Промышленное машинное зрение: использование периферийного ИИ для обнаружения дефектов в реальном времени

AWS IoT Greengrass и Amazon SageMaker представляют собой один из подходов к развертыванию моделей машинного обучения на промышленной периферии. Однако более широкая тенденция выходит далеко за рамки экосистемы одного поставщика. Производители в автомобильной промышленности, полупроводниковой отрасли, пищевой промышленности и процессных производствах всё чаще внедряют периферийный ИИ и технологии машинного зрения для совершенствования контроля качества и обнаружения дефектов.

Почему обнаружение производственных дефектов перемещается на периферийные устройства

Производители продолжают стремиться к повышению качества продукции, снижению эксплуатационных расходов и увеличению эффективности производства. По мере того как производственные линии становятся быстрее и автоматизированнее, традиционные методы контроля с трудом справляются с современными требованиями к производительности. Человеческий контроль по-прежнему ценен во многих отраслях, но он часто приводит к непостоянству результатов, ошибкам из-за усталости и ограничениям масштабируемости.

Одновременно промышленные предприятия теперь генерируют огромные объёмы эксплуатационных данных с помощью датчиков, камер, контроллеров и подключённых устройств. Эти источники данных создают возможности для расширенной аналитики и приложений машинного обучения, способных выявлять проблемы с качеством задолго до того, как продукция попадёт к клиентам.

Одним из наиболее значимых достижений последних лет стало развертывание моделей машинного обучения непосредственно на промышленной периферии. Вместо отправки каждого изображения на удалённую облачную платформу для анализа производители могут выполнять обнаружение дефектов локально — на промышленных компьютерах, встроенных процессорах и периферийных шлюзах, установленных рядом с производственным оборудованием.

Такой подход значительно сокращает задержку и повышает быстродействие системы. Производственное оборудование может немедленно реагировать на обнаруженные дефекты, отбраковывать несоответствующую продукцию, подавать сигналы тревоги или инициировать корректирующие действия, не дожидаясь обработки в облаке.

Облачные платформы по-прежнему необходимы для обучения, управления и совершенствования моделей машинного обучения. Однако периферийные вычисления позволяют предприятиям выполнять вывод в реальном времени там, где генерируются данные. Такое сочетание облачного интеллекта и выполнения операций на периферии стало мощной архитектурой для промышленной автоматизации.

Среди ведущих технологий, поддерживающих эту архитектуру, — Amazon SageMaker и AWS IoT Greengrass. Вместе эти платформы предоставляют среду для создания, развертывания, мониторинга и постоянного совершенствования моделей машинного обучения, используемых в приложениях для обнаружения производственных дефектов.

Рисунок 1. Автоматизированные системы машинного зрения обеспечивают высокоскоростной контроль качества на современных производственных предприятиях.

Понимание проблемы обнаружения промышленных дефектов

На первый взгляд обнаружение дефектов кажется простой задачей. Камера делает снимок, программное обеспечение оценивает изделие, а система определяет, прошло ли оно контроль. Однако на практике условия промышленного контроля создают множество технических проблем.

Продукция движется с разной скоростью. Условия освещения меняются в течение дня. Поверхности из разных материалов могут по-разному отражать свет. Производственные допуски могут приводить к небольшим различиям между приемлемыми изделиями. Пыль, вибрация, колебания температуры и условия окружающей среды могут ещё больше усложнять получение изображений.

Поэтому производители должны разрабатывать системы контроля, способные отличать нормальные производственные отклонения от фактических дефектов.

К распространённым производственным дефектам относятся:

• Царапины на поверхности
• Трещины и разломы
• Отсутствующие компоненты
• Ошибки сборки
• Некачественные сварные швы
• Дефекты лакокрасочного покрытия
• Пузырьки и пустоты
• Отклонения размеров
• Дефекты упаковки
• Ошибки маркировки

В таких отраслях, как автомобилестроение, производство полупроводников, фармацевтика, пищевая промышленность, сборка электроники и энергетика, обнаружение дефектов напрямую влияет на прибыльность и удовлетворённость клиентов.

