„Dřív jsme museli vysvětlovat, proč může být rozpoznávání obrazu pro firmy přínosné. Dnes už to všichni vědí,“ říká konzultant v oblasti Data Science Robert Stehlík z Trasku. Otázkou tak není zda, ale kde je možné technologii využít. Přinášíme několik příkladů, v nichž technologie na bázi AI a počítačového vidění transformuje současný průmysl.
Nástup umělé inteligence otevřel cestu k novým možnostem optimalizace průmyslových odvětví a podniků. Stále více firem dnes využívá počítačové vidění (computer vision), a zejména rozpoznávání obrazu (image recognition) ke zlepšení výrobních procesů a zvýšení produktivity.
Co je to Image Recognition?
Rozpoznávání obrazu, podkategorie počítačového vidění a umělé inteligence, představuje soubor metod pro detekci a analýzu obrazu, které umožňují automatizaci určitého úkolu. Tato technologie dokáže identifikovat a analyzovat místa, osoby a objekty i mnoho dalších prvků v obraze. Jejího potenciálu lze využít především tam, kde lidé, náchylní k chybám, zodpovídají za přesnou kontrolu výrobků. Pomoci však může i ke zvýšení bezpečnosti pracovníků na lince.
Prediktivní údržba jako pojistka plynulé výroby
Řada průmyslových podniků je závislá na fyzických komponentách. Musí proto často provádět udržbu strojů a zařízení, které zajišťují plynulou výrobu. Porucha součástky přitom můžou vést i k úplnému zastavení provozu, který vede k nežádoucím finančním ztrátám. Pouhá minuta prostoje podle serveru Manufacturing.net například stojí automobilový závod i 22 tisíc dolarů, v přepočtu tedy víc než 500 tisíc korun.
Při prediktivní údržbě se technologie strojového učení a IoT zařízení využívají ke sledování údajů o výrobních strojích – často s využitím senzorů – a ke shromažďování datových bodů, identifikaci signálů nebo přijímání nápravných opatření. Díky snímkům z kamer, které jsou připojené k robotům, dokážou softwary a aplikace s technologií image recognition shromažďovat obrovské množství záběrů a odesílat doprovodná metadata do cloudu ke zpracování do cloudu, čímž pomáhají identifikovat potenciální problémy.
Trask v oblasti prediktivní údržby spolupracuje například na projektu MagicEye pro ŠKODA AUTO.
„Při sestavování auta ve výrobních závodech ŠKODA AUTO je konstrukce vozu umístěná na závěsném dopravníku. Ten ji posouvá na lince do jednotlivých výrobních taktů, ve kterých se vždy odehraje specifická část výrobního procesu. Na dopravníku však mohou vznikat různé poruchy,“ vysvětluje Robert Stehlík.
Hlavním prvkem dopravníků jsou nosné hliníkové profily a vodivé napájecí dráhy (tzv. šíny), které se prostřednictvím image recognition sledují. Na závěsu je umístěno několik kamer, jež snímají mnoho snímků v řádu sekund. „Vzniká tak obrovské množství fotek a dat. V podstatě se tvoří digitální obraz celé dráhy v reálném čase a my máme na starosti vizualizační vrstvu, která zpracovává náhled na celou linku. Díky ní je pak možné neustále sledovat, jak linka vypadá, a zároveň s pomocí AI detekovat potenciální závady.“
Typickým příkladem závady je třeba vyosení napájecích šín, ve kterých se může zničit projíždějící elektrický sběrač a zastavit celou výrobu. „Když k takové kritické situaci dojde, může dojít k omezení výroby na poměrně dlouhou dobu, což má za následek množství nevyrobených aut. S MagicEye je ale možné takové situaci předejít a závadu včas detekovat. Lze pak využít běžných odstávek v průběhu noci a problémy preventivně napravit, aniž by k prostojům došlo,“ vysvětluje Robert.
Zvyšování bezpečnosti pracovníků
S každou výrobou se pojí také vysoké nároky na bezpečnost práce. Majitelé podniků se dnes nespoléhají jen na bezpečnostní standardy a s nimi související pravidla pro vykonávání práce, ale hledají i další způsoby, jak ulevit svým pracovníkům a minimalizovat jakákoliv bezpečnostní a zdravotní rizika.
Záměrem je proto využít umělou inteligenci založenou na hlubokém učení k předvídání pohybu zařízení, aby se předešlo nebezpečným interakcím, a tím se zvýšila bezpečnost. Oblast zvyšování bezpečnosti práce se týká i projektu Magic-Eye.
