A minőségellenőrzés ma már nem feltétlenül a gyártás végén kezdődik

Sok üzemben a minőségellenőrzés még mindig elsősorban a gyártási folyamat végéhez kapcsolódik. A kész termék eljut egy ellenőrzési pontra, ahol egy dolgozó, mérőeszköz vagy automatikus állomás eldönti, megfelel-e az előírásoknak.

Ez a megközelítés működőképes lehet, de van egy komoly hátránya: mire a hibát felismerjük, addigra akár több tucat vagy több száz hibás darab is elkészülhetett. Minél korábban derül ki, hogy egy folyamat kezd eltérni a megfelelő állapottól, annál kisebb lehet a selejt, az utómunka és az elveszett gyártási idő. A gépi látás egyik legnagyobb előnye éppen az, hogy az ellenőrzés közvetlenül beépíthető a gyártási folyamatba.

Egy megfelelően kialakított kamerás rendszer minden egyes munkadarabot ugyanazon előre meghatározott feltételek alapján képes vizsgálni. Nem fárad el, nem változik a figyelme a műszak során, és nagy sebesség mellett is ismételhető döntéseket tud hozni. Ettől azonban még nem lesz automatikusan jobb, mint egy tapasztalt emberi ellenőr. A stabil működéshez pontosan meg kell határozni, milyen hibát keresünk, milyen környezetben történik az ellenőrzés, és milyen pontosságot várunk el a rendszertől.

Mit jelent a gépi látás az ipari automatizálásban?

Az ipari gépi látás olyan kamerás érzékelési rendszer, amely képet készít a munkadarabról vagy a gyártási folyamatról, majd ezt a képet meghatározott algoritmusok alapján kiértékeli. A feladat lehet egészen egyszerű, például annak eldöntése, hogy egy alkatrész jelen van-e a szerelvényben. Összetettebb esetben a rendszer méretet, helyzetet, alakot, színt, felületet, kódot vagy akár egy szerelési művelet helyességét is ellenőrizheti. A kép tehát önmagában nem cél; az érték abból származik, hogy a látórendszer a látott információ alapján gyártási döntést hoz.

Tipikus felhasználási területek lehetnek:

• alkatrész jelenlétének ellenőrzése;
• helyes orientáció vizsgálata;
• méret- és pozícióellenőrzés;
• felületi hibák felismerése;
• címkék, feliratok és jelölések ellenőrzése;
• vonalkódok, QR-kódok vagy más azonosítók olvasása;
• összeszerelési hibák észlelése;
• robot számára szükséges pozíció meghatározása.

A gépi látás akkor működik igazán jól, amikor a vizsgált jellemző képen stabilan és reprodukálhatóan felismerhető. Ebből következik, hogy nem minden minőségellenőrzési problémára a kamera a legjobb megoldás.

Miért nem a kamera felbontása a legfontosabb kérdés?

Egy ipari látórendszer megtervezésénél sokan először a kamerát kezdik összehasonlítani. Hány megapixel legyen, milyen gyorsan készítsen képet, milyen interfésszel rendelkezzen. Ezek természetesen fontos műszaki paraméterek, de gyakran nem itt dől el, hogy a rendszer stabilan fog-e működni. A gyakorlatban a megvilágítás, az optika, a munkadarab helyzete és az ellenőrizendő hiba jellege legalább ilyen fontos.

Egy fényes fémalkatrész például teljesen másképp viselkedik erős direkt fényben, mint diffúz megvilágításnál. Átlátszó műanyag, üveg, sötét felület vagy finoman strukturált anyag esetén pedig egészen eltérő világítási technika lehet szükséges. A megfelelő fény sokszor jobban elkülöníti a hibát a háttértől, mint egy nagyobb felbontású kamera. Ipari környezetben ráadásul a nappali fény, vibráció, por és a gép saját világítása is befolyásolhatja a képet.