Пропущенный дефект может привести к гарантийным претензиям, инцидентам, связанным с безопасностью, отзыву продукции, регуляторным штрафам или ущербу репутации бренда. И наоборот, чрезмерно строгие критерии контроля могут увеличить долю брака и снизить эффективность производства.

Машинное обучение помогает решать эти задачи, изучая закономерности в больших наборах данных, а не полагаясь исключительно на запрограммированные вручную правила контроля.

Машинное зрение вышло за рамки традиционного контроля на основе правил

Традиционные системы машинного зрения в значительной степени полагаются на детерминированные алгоритмы обработки изображений. Инженеры вручную задают пороговые значения, параметры обнаружения границ, геометрические измерения и правила распознавания признаков.

Эти подходы остаются эффективными для многих приложений. Однако их становится всё труднее поддерживать, когда продукция существенно варьируется или дефекты проявляются в непредсказуемых формах.

Современные модели машинного обучения предлагают принципиально иной подход.

Вместо того чтобы вручную задавать каждое правило контроля, инженеры обучают модели на тысячах или даже миллионах эталонных изображений. Система изучает характеристики, отличающие качественную продукцию от дефектной.

Это позволяет системам машинного обучения обнаруживать тонкие закономерности, которые обычным алгоритмам компьютерного зрения бывает трудно выявить.

В системах промышленного контроля качества часто применяются несколько подходов машинного обучения.

Классификация изображений

Модели классификации определяют, относится ли изображение к определённой категории.

Например, модель может классифицировать продукцию следующим образом:

• Годен
• Брак
• Повреждённый
• Неполный
• С нарушением выравнивания

Классификация часто является самой простой моделью развертывания и служит эффективной отправной точкой для многих производственных приложений.

Обнаружение объектов

Обнаружение объектов расширяет возможности классификации, определяя как наличие, так и местоположение дефекта.

Вместо простого сообщения о наличии дефекта модель определяет, где именно на изображении он находится.

Эта возможность позволяет специалистам по техническому обслуживанию и инженерам по качеству лучше понимать проблемы процессов и их первопричины.

Семантическая сегментация

Семантическая сегментация обеспечивает попиксельный анализ.

Каждому пикселю присваивается классификационная метка, что позволяет системе определить точные границы дефекта.

Модели сегментации особенно полезны, когда производителям нужна подробная информация о размерах трещин, областях коррозии, дефектах покрытия или неоднородностях материала.

Передовые методы сегментации могут поддерживать инициативы по прогнозированию качества, в рамках которых закономерности развития дефектов становятся частью более масштабных усилий по оптимизации процессов.

Почему периферийный ИИ важен для промышленной автоматизации

Многие промышленные предприятия по-прежнему работают в условиях строгих требований к надежности. Производственные линии часто функционируют непрерывно в течение длительных периодов и не могут полностью зависеть от подключения к облаку.

Отправка каждого изображения с результатами контроля на удаленный сервер создает ряд ограничений:

• Задержка сети
• Потребление пропускной способности
• Затраты на облачную обработку
• Проблемы кибербезопасности
• Риски подключения

Рассмотрим предприятие по розливу, выпускающее тысячи емкостей в минуту. Камеры высокого разрешения могут генерировать гигабайты данных изображений каждый час.

Передача каждого изображения в облако становится дорогостоящей и избыточной.

Вместо этого периферийный вывод позволяет принимать решения локально, передавая централизованным системам только релевантную информацию.

Такая архитектура тесно соответствует современным стратегиям промышленной автоматизации, в рамках которых системы операционных технологий (OT) все чаще интегрируются с инфраструктурой информационных технологий (IT).

Промышленный периферийный ИИ может поддерживать множество сред автоматизации, включая:

• Производственные линии под управлением ПЛК
• Технологические установки на базе DCS
• Системы мониторинга SCADA
• Сети мониторинга турбин
• Упаковочное оборудование
• Роботизированные сборочные ячейки
• Системы автоматизации складов

Многие предприятия уже используют платформы автоматизации от крупных поставщиков промышленного оборудования. Решения периферийного ИИ могут сосуществовать с такими системами, как Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV и Yokogawa CENTUM VP.