„Další plánovaný use-case představuje dohled systému MagicEye v místech, kde zatím musí pracovníci údržby ve výrobě ŠKODA AUTO lézt téměř jako horolezci na lanech i více než 5 metrů vysoko a zjišťovat, zda nejkritičtější zařízení výrobního toku závodu v Mladé Boleslavi je v bezvadném stavu. V budoucnu systém kamer a algoritmů tuto rizikovou práci nahradí a bude schopen informovat o závadách včas. Výhodou bude jak úleva od fyzické námahy, tak zvyšování bezpečnosti pracovníků – a v neposlední řadě předcházení nechtěným situacím ve výrobě“ říká Robert Stehlík.
Jak Trask pomáhá s projektem MagicEye?
Na projektu spolupracujeme s partnerskou firmou, která zajistila veškerý hardware – kamerové systémy – včetně jeho instalace a rovněž zrealizovala první pilotní projekt. Trask nyní spolupracuje na industrializaci a škálovatelnosti celého řešení. Vytváříme nad celým systémem reportingovou a vizualizační vrstvu, jejímž cílem je zjednodušení analýzy, používání a operativní řízení celého procesu prediktivní údržby, včetně integrace na další systémy ve ŠKODA AUTO, jako je například SAP.
Trvalé snížení počtu vad a ochrana reputace
Pokud provozujete výrobní linku, chcete pochopitelně vyrábět komponenty nebo výrobky bez vad. Strojové vidění je cestou, jak tohoto cíle dosáhnout rychleji a s větší přesností. To má význam především pro podniky orientované na luxusní zboží.
Příkladem může být například výrobce luxusních světel do automobilů. „Výroba takových světel se neobejde bez drahého materiálu a do velké míry stojí na zaměstnancích, kteří kontrolují zda není zboží poškozené,“ popisuje Robert Stehlík. „Může přitom jít o škrábance, otisky prstů nebo jiné předem definované škody. Vady je nutné identifikovat včas, jinak s nimi jsou spojené další náklady – buď je nutné daný kus vyrobit znova, nebo se stane součástí drahého auta, a pak narůstá cena spojená s výměnou vadného dílu.“
Přes veškerou snahu pracovníků však může docházet k situacím, kdy se závada neodhalí včas. To pro firmu kromě vyšších nákladů představuje také riziko horší reputace. Technologie image recognition v takovém případě pomáhá nejen s větší přesností kontroly všech vyrobených dílů, ale umožňuje také měřit množství nezdařilých kusů ve sledovaném čase. „Když měříte závadnost, je dobré vědět i to, kolik výrobků skončí v koši. Je rozdíl, když vyhodíte tři nebo dvacet kusů, protože podle nich může spočítat množství energie a další náklady, které jejich výroba spotřebovala,“ vysvětluje Robert.
Ponořte se hlouběji a odhalte svou Achillovu patu
Zajímá vás, co by ve vaší firmě šlo zlepšit? Nejjednodušší způsob, jak pochopit, jak cenné je dnes rozpoznávání obrazu ve výrobě, je ponořit se hlouběji do jeho vnitřního fungování.
Prvním krokem je definování souboru dat specifických pro daný podnik. V oboru spojovacích součástí to může být například databáze obsahující shodné obrázky spojovacích součástí a dalších dílů. Pomocí metod hlubokého učení začne model rozpoznávání obrazu identifikovat shodné obrázky v datové sadě. Proces identifikace nazývaný extrakce příznaků pak umožňuje počítači porovnávat specifické vzory ve formátu pixelů, což vede k přesné identifikaci.
Vzhledem k tomu, že se výroba dílů obvykle řídí přísným standardem rozměrů a tvarů, modely rozpoznávání obrazu provádějí extrakci příznaků rychleji. To umožňuje počítači identifikovat odchylky v dílech jako chyby, pokud neodpovídají standardním rysům v databázi. Možností využití této schopnosti je nespočet.
„Předpokládám, že image recognition nakonec nahradí lidské oči všude tam, kde se kladou vysoké nároky na pozornost zaměstnanců, kteří po nějaké době přirozeně podléhají únavě. Ať už je to prediktivní údržba, výstupní kontrola, nebo ostraha hypermarketu nebo skladu. Tento trend je v současné době již nezastavitelný“ uzavírá Robert Stehlík.