A rendszer stabilitását több tényező is meghatározhatja:

• a munkadarab fényessége vagy tükröződése;
• a háttér színe és textúrája;
• a környezeti fény változása;
• a munkadarab pozíciójának szórása;
• a szalag sebessége;
• vibráció;
• szennyeződés;
• a kamera és a munkadarab távolsága.

A jó rendszer nem laboratóriumi körülményekre készül, hanem a valódi gyártási környezet változásait is figyelembe veszi.

Mit kell pontosan meghatározni egy vizuális ellenőrzés előtt?

A gépi látás egyik legfontosabb előkészítési lépése annak meghatározása, hogy mit nevezünk hibának. Egy emberi ellenőr sokszor tapasztalat alapján tud dönteni arról, hogy egy karc még elfogadható-e, vagy egy elmozdult címke már selejtet jelent-e. Egy automatizált rendszer számára azonban ezeket a határokat egyértelműen definiálni kell. Ha nincs pontos minőségi kritérium, a kamera sem tud következetes döntést hozni.

Például egy furat pozíciója megfelelő lehet ±0,2 milliméteres tartományban, de már hibásnak minősülhet nagyobb eltérésnél. Egy felületi sérülés elfogadható lehet bizonyos méret alatt, de selejtet jelenthet felette. Hasonlóan fontos lehet egy címke elfordulása, egy alkatrész hiánya vagy egy szerelési elem helyzete. A pontos határértékek nélkül a rendszer vagy túl sok jó terméket selejtez, vagy túl sok hibás darabot enged tovább.

Nem csak a hibás darab kiszűrése a cél

A gépi látás egyik legnagyobb értéke nem feltétlenül az, hogy a hibás munkadarabot a sor végén kiválogatja. Sokkal érdekesebb lehet, ha már a gyártási folyamat közben jelzi, hogy valamilyen jellemző fokozatosan eltolódik. Például egy alkatrész helyzete minden ciklusban néhány tizedmilliméterrel közelebb kerülhet a tűréshatárhoz. A termék még megfelelő, de a trend már azt mutatja, hogy a folyamat változik.

Az intelligens gyártás egyik fontos eleme éppen az, hogy a gépekből származó adatokat ne csak archiváljuk, hanem a folyamat stabilitásának értékelésére is használjuk. Egy kamerás ellenőrzésből származó méret- vagy pozícióadat ugyanúgy értékes gyártási információ lehet, mint egy nyomás-, hőmérséklet- vagy ciklusidő-mérés. Ha a rendszer képes trendeket felismerni, egy romló folyamat akár a tényleges selejt megjelenése előtt észlelhető.

Robotika és gépi látás együtt

A gépi látás nem kizárólag minőségellenőrzésre használható. Robotizált rendszereknél a kamera segítségével meghatározható a munkadarab pozíciója és orientációja is. Ez különösen akkor hasznos, ha a termék nem mindig pontosan ugyanazon a helyen érkezik. A kamera megállapíthatja, hol található az alkatrész, a robot pedig ennek megfelelően korrigálhatja a mozgását.

A robotizáció ipari alkalmazása akkor válik igazán rugalmassá, amikor a robot nem kizárólag fix koordináták alapján dolgozik, hanem a környezetből érkező információhoz is tud alkalmazkodni. Ilyen lehet például egy változó pozícióban érkező munkadarab felvétele vagy eltérő termékvariánsok kezelése. A kamera azonban nem old meg automatikusan minden pontatlanságot. A robot, a kamera és a munkatér koordinátarendszerét pontosan kalibrálni kell, különben a vizuális információ nem fordítható megbízható mozgássá.

Milyen gyártási hibák ismerhetők fel kamerával?

A gépi látás azoknál a problémáknál erős, amelyek vizuális jellemző alapján egyértelműen elkülöníthetők. Egy összeszerelő soron például ellenőrizhető, hogy minden alkatrész a megfelelő helyre került-e. Csomagolásnál vizsgálható a kupak, címke, lezárás vagy csomagolási sérülés. Megmunkált alkatrészeknél bizonyos geometriai eltérések, furatok vagy élek jelenléte és pozíciója is mérhető lehet.