В таких средах системы машинного зрения становятся еще одним источником операционной информации, поддерживающим общие производственные цели.

Роль Amazon SageMaker в промышленном машинном обучении

Amazon SageMaker предоставляет облачную среду для создания, обучения, оптимизации, развертывания и управления моделями машинного обучения.

Одно из его основных преимуществ заключается в том, что он упрощает множество задач, традиционно связанных с разработкой решений машинного обучения.

Специалисты по обработке данных и инженеры могут сосредоточиться на производительности моделей, а не на управлении инфраструктурой.

В производственной среде SageMaker может поддерживать весь жизненный цикл машинного обучения.

Сбор и подготовка данных

Основой любого успешного проекта по обнаружению дефектов является высококачественный набор данных.

Производители обычно устанавливают промышленные камеры в стратегически важных точках контроля вдоль производственных линий. Эти камеры снимают изображения как соответствующих требованиям, так и дефектных изделий.

Затем собранные изображения необходимо разметить и систематизировать.

Точность разметки напрямую влияет на производительность модели. Некачественно размеченные наборы данных часто приводят к ложноположительным и ложноотрицательным результатам при развертывании.

Для приложений обнаружения дефектов инженеры часто создают аннотации, указывающие:

• Тип дефекта
• Местоположение дефекта
• Степень серьезности дефекта
• Категория продукта
• Информация о производственной партии

По мере роста наборов данных производители могут постоянно повышать точность моделей, добавляя дополнительные производственные сценарии.

Обучение и оптимизация моделей

Для обучения моделей машинного обучения требуются значительные вычислительные ресурсы.

Именно здесь облачная инфраструктура дает существенные преимущества.

Вместо инвестирования в выделенные локальные серверы ИИ производители могут использовать масштабируемые облачные ресурсы для более эффективного обучения моделей.

SageMaker поддерживает различные фреймворки и архитектуры моделей, широко используемые в приложениях промышленного машинного зрения.

К популярным архитектурам нейронных сетей относятся:

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

Каждая архитектура предлагает свои компромиссы между точностью, вычислительными требованиями и скоростью инференса.

Промышленные инженеры часто оценивают несколько архитектур, прежде чем выбрать оптимальную модель для развертывания в производственной среде.

Развертывание моделей с учетом аппаратного обеспечения

Одной из главных проблем проектов промышленного ИИ является перенос моделей, обученных в облаке, на периферийное оборудование с ограниченными ресурсами.

Модель, исключительно хорошо работающая на облачном графическом процессоре, может испытывать трудности при развертывании на промышленном шлюзе или встроенном процессоре.

SageMaker предоставляет инструменты, помогающие оптимизировать модели для целевых аппаратных платформ.

Этот процесс оптимизации снижает требования к памяти, ускоряет выполнение инференса и минимизирует энергопотребление при сохранении приемлемой точности.

Такие возможности особенно важны в крупномасштабных производственных средах, где одновременно могут работать сотни или тысячи периферийных устройств.

В части 2 мы рассмотрим, как AWS IoT Greengrass разворачивает эти модели и управляет ими на промышленном периферийном уровне, изучим процессы обнаружения дефектов от облака до периферии, обсудим практические архитектуры реализации и рассмотрим реальные примеры применения в производстве, связанные с ПЛК, системами SCADA, платформами DCS и программами прогнозирования качества.

Вывод моделей машинного обучения на производство с помощью AWS IoT Greengrass

Обучение модели машинного обучения — лишь часть пути. В конечном итоге производителям нужен практичный способ развертывать, управлять, отслеживать и обновлять эти модели на производственных объектах. Именно здесь AWS IoT Greengrass становится важнейшим компонентом архитектуры.

AWS IoT Greengrass служит средой выполнения на периферии, позволяющей программному обеспечению, моделям машинного обучения и приложениям автоматизации работать непосредственно на промышленных устройствах. Вместо постоянной зависимости от подключения к облаку Greengrass обеспечивает локальное выполнение задач вывода, сохраняя синхронизацию с централизованными облачными сервисами.

Для производственных предприятий эта архитектура обеспечивает баланс между масштабируемостью облака и оперативностью локальной обработки.

Производственное оборудование может продолжать работать даже при временных перебоях в сети. Решения о контроле качества остаются доступными в режиме реального времени, а эксплуатационные данные могут синхронизироваться с облачными системами после восстановления подключения.

Эта возможность особенно ценна в крупных промышленных средах, где производственные линии могут работать в нескольких зданиях, удаленных объектах или географически распределенных производственных площадках.

Рисунок 2. AWS IoT Greengrass обеспечивает выполнение машинного обучения непосредственно на промышленных периферийных устройствах, сохраняя интеграцию с облаком.

Построение конвейера обнаружения промышленных дефектов от облака до периферии

Для успешного обнаружения дефектов требуется больше, чем обученная нейронная сеть. Производители должны создать полный жизненный цикл, охватывающий получение данных, разработку модели, развертывание, мониторинг и непрерывное совершенствование.

Современная архитектура инспекции от облака до периферии обычно включает несколько этапов.

Этап 1: Получение изображений

Процесс начинается со сбора изображений.

Промышленные камеры снимают продукцию по мере ее перемещения через производственное оборудование, конвейеры, роботизированные рабочие станции или сборочные ячейки. Выбор камеры зависит от требований приложения и может включать:

• Камеры построчного сканирования
• Камеры линейного сканирования
• Камеры 3D-визуализации
• Системы тепловизионной съемки
• Гиперспектральные датчики изображения

Правильная разработка системы освещения не менее важна. Даже современные модели машинного обучения испытывают трудности, когда качество изображений непостоянно.

В успешно работающих системах часто используется контролируемое освещение, минимизирующее тени, отражения и изменения окружающего освещения.

Этап 2: Разметка и аннотирование данных

После сбора изображений инженеры создают наборы данных для обучения.

Изображения должны точно отражать как нормальные, так и дефектные условия работы. Многие организации поначалу недооценивают этот этап. На практике качество набора данных часто в большей степени определяет успех проекта, чем выбор модели.

Производителям следует собирать образцы в разные производственные смены, при различных состояниях оборудования, из разных партий сырья и в различных условиях окружающей среды.

Это разнообразие помогает обеспечить устойчивость модели после развертывания.

Этап 3: Обучение модели в SageMaker

Обучение выполняется в Amazon SageMaker с использованием облачных вычислительных ресурсов.

Инженеры оценивают несколько архитектур и оптимизируют гиперпараметры, чтобы повысить производительность.

Типичные цели оптимизации включают:

• Более высокая точность обнаружения
• Меньше ложноположительных результатов
• Меньше ложноотрицательных результатов
• Более высокая скорость вывода
• Меньшее потребление памяти

В производственных условиях часто отдают приоритет надёжности, а не незначительному повышению точности. Модель с немного меньшей точностью, но предсказуемым поведением может превосходить теоретически более совершенную модель в реальных производственных условиях.

Этап 4: Развёртывание на периферии

После проверки SageMaker упаковывает модель для развёртывания.

Greengrass распространяет модель на периферийное оборудование, где выполняется локальный вывод.

В зависимости от приложения целевые платформы развёртывания могут включать:

• Промышленные ПК
• Встроенные шлюзы ИИ
• Периферийные контроллеры на базе ARM
• Периферийные серверы с графическими процессорами
• Промышленные компьютеры, интегрированные в системы машинного зрения

Вывод выполняется локально, обеспечивая получение результатов инспекции за миллисекунды.

Этап 5: Непрерывное совершенствование

Возможно, самым мощным аспектом этой архитектуры является цикл обратной связи.

Периферийные устройства могут загружать выбранные изображения и эксплуатационные показатели обратно в облако. Инженеры анализируют сложные случаи, размечают новые данные, переобучают модели и развёртывают обновлённые версии.

Это создаёт постоянно совершенствующуюся систему инспекции, которая адаптируется к изменяющимся условиям производства.

Интеграция промышленной автоматизации за пределами машинного зрения

Системы обнаружения дефектов приносят наибольшую пользу, когда интегрированы в существующую инфраструктуру автоматизации.

Автономная камера, которая просто выявляет дефекты, приносит ограниченную пользу для производства. Современные производители всё чаще подключают системы инспекции непосредственно к средствам управления производством.

Например, результат инспекции может автоматически запускать:

• Механизмы отбраковки продукции
• Роботизированные системы сортировки
• Уведомления о тревогах
• Замедление производственной линии
• Задания на техническое обслуживание
• Системы формирования отчётов о качестве

Многие предприятия обеспечивают эту интеграцию с помощью промышленных протоколов связи, таких как EtherNet/IP, PROFINET, Modbus TCP, OPC UA и MQTT.

Система машинного зрения становится ещё одним интеллектуальным узлом в более широкой экосистеме автоматизации.

Организации, использующие современные платформы PLC, часто интегрируют результаты инспекции непосредственно в логику управления. Системы на базе контроллеров Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon или Mitsubishi MELSEC могут обрабатывать данные о дефектах и запускать автоматические ответные действия.

Предприятия, оценивающие модернизацию контроллеров или проекты расширения, часто рассматривают доступное оборудование в категории систем PLC и PAC для поддержки будущих инициатив в области промышленного ИИ.

Обнаружение дефектов в условиях высокоскоростного производства

Не все производственные среды предъявляют одинаковые требования.

Стратегии контроля должны соответствовать скорости производства, сложности продукции и бизнес-целям.

Производство электроники

Производство электроники часто связано с чрезвычайно мелкими дефектами, которые операторам трудно стабильно выявлять вручную.

Системы машинного обучения могут проверять:

• Паяные соединения
• Трассы печатной платы
• Расположение разъемов
• Ориентация компонентов
• Загрязнение поверхности

Поскольку объемы производства высоки, даже небольшое повышение точности обнаружения может обеспечить значительную экономию затрат.

Автомобильное производство

Автомобильные заводы часто внедряют системы технического зрения на участках сборки кузова, окраски, производства силовых агрегатов и финальной сборки.

Системы контроля могут выявлять:

• Дефекты окраски
• Проблемы с качеством сварки
• Отсутствующие крепежные элементы
• Нарушение центровки компонентов
• Дефекты поверхности

Обработка на периферии становится особенно важной, поскольку производственные линии работают на высоких скоростях и не допускают чрезмерных задержек.

Производство продуктов питания и напитков

Производители продуктов питания часто используют системы технического зрения для выявления дефектов упаковки, проблем с маркировкой, рисков загрязнения и несоответствий уровня наполнения.

Быстрое принятие решений на периферии помогает предотвращать попадание дефектной продукции на последующие этапы упаковки и дистрибуции.

Фармацевтическое производство

Регулируемые отрасли требуют высоконадежных систем контроля.

Модели машинного обучения могут поддерживать процессы валидации, выявляя дефекты упаковки, ошибки маркировки, загрязнение флаконов и несоответствия продукции, одновременно сохраняя подробные журналы аудита.

Пограничный ИИ и предиктивное управление качеством

Многие организации изначально внедряют системы технического зрения исключительно для контроля по принципу «годен/не годен». Однако со временем производители часто обнаруживают гораздо более широкие возможности.

Данные о дефектах содержат ценную информацию о производительности процесса.

Анализируя тенденции возникновения дефектов, производители могут выявлять возникающие проблемы в производстве до того, как уровень качества существенно ухудшится.

Эту концепцию иногда называют предиктивным управлением качеством.

Например, увеличение числа дефектов в виде царапин может указывать на износ инструмента. Рост количества отклонений размеров может свидетельствовать о смещении калибровки. Проблемы с качеством поверхности могут выявить неполадки в оборудовании для предыдущих этапов обработки.

При интеграции с промышленными системами мониторинга данные об обнаружении дефектов становятся дополнительным источником оперативной информации.

Организации, отвечающие за надежность вращающегося оборудования, часто объединяют мониторинг качества с анализом вибрации и платформами мониторинга состояния активов. В таких условиях решения для контроля состояния оборудования, представленные, например, в портфеле мониторинга оборудования, часто дополняют более масштабные инициативы по предиктивному обслуживанию.

Аспекты аппаратного обеспечения при внедрении промышленного периферийного ИИ

Выбор подходящей аппаратной платформы остаётся одним из важнейших проектных решений в любом проекте периферийного ИИ.

Идеальное аппаратное обеспечение зависит от нескольких факторов:

• Разрешение изображения
• Скорость инспекции
• Сложность модели
• Доступность электропитания
• Условия окружающей среды
• Требования к масштабируемости

На промышленных предприятиях всё чаще внедряются процессоры со специализированными нейронными процессорами (NPU), графическими ускорителями и движками вывода ИИ.

Эти возможности значительно повышают производительность машинного обучения и одновременно снижают энергопотребление.

Такие платформы, как NXP i.MX 8M Plus, показывают, как встраиваемое оборудование продолжает развиваться специально для поддержки промышленных рабочих нагрузок ИИ.

По мере расширения внедрения ИИ оптимизация аппаратного обеспечения становится всё более важной, поскольку производителям необходимо находить баланс между производительностью, поддержкой на протяжении жизненного цикла, кибербезопасностью и совокупной стоимостью владения.

Аспекты кибербезопасности подключённых инспекционных систем

Каждое подключённое промышленное устройство создаёт потенциальные риски для кибербезопасности.

Системы машинного зрения не являются исключением.

Организации, внедряющие архитектуры инспекционных систем с подключением к облаку, должны разработать чёткие политики кибербезопасности, охватывающие:

• Управление идентификацией
• Аутентификация устройств
• Зашифрованные коммуникации
• Сегментация сети
• Установка программных исправлений
• Политики управления доступом

Многие производители уже применяют эти принципы во всех своих OT-средах, включая сети PLC, системы SCADA, распределённые системы управления и промышленные архиваторы.

Инфраструктура машинного обучения должна соответствовать той же структуре кибербезопасности.

Подключение систем обнаружения дефектов к SCADA, MES и операциям всего предприятия

Многие производители изначально внедряют системы машинного зрения как автономные инспекционные станции. Хотя такой подход может повысить эффективность контроля качества, истинная ценность промышленного ИИ раскрывается, когда данные инспекций становятся частью более широкой операционной экосистемы.

Современные производственные предприятия всё чаще интегрируют системы управления качеством с платформами диспетчерского управления и сбора данных (SCADA), системами управления производством (MES), корпоративными инструментами формирования отчётности и производственными архиваторами. Такая интеграция превращает обнаружение дефектов из реактивной функции контроля качества в проактивную платформу операционной аналитики.

Когда система машинного зрения обнаруживает дефект, информация может в реальном времени распространяться по всему предприятию. Руководители производства могут отслеживать тенденции качества через панели мониторинга SCADA, технические службы могут получать автоматические уведомления, а инженеры-технологи — сопоставлять дефекты с параметрами оборудования, условиями окружающей среды или изменениями сырья.

Например, на упаковочном предприятии могут обнаружить, что ошибки размещения этикеток учащаются, когда скорость конвейера превышает определенный порог. Производитель автомобилей может выявить корреляцию между дефектами сварки и дрейфом калибровки роботов. Фармацевтическое предприятие может связать отклонения в упаковке с определенными настройками оборудования или производственными партиями.

Без интеграции эта аналитическая информация часто остается скрытой в изолированных системах инспекции.

Многие организации используют OPC UA в качестве основного коммуникационного уровня между платформами машинного зрения и промышленным программным обеспечением более высокого уровня. MQTT также становится все более популярным благодаря легковесной архитектуре и пригодности для приложений промышленного Интернета вещей (IIoT).

По мере того как производители продолжают реализовывать инициативы Индустрии 4.0, системы обнаружения дефектов превращаются в стратегические источники данных, поддерживающие принятие решений на уровне всего предприятия.

Облачный ИИ и периферийный ИИ: почему большинство заводов выбирают гибридный подход

Промышленные организации часто задаются вопросом, должны ли приложения машинного обучения работать полностью в облаке или полностью на периферии. В действительности большинство успешных внедрений используют гибридную архитектуру, объединяющую преимущества обеих сред.

Облачные платформы превосходно подходят для обучения моделей, крупномасштабного хранения данных, централизованного управления и долгосрочной аналитики. Обучение моделей глубокого обучения часто требует значительных вычислительных ресурсов, которые было бы непрактично развертывать непосредственно на заводском оборудовании.

Периферийные системы, напротив, обеспечивают необходимую для промышленных операций скорость реакции. Решения об инспекции часто необходимо принимать за миллисекунды. Производственные линии не могут ждать связи с облаком, прежде чем определить, прошел ли продукт проверку.

Рассмотрим линию сборки электроники, выпускающую тысячи печатных плат каждый час. Камеры инспекции высокого разрешения могут генерировать терабайты данных изображений за одну производственную смену. Отправка каждого изображения на удаленную облачную платформу увеличила бы требования к пропускной способности и создала ненужные задержки.

При локальной обработке изображений в облако необходимо передавать только релевантную информацию. Это значительно снижает нагрузку на каналы связи и одновременно сохраняет производительность в реальном времени.

Типичная гибридная архитектура включает простой рабочий процесс:

• Облачная инфраструктура обучает и проверяет модели.
• SageMaker оптимизирует модели для развертывания.
• AWS IoT Greengrass распространяет модели на периферийные устройства.
• Периферийные устройства выполняют локальный вывод.
• Выбранные результаты инспекции возвращаются в облако.
• Инженеры переобучают и совершенствуют модели с использованием новых данных.

Этот цикл обратной связи обеспечивает непрерывное совершенствование без ущерба для производительности.

Гибридная модель также поддерживает работу производственных предприятий на нескольких площадках, где централизованные инженерные команды управляют ресурсами машинного обучения на многочисленных объектах.

Практические применения обнаружения дефектов на основе периферийных вычислений в производстве

Хотя машинное зрение существует уже несколько десятилетий, последние достижения в области машинного обучения расширили спектр контрольных задач, которые производители могут автоматизировать.

Контроль кузова автомобиля

Производители автомобилей должны соблюдать строгие стандарты внешнего вида и размеров. Даже незначительные дефекты окраски или неровности поверхности могут привести к дорогостоящим работам по доработке.

Системы машинного обучения могут выявлять незначительные дефекты окраски, царапины, вмятины и неоднородности покрытия, которые традиционные методы контроля могут пропустить.

Выполняя инференс непосредственно на периферии, производители могут отбраковывать дефектные компоненты до их передачи на последующие этапы сборки.

Производство полупроводников

Производство полупроводников предъявляет одни из самых высоких требований к контролю в современной промышленности. Дефекты размером в несколько микрон могут влиять на производительность и выход годных изделий.

Передовые модели машинного обучения помогают выявлять загрязнение пластин, дефекты литографии и аномалии процессов, которые может быть сложно обнаружить с помощью традиционных алгоритмов машинного зрения.

Поскольку предприятия по производству полупроводников создают огромные объёмы данных изображений, обработка на периферии помогает снизить нагрузку на сеть, сохраняя пропускную способность контроля.

Контроль упаковки продуктов питания

Производители продуктов питания и напитков сталкиваются с растущим давлением, требующим обеспечить качество упаковки, прослеживаемость и соблюдение нормативных требований.

Системы машинного обучения могут проверять:

• Точность маркировки
• Сроки годности
• Целостность упаковки
• Размеры упаковки
• Уровни наполнения
• Ориентация продукта

Эти проверки выполняются непрерывно на производственных скоростях, которые невозможно поддерживать при ручной работе операторов.

Производство аккумуляторов

Быстрый рост производства электромобилей повысил спрос на передовые технологии контроля аккумуляторов.

Производители используют машинное зрение и машинное обучение для выявления дефектов электродов, неоднородностей покрытия, загрязнений и проблем сборки на всех этапах производства аккумуляторов.

Поскольку дефекты аккумуляторов могут влиять как на производительность, так и на безопасность, точность контроля остаётся важнейшей операционной целью.

Создание более качественных наборов данных для промышленного машинного обучения

Многие организации уделяют большое внимание выбору модели, упуская из виду важность разработки набора данных. На практике качество обучающих данных часто сильнее влияет на успех проекта, чем конкретная используемая архитектура нейронной сети.

Модель машинного обучения может обучаться только на информации, доступной в её обучающем наборе данных. Если критически важные сценарии появления дефектов отсутствуют, модель может испытывать трудности, когда такие условия возникнут в производстве.

Успешные промышленные наборы данных обычно включают:

• Образцы нормального производства
• Редкие случаи появления дефектов
• Различные условия освещения
• Разные производственные смены
• Сезонные вариации
• Состояние износа оборудования
• Вариации сырья
• Изменения процессов, связанные с техническим обслуживанием

Производителям также следует постоянно расширять наборы данных после внедрения системы.

Одно из преимуществ экосистемы SageMaker и Greengrass — возможность создать механизм обратной связи между производственными подразделениями и командами разработки моделей. Сложные случаи контроля можно анализировать, переатрибутировать и включать в последующие циклы обучения.

Этот процесс постепенно повышает производительность моделей, одновременно сокращая количество ложноположительных и ложноотрицательных результатов.

Организации, которые рассматривают машинное обучение как постоянно действующую операционную возможность, а не как разовый проект, обычно достигают наилучших долгосрочных результатов.

Промышленный ИИ станет стандартным инструментом контроля качества

Машинное обучение, периферийные вычисления и промышленная автоматизация стремительно сближаются. То, что когда-то считалось экспериментальной технологией, становится практическим инструментом повышения качества, сокращения отходов и увеличения операционной эффективности.

По мере того как вычислительное оборудование становится мощнее, а фреймворки машинного обучения — проще в развёртывании, производители любого масштаба смогут использовать передовые системы обнаружения дефектов.

Такие платформы, как Amazon SageMaker и AWS IoT Greengrass, предоставляют инфраструктуру, необходимую для переноса машинного обучения из исследовательских сред на реальные производственные объекты.

Наиболее успешные внедрения будут не просто выявлять дефектную продукцию. Они помогут производителям понять, почему возникают дефекты, прогнозировать проблемы с качеством до их усугубления и непрерывно оптимизировать производственные процессы.

В ближайшие годы машинное зрение на периферии, вероятно, станет таким же распространённым на производственных линиях, как сегодня ПЛК, HMI, промышленные сети и системы SCADA. Предприятия, которые уже сейчас начнут развивать эти возможности, окажутся в лучшем положении для повышения качества, максимизации выхода годной продукции и конкуренции на всё более ориентированных на данные рынках производства.

Будущее обнаружения промышленных дефектов

Обнаружение промышленных дефектов продолжает развиваться: от простого анализа изображений к интеллектуальным адаптивным системам контроля качества.

Достижения в области машинного обучения, периферийных вычислений, промышленной сетевой инфраструктуры и облачных технологий позволяют производителям проверять продукцию быстрее и точнее, чем когда-либо прежде.

Такие технологии, как Amazon SageMaker и AWS IoT Greengrass, помогают устранить разрыв между разработкой моделей в облаке и их внедрением в реальных условиях производства. Вместе они предоставляют производителям инструменты для создания масштабируемых систем контроля, способных обучаться на операционных данных и непрерывно совершенствоваться со временем.

По мере того как промышленные организации реализуют инициативы цифровой трансформации, обнаружение дефектов будет всё чаще становиться частью более масштабных стратегий интеллектуального производства, объединяющих машинное зрение, предиктивное обслуживание, оптимизацию процессов и операционную аналитику.

Результат — это не просто более эффективный контроль качества. Это более интеллектуальная производственная среда, в которой решения на основе данных принимаются на периферии, рядом с оборудованием, продукцией и процессами, создающими ценность.