A mesterséges intelligencia szerepe az automatikus optikai vizsgálatok (AOI) fejlődésében

A vizsgálatok a gyártási ágazat folyamatainak kulcsfontosságú részét képezik. Ez vizuális ellenőrzést jelent, amely biztosítja, hogy a gyártott termék megfelel eredeti funkciójának és megjelenésének, és teljesíti a gyártó és a fogyasztó termékkel szemben támasztott elvárásait.

Természetesen a vizsgálat minőségbiztosítási szempontból fontos és jól kommunikálható eredményt ad, amely címkézéssel jelezhető a fogyasztó számára, illetve a gyártó szervezet minőségbiztosítási politikájának megfelelően rögzíthető. A vizsgálati jelentések hibaelhárítás során is segítséget jelenthetnek egy termék visszaküldése esetén, és védhetik a gyártót egy esetleges kártérítési igény esetén.
Ezenfelül a gyártás során meghibásodott alkatrész azonosítása segítheti a gyártási folyamatok és eljárások szükséges korrekcióját. Az eredmények segíthetik a hiba okának azonosítását, ami lehet egy eltömődött fúvóka egy elektronikus felületszerelési berendezésben, egy meghibásodott palacktöltő egység vagy egy hibásan pozicionált címkézőmechanika. A hibás termékek valós idejű észlelése lehetővé teszi a gyártás azonnali leállítását és a hiba elhárítását. Minél hamarabb derül fény egy minőségi problémára, a hiba annál kisebb költséggel javítható. A gyakran idézett tízszeres szabály szerint a hibák azonosítása tízszer kevesebbe kerül a termékfejlesztés során, mint a gyártásban, ami viszont tízszer kevesebbe kerül, mint a kész termék esetén.

A kézi ellenőrzéstől az automatikus
optikai vizsgálatokig

Általában minden előállított egységen vizsgálatokat végeznek, amelyet egy képzett operátor is végrehajthat, főként egyszerűbb termékek esetében, vagy a kész termék általános megjelenésének ellenőrzéseként. Egyes esetekben nagyítóeszközre is szüksége lehet, például nyomtatott áramköri elemek beszerelésének ellenőrzésekor. Az egészen kis méretű alkatrészek (például nagy lábsűrűségű IC-k és 01005 SMD-chipek nyomtatott áramkörbe való beforrasztása – lásd 1. ábra) már kihívás elé állítják az emberi látóképességet.

1. ábra Felületszerelt chip-alkatrészek NYÁK-ra forrasztva

Azonban, ahogy a termék összetettsége növekszik, egy tipikus szerelvény nagyszámú ilyen alkatrészt tartalmazhat. Az érzékszervi vizsgálat kihívásai és az ahhoz, illetve az ellenőrzés kimenetélének rögzítéséhez szükséges idő megkérdőjelezhetik a manuális vizsgálat praktikusságát. Bizonyos esetekben – például nagy sebességű palackozógépeken – a manuális vizsgálat gyakorlatilag nem lehetséges.
Ahogy a vizsgálandó termékek mérete, bonyolultsága és a vizsgálat áteresztőképessége egyre növekvő kihívást jelent, úgy válik az automatikus optikai vizsgálat (automatic optical inspection – AOI) az egyetlen, minden legyártott elem megfelelő vizsgálatát lehetővé tévő megoldássá.
Az automatikus optikai vizsgálati rendszerek világítóegységeket, képérzékelőket és számításokat végző alegységeket tartalmaznak, amelyek együttesen rögzítik és elemzik a képeket. A rendszer összehasonlítja a rögzített képet egy referenciaképpel, hogy azonosítsa az esetleges hibákat, például a felületi anyagok hiányosságait, forrasztási hibákat, hiányzó vagy rossz helyre beültetett alkatrészeket egy nyomtatott áramkör összeszerelése során. Másik megoldás lehet egy előre megadott szabályok alapján méréseket végző rendszer, amely az egyes jellemzőket, például az alkatrészek méretét, vagy a forrasztási pontokon lévő forraszanyag mennyiségét méri és sorolja „megfelelő” (good – G) vagy „nem megfelelő” (not good – NG) kategóriába. Hiba észlelésekor a berendezés kiemeli a hibás terméket, és további ellenőrzéseknek veti alá, vagy leállítja a gyártósort és figyelmezteti a kezelőt.
Habár az AOI háttérbe szorította a manuális ellenőrzést az olyan helyzetekben, ahol magas a vizsgálandó termék bonyolultsága és/vagy a vizsgálat időszüksége, a hagyományos képfeldolgozó rendszerek és algoritmusok olyan nyilvánvaló nehézségekkel járnak, mint a rendszerek és a működtető szoftverek fejlesztése, vagy az eszközök gyártósoron történő telepítése.

A hagyományos képfeldolgozástól
a mesterséges intelligenciáig

A képfelismerés alapját a rögzített képek digitalizálása és különféle képszűrők alkalmazása alkotja, amelynek segítségével észlelhetők az egyes minták és jellegzetességek. A képeken lévő objektumok észlelésére általában éldetektáló szűrőket használnak. Az emberek felismerésére használt algoritmusok lejtésérzékelést végeznek az emberi jellemzők – karok, vállak, lábak – azonosításához. Az algoritmus az egyes észlelt jellemzők egymáshoz viszonyított helyzetét is vizsgálja, mivel ez további kiértékelési szempont lehet.
Egy, a forrasztási pontok vizsgálatát végző algoritmus él- és színdetektálást alkalmazhat a forrasztási pontok meghatározásához, és ellenőrzi, hogy a forrasztási pont anyagkitöltése az elfogadható határon belül van-e. Az optikai rendszer különböző szögekből és különböző színekkel világíthatja meg a vizsgált darabot. Ha a forrasztási pont görbülete megfelelő, akkor az a – például – zöld fényhullámoknak nagyobb részét veri vissza. Ha több vörös fény verődik vissza a forrasztási pontról, vagy a felszín változó színű, akkor az túl sekély forraszra vagy elégtelen mennyiségű forraszanyagra utalhat, esetleg a forraszanyag golyósodására a nem elegendő folyasztószer-használat következtében.
Bármilyen alkalmazásról legyen szó, akár emberek felismeréséről megfigyelési vagy autóipari gyalogosészlelési alkalmazásokban, arcfelismerésről a közösségi médiában vagy ipari vizsgálatokról, a hagyományos képfelismerési eljárások jelentős kihívásokkal néznek szembe.
Az algoritmusok létrehozása és a szabályok meghatározása a digitális képeken történő objektumfelismeréshez és -osztályozáshoz rendkívül komplex feladat. Az ipari ellenőrzési alkalmazásokhoz megfelelő robusztus algoritmusok kidolgozása drága és időigényes. Egy nyomtatott áramköri beszerelés esetén a forrasztási pontok minőségének ellenőrzése csupán egy komponense a szükséges vizsgálatoknak. Az egyes alkatrészek meglétét, a forrasztási maszkhoz viszonyított pozícióját és állását egyaránt szükséges ellenőrizni. Szintén vizsgálandó az elemek koplanaritása (egysíkúsága), illetve nem kívánt objektumok (például forrasztási fröccsenés) jelenléte a NYÁK felszínén. Szinte lehetetlen minden esetre és az összes kivételre egyaránt kiterjedő szabályok létrehozása.
Az algoritmusok finomhangolása, illetve az újabb és újabb algoritmusok hozzáadása a felmerülő helyzetekre egy soha véget nem érő fejlesztési folyamattá válik, és a szoftverek állandó frissítését igényli. Minden alkalommal, amikor egy új alkatrész – például egy fejlett elektronikai alkatrészcsomag – jelenik meg az iparágban, vizsgálatuk új algoritmusok fejlesztését teszi szükségessé.
Az emberi agy működését utánzó tanulási-képfelismerési eljárások alkalmazásával egy mesterséges intelligencia képes megoldani a variációk végtelen sokasága miatt felmerülő kihívásokat. A mesterséges intelligencia általános jelentése mögött számos számítási struktúra található, amelyek közül képfelismerési feladatokra általában az úgynevezett konvolúciós neurális hálózatokat (convolutional neural networks – CNN) használják, amelyeket rétegekbe szervezett, összekapcsolt, mesterséges neuronok alkotnak (lásd a 2. ábrán). Ezek jellemzően mélytanulási hálózatok, amelyek több belső (vagy rejtett) réteget tartalmaznak a bemeneti és a kimeneti réteg között. A rejtett rétegek pontosan definiált, specifikus összegző- és konvolúciós számításokat végeznek az előző rétegtől kapott bemeneti adatokon. A számítások eredménye átküldésre kerül a következő rétegre, egészen a kimeneti réteg eléréséig, amely megmutatja, hogy a keresett objektum azonosítása sikeres volt-e vagy sem.

2. ábra Egy konvolúciós neurális hálózat rétegei

A telepítést megelőzően a CNN-t betanítják egy bizonyos objektum felismerésére. Az egyes csomópontok (neuronok) kimeneti válaszban elfoglalt súlya, illetve fontossága a folyamat során a helyes és helytelen válaszok alapján változik. Megfelelő számú ismétlést követően a CNN nagy valószínűséggel képes a képek helyes azonosítására. Ezen a ponton a tanulási folyamat befejezettnek tekinthető, a redundáns neuronok eltávolíthatók, és a neurális hálózat készen áll a felhőben vagy egy beágyazott számítási platformon történő telepítésre.

A két terület egyesítése

A mesterséges intelligencia felhasználása az AOI-berendezések gyártói és felhasználói számára egyaránt előnyökkel járhat. Gyártói szempontból az algoritmizálás folyamata lényegesen egyszerűbbé válhat, ha az MI képes megítélni annak valószínűségét, hogy az elvárt objektumot látja-e. Ezáltal az új objektumok és elfogadhatósági kritériumok betanítási igényének csökkenése mellett a termékek piacra kerülési ideje, illetve a folyamatos szoftvertámogatás költsége egyaránt csökkenthető. A vásárlók számára a mesterséges intelligenciával felvértezett AOI leegyszerűsíti az ellenőrzési rendszer beállítási folyamatát, a programozást és a „megfelelő/nem megfelelő" döntések küszöbértékeinek finomhangolását.
A mesterséges intelligencia felhasználása kezd teret hódítani az AOI-rendszerek piacán. Erre egy példa az AAEON által egy AOI-beszállító partnerrel közösen kifejlesztett, MI-következtetést szolgáló, beágyazott ipari gépi látással felvértezett számítási platform és multiprocesszoros bővítőkártya. A platform használatával az AOI képes akár több termékcsalád vizsgálatát is újrakonfigurálás nélkül elvégezni. A hagyományos rendszereknél nagyobb pontosságot és kevesebb hamis pozitív eredményt biztosít, az új termékek vizsgálatához, illetve korábban ismeretlen hibák azonosításához szükséges betanítása gyorsan elvégezhető.
Egy másik példa a MEK (Marantz) nyomtatott áramkörök szerelésének vizsgálatára szolgáló ISO-Spector M1A elnevezésű terméke. Mesterséges intelligencia segítségével ez a rendszer képes megtanulni az összeszerelt és az újraömlesztett NYÁK-ok gyártási folyamatának paramétereit, és felismerni a hibákat több száz előre beállított paraméter alapján. Csökkenti az emberi programozási munka igényét az olyan gyakran előforduló problémák kezelésével, mint az optimális fényerő, kamerapozíciók, a különböző szögállású kamerák hibakereséshez történő beállítása, illetve a vizsgálati határértékek finomhangolása annak érdekében, hogy a hibás munkadarabok sikeresen felderíthetők legyenek, de elkerüljék, hogy túl nagy számban szülessenek hamis negatív döntések. Egy mesterséges intelligencia a humán szakértőknél sokkal gyorsabban képes paramétereket változtatni és az emberinél lényegesen kisebb hibaarányú döntéseket hozni, így biztosítva a konzisztens vizsgálati eredményeket, függetlenül attól, hogy az AOI-rendszer kezdő vagy szakértői szinten került beprogramozásra.
A kínai VCTA szintén mesterséges intelligenciát implementált NYÁK-gyártáshoz használt AOI-rendszereibe, lényegesen javítva azok hatékonyságát: csökkent a hulladék aránya, miközben megnövekedett a gyártási kapacitás és a minőség.

Az AOI-rendszerek felépítése

Az ilyen rendszerek hasznossága rámutat, milyen előnyökkel jár a mesterséges intelligencia alkalmazása számos szektorban, így például a biztonságtechnika és a kiskereskedelem területén is. Bárhol, ahol igény merül fel tárgyak érzékelésére vagy személyek azonosítására, a mesterséges intelligencia használata leegyszerűsíti a programozást és a telepítést, kizárja az emberi hibákat, minimalizálja a késleltetést és lehetővé teszi a hatékonyabb döntéshozatalt.
Ahhoz, hogy a fejlesztők kihasználhassák a technológiában rejlő lehetőségeket, a napjainkban piacra kerülő kameramodulok szoftveres támogatással rendelkeznek a mesterséges intelligencia fejlesztésének egyszerűsítése érdekében. Erre jó példa a Basler AI Vision Solution Kit. Ez a 13 MP-es Basler dart kamerára épülő szett (3. ábra) használatra kész, beállításához és működtetéséhez mellékelt pylon szoftverfejlesztői készlet használható. Fejlesztésre kész objektum- és személyfelismerésre feltanított gépi tanulási modellek állnak rendelkezésre a Basler felhőjében. A fejlesztők természetesen saját modelljeiket is használhatják bármilyen alkalmazáshoz.

3. ábra A Basler AI Vision Solution Kit-je

Az Intel^® RealSense™ D400 sztereólátású mélységkamera-rendszerben RealSense D4 képfeldolgozó processzor, sztereó mélységi modul, színes képjelprocesszorral ellátott RGB-érzékelő és egy inerciális mérőmodul található, amikkel olyan alkalmazási területeket céloz, mint a gépi látás, drónok, virtuális valóság és otthoni biztonságtechnika. A mélységi modul a jobb- és baloldali képalkotó egységek képét kombinálja az opcionális infravörös fénysugárzóval, amely láthatatlan, infravörös mintát vetít a kamera elé, ezzel javítva a mélységélesség érzékelésének pontosságát, alacsony strukturáltságú látókép esetében is.
A RealSense Depth kamerák a TensorFlow-hoz vagy az OCV-hez hasonló gépi tanulási platformokkal használva olyan extra funkcionalitást kínálnak az alkalmazások számára, mint például objektumok felismerése és osztályozása. A kameramodul pixelenkénti mélységi információi különböző területeken, például látómezőben lévő tárgyak méretének megbecsüléséhez nyújthatnak segítséget. Az Intel RealSense weboldalán található linken keresztül elérhető oktatóanyagok és mintaalkalmazások segíthetnek megismerkedni a fejlesztés mikéntjével.

Összefoglalás

A gyártáséval megegyező sebességű működésre képes gyártósori automatikus optikai vizsgálatok számos iparág gyártói számára lehetővé tették a minőségbiztosítás szintjének javítását, a termelékenység biztosítását és gyártási eljárások folyamatos fejlesztését. Az AOI-rendszerek számára a mesterséges intelligencia alkalmazása jelenti a következő lépést. Az optikai vizsgálatokra betanított algoritmusok nagy előrelépést jelentenek a döntéshozatali képesség terén, csökkentik az operátori beavatkozás szükségességét, leegyszerűsítik a programozási feladatokat és robusztus teljesítményükkel növelik a hibafelderítési pontosságot, egyidejűleg csökkentve a hamis riasztások arányát is.

A Mouser kínálatában szereplő, az iparág húzónevei által gyártott AI-ready kameraszettekkel a fejlesztők és gyártók is felfedezhetik, hogy a mesterséges intelligencia miként képes javítani a gépi látáson alapuló alkalmazások teljesítményét.

Szerző: Mark Patrick –
Mouser Electronics

Mouser Electronics
Franchised Distributor
www.mouser.com