Gyakori feladat például:

• hiányzó csavar vagy alkatrész felismerése;
• rosszul behelyezett komponens észlelése;
• hibás címkepozíció kiszűrése;
• sérült vagy deformált termék felismerése;
• rossz termékváltozat azonosítása;
• furat, kivágás vagy él ellenőrzése;
• hibás csomagolás kiszűrése;
• karakterek és termékazonosítók ellenőrzése.

A K+V Automatika ipari automatizálási termékkínálatában több olyan technológiai terület találkozik, amely egy ilyen rendszer megvalósításához szükséges lehet. A kamera ugyanis önmagában ritkán oldja meg a teljes feladatot. A munkadarabot megfelelő pozícióban kell tartani, a hibás terméket ki kell választani, a döntést pedig integrálni kell a vezérlésbe.

A gépi látás és a selejtcsökkentés kapcsolata

A selejt csökkentésének egyik kulcsa, hogy a hibát minél közelebb ismerjük fel ahhoz a művelethez, ahol keletkezik. Ha egy hibás összeszerelési lépés után még öt további művelet történik, akkor a selejt nemcsak az eredeti hibás alkatrészt, hanem az utána ráfordított munkát és anyagot is magával viszi. Egy köztes ellenőrzési pont ezt a veszteséget mérsékelheti.

Ez különösen nagy sorozatú termelésnél fontos. Ha egy gép óránként több száz vagy több ezer darabot gyárt, akár néhány perces késés a hiba felismerésében is jelentős mennyiségű selejtet eredményezhet. A kamerás rendszer ekkor nem pusztán minőségellenőrző eszköz, hanem a folyamat védelmének egyik eleme. Az eredményesség azonban csak akkor mérhető, ha előtte ismert a jelenlegi selejtarány és annak fő oka.

Hogyan kerülhető el a túl sok téves selejtezés?

A kamerás rendszerek egyik tipikus problémája a túl szigorú beállítás. Ha a rendszer olyan apró eltéréseket is hibának tekint, amelyek a valós minőség szempontjából elfogadhatók, megnő a feleslegesen selejtezett darabok száma. Ez anyag- és termelési veszteséget okoz, és hosszú távon a kezelők bizalmát is csökkentheti a rendszerrel szemben. A másik véglet ugyanolyan veszélyes: túl laza beállításnál hibás termékek kerülhetnek tovább.

A validálás során érdemes külön mérni:

• a valódi hibák felismerési arányát;
• a téves selejtezések arányát;
• a bizonytalan döntések gyakoriságát;
• az ellenőrzés ciklusidejét;
• az eltérő termékváltozatok eredményeit;
• a környezeti változások hatását.

Ha a kamera miatt rendszeresen meg kell állítani a gyártást vagy manuális ellenőrzés szükséges, akkor maga az ellenőrző rendszer válhat a folyamat szűk keresztmetszetévé. Az ilyen rövid fennakadások ugyanúgy mikroállásokat és rejtett termelési veszteségeket okozhatnak, mint bármely más bizonytalanul működő automatizálási elem.

Klasszikus képfeldolgozás vagy mesterséges intelligencia?

Nem minden kamerás ellenőrzéshez szükséges mesterséges intelligencia. Sok ipari feladat klasszikus szabályalapú képfeldolgozással gyorsabban, egyszerűbben és stabilabban megoldható. Ha például azt kell ellenőrizni, hogy jelen van-e egy furat, megfelelő-e egy él pozíciója vagy adott tartományban van-e egy méret, egy determinisztikus algoritmus kifejezetten jó választás lehet.

AI-alapú megoldás akkor válhat érdekesebbé, ha a hiba nagyon változatosan jelenik meg, nehéz pontos geometriai szabályokkal leírni, vagy nagy természetes szórás mellett kell megtalálni az eltérést. A fizikai AI ipari automatizálásban különösen ott kaphat szerepet, ahol a gépnek nem teljesen előre definiált vizuális helyzetekhez kell alkalmazkodnia. Ettől azonban az AI sem lesz univerzális megoldás. A megfelelő tanítóadat, tesztelés és validáció továbbra is alapfeltétel.

Mikor érdemes gépi látást használni robotvezérléshez?

A kamerával támogatott robotvezérlés akkor előnyös, ha a munkadarab pozíciója nem garantálható mechanikusan minden ciklusban. Egy fix fészek vagy precíz adagoló sok esetben egyszerűbb és olcsóbb megoldás. Ha azonban több termékváltozat, változó orientáció vagy kevésbé rendezett adagolás jellemző, a gépi látás rugalmasságot adhat.

A rugalmas gyártásnál a termékváltás egyik fontos kérdése, hogy mennyi mechanikai átállítás szükséges. Ha a kamera képes meghatározni egy új terméktípus helyzetét, bizonyos merev mechanikai pozicionálások kiválthatók. Ez csökkentheti az átállási időt, de növelheti a rendszer szoftveres komplexitását. A két megközelítés között mindig az adott gyártási feladat alapján kell dönteni.

Milyen szerepe van a munkadarab mozgatásának?

A kamera csak akkor tud megbízhatóan ellenőrizni, ha a munkadarab megfelelően jelenik meg előtte. A termék sebessége, rezgése, orientációja és távolsága mind befolyásolja a kép minőségét. Egy gyors szállítópályán például rövid expozíciós idő és megfelelő világítás szükséges ahhoz, hogy mozgás közben is éles kép készüljön. Más esetben célszerű lehet rövid időre megállítani vagy pontos pozícióba helyezni a terméket.

A lineáris és mozgástechnológiai megoldások ezért a gépi látás szempontjából is fontosak lehetnek. Egy precízen ismételhető pozicionálás jelentősen leegyszerűsítheti a képfeldolgozást. Minél kisebb a munkadarab helyzetének szórása, annál kevésbé kell a szoftvernek minden képen nagy változásokhoz alkalmazkodnia. Sok esetben tehát a stabil mechanika olcsóbb és megbízhatóbb megoldás, mint egy túl bonyolult képfeldolgozó rendszer.

Mire kell figyelni ipari környezetben?

Laboratóriumban könnyű tökéletes képet készíteni. Egy működő gyártóüzemben viszont rezgés, por, változó hőmérséklet, gépolaj és egyéb szennyeződés is jelen lehet. A kamerát, optikát és világítást ezért a környezethez kell igazítani. Fontos kérdés a megfelelő védettség, a kábelezés, a rögzítés és a karbantarthatóság is.

Külön figyelmet érdemel:

• a lencse szennyeződésének lehetősége;
• a kamera rögzítésének merevsége;
• a kábelek védelme;
• a fényforrás várható élettartama;
• a munkadarabok közötti természetes eltérés;
• a későbbi termékváltozatok kezelhetősége.

Egy kamera akkor jó ipari eszköz, ha nemcsak az első bemutatón működik meggyőzően, hanem hónapokkal később is stabil eredményt ad.

Mikor nem a gépi látás a jó megoldás?

Nem minden minőségi jellemző vizuális. Egy belső anyaghiba, kötési szilárdság, nyomásállóság vagy elektromos funkcionális probléma kamerával nem feltétlenül vizsgálható. Ilyenkor más mérési technológia lehet megfelelő. Szintén kérdéses lehet a gépi látás, ha a termékek annyira különböznek egymástól, hogy nincs stabil vizuális referencia.

Nem célszerű automatikusan kamerában gondolkodni akkor sem, ha:

• a hiba ember számára sem definiálható egyértelműen;
• nagyon kevés termék készül;
• nincs stabil ellenőrzési pont;
• a vizuális különbség kisebb, mint amit a környezet megbízhatóan láthatóvá tesz;
• a téves selejtezés üzleti kockázata túl magas;
• az ellenőrzési feladat más szenzorral egyszerűbben megoldható.

A technológiai választásnál mindig a legegyszerűbb, