan terabait data imej dalam satu syif pengeluaran. Menghantar setiap imej ke platform awan jauh akan meningkatkan keperluan jalur lebar dan mencipta kelewatan yang tidak perlu.

Dengan memproses imej secara tempatan, hanya maklumat yang relevan perlu dihantar ke awan. Ini mengurangkan beban komunikasi dengan ketara sambil mengekalkan prestasi masa nyata.

Satu seni bina hibrid tipikal mengikuti aliran kerja yang mudah:

• Infrastruktur awan melatih dan mengesahkan model.
• SageMaker mengoptimumkan model untuk penyebaran.
• AWS IoT Greengrass mengedarkan model ke peranti edge.
• Peranti edge menjalankan inferens tempatan.
• Keputusan pemeriksaan terpilih dihantar kembali ke awan.
• Jurutera melatih semula dan memperbaiki model menggunakan data baru.

Gelung maklum balas ini membolehkan penambahbaikan berterusan tanpa mengorbankan prestasi pengeluaran.

Model hibrid juga menyokong operasi pengilangan pelbagai tapak di mana pasukan kejuruteraan berpusat mengurus aset pembelajaran mesin di pelbagai kemudahan.

Aplikasi Pengilangan Dunia Sebenar untuk Pengesanan Kecacatan Berasaskan Edge

Walaupun penglihatan mesin telah wujud selama beberapa dekad, kemajuan terkini dalam pembelajaran mesin telah meluaskan julat aplikasi pemeriksaan yang boleh diautomatikkan oleh pengeluar.

Pemeriksaan Badan Automotif

Pengeluar automotif mesti mengekalkan piawaian kosmetik dan dimensi yang ketat. Walaupun kecacatan cat kecil atau ketidakteraturan permukaan boleh menyebabkan aktiviti pembaikan yang mahal.

Sistem pembelajaran mesin boleh mengenal pasti kecacatan cat yang halus, calar, lekukan, dan ketidakkonsistenan salutan yang mungkin terlepas pandang oleh kaedah pemeriksaan tradisional.

Dengan melakukan inferens secara langsung di tepi, pengilang boleh menolak komponen cacat sebelum ia bergerak ke proses pemasangan hiliran.

Pembuatan Semikonduktor

Pembuatan semikonduktor menghadirkan beberapa keperluan pemeriksaan paling mencabar dalam industri moden. Kecacatan yang diukur dalam mikron boleh menjejaskan prestasi dan hasil produk.

Model pembelajaran mesin canggih membantu mengenal pasti pencemaran wafer, kecacatan litografi, dan anomali proses yang mungkin sukar dikesan menggunakan algoritma penglihatan konvensional.

Kerana kemudahan semikonduktor menghasilkan jumlah data imej yang besar, pemprosesan tepi membantu mengurangkan kesesakan rangkaian sambil mengekalkan kelajuan pemeriksaan.

Pengesahan Pembungkusan Makanan

Pengilang makanan dan minuman menghadapi tekanan yang meningkat untuk memastikan kualiti pembungkusan, kebolehlacakan, dan pematuhan peraturan.

Sistem pembelajaran mesin boleh mengesahkan:

• Ketepatan label
• Tarikh luput
• Integriti meterai
• Dimensi bungkusan
• Tahap pengisian
• Orientasi produk

Pemeriksaan ini berlaku secara berterusan pada kelajuan pengeluaran yang mustahil untuk dikekalkan oleh operator manual.

Pembuatan Bateri

Pertumbuhan pesat pengeluaran kenderaan elektrik telah meningkatkan permintaan untuk teknologi pemeriksaan bateri canggih.

Pengilang menggunakan penglihatan mesin dan pembelajaran mesin untuk mengesan kecacatan elektrod, ketidakkonsistenan salutan, pencemaran, dan isu pemasangan sepanjang proses pengeluaran bateri.

Kerana kecacatan bateri boleh menjejaskan prestasi dan keselamatan, ketepatan pemeriksaan kekal sebagai objektif operasi kritikal.

Membina Set Data Lebih Baik untuk Pembelajaran Mesin Industri

Banyak organisasi memberi tumpuan besar pada pemilihan model sambil mengabaikan kepentingan pembangunan set data. Sebenarnya, kualiti data latihan sering memberi impak lebih besar kepada kejayaan projek berbanding seni bina rangkaian neural tertentu yang digunakan.

Model pembelajaran mesin hanya boleh belajar daripada maklumat yang tersedia dalam set data latihannya. Jika senario kecacatan kritikal tiada, model mungkin menghadapi kesukaran apabila keadaan tersebut muncul dalam pengeluaran.

Set data industri yang berjaya biasanya merangkumi:

• Sampel pengeluaran biasa
• Keadaan kecacatan jarang
• Pelbagai persekitaran pencahayaan
• Syif pengeluaran yang berbeza
• Variasi bermusim
• Keadaan haus peralatan
• Variasi bahan mentah
• Perubahan proses berkaitan penyelenggaraan

Pengilang juga harus sentiasa mengembangkan set data selepas pelaksanaan.

Salah satu kelebihan ekosistem SageMaker dan Greengrass adalah kemampuannya untuk mewujudkan mekanisme maklum balas antara operasi pengeluaran dan pasukan pembangunan model. Kes pemeriksaan yang sukar boleh disemak semula, dilabel semula, dan dimasukkan ke dalam kitaran latihan masa depan.

Proses ini secara beransur-ansur meningkatkan prestasi model sambil mengurangkan positif palsu dan negatif palsu.

Organisasi yang menganggap pembelajaran mesin sebagai keupayaan operasi berterusan dan bukan projek sekali sahaja biasanya mencapai hasil jangka panjang terbaik.

AI Industri Akan Menjadi Alat Kualiti Standard

Pembelajaran mesin, pengkomputeran tepi, dan automasi industri sedang bergabung dengan pantas. Apa yang dahulunya dianggap teknologi eksperimen kini menjadi alat praktikal untuk meningkatkan kualiti, mengurangkan pembaziran, dan meningkatkan kecekapan operasi.

Apabila perkakasan pengkomputeran menjadi lebih berkuasa dan rangka kerja pembelajaran mesin menjadi lebih mudah untuk dilaksanakan, pengeluar dari semua saiz boleh memanfaatkan sistem pengesanan kecacatan yang canggih.

Platform seperti Amazon SageMaker dan AWS IoT Greengrass menyediakan infrastruktur yang diperlukan untuk memindahkan pembelajaran mesin dari persekitaran penyelidikan ke kemudahan pengeluaran sebenar.

Pelaksanaan yang paling berjaya bukan sahaja akan mengenal pasti produk yang cacat. Ia akan membantu pengeluar memahami mengapa kecacatan berlaku, meramalkan isu kualiti sebelum ia memburuk, dan mengoptimumkan proses pengeluaran secara berterusan.

Dalam beberapa tahun akan datang, penglihatan mesin berasaskan tepi mungkin akan menjadi sama biasa di barisan pengeluaran seperti PLC, HMI, rangkaian industri, dan sistem SCADA hari ini. Kemudahan yang mula membina keupayaan ini sekarang akan berada dalam kedudukan lebih baik untuk meningkatkan kualiti, memaksimumkan hasil, dan bersaing dalam pasaran pembuatan yang semakin berasaskan data.

Masa Depan Pengesanan Kecacatan Industri

Pengesanan kecacatan industri terus berkembang daripada analisis imej mudah ke arah sistem kualiti yang pintar dan adaptif.

Kemajuan dalam pembelajaran mesin, pengkomputeran tepi, rangkaian industri, dan infrastruktur awan membolehkan pengeluar memeriksa produk dengan lebih pantas dan lebih tepat daripada sebelum ini.

Teknologi seperti Amazon SageMaker dan AWS IoT Greengrass membantu merapatkan jurang antara pembangunan model berasaskan awan dan pelaksanaan kilang sebenar. Bersama-sama, mereka menyediakan alat kepada pengeluar untuk membina sistem pemeriksaan yang boleh diskalakan yang dapat belajar daripada data operasi dan sentiasa memperbaiki dari masa ke masa.

Apabila organisasi industri meneruskan inisiatif transformasi digital, pengesanan kecacatan akan semakin menjadi sebahagian daripada strategi pembuatan pintar yang lebih luas yang menggabungkan penglihatan mesin, penyelenggaraan ramalan, pengoptimuman proses, dan analitik operasi.

Hasilnya bukan sekadar kawalan kualiti yang lebih baik. Ia adalah persekitaran pengeluaran yang lebih pintar di mana keputusan berasaskan data dibuat di tepi, berhampiran dengan peralatan, produk, dan proses yang menjana nilai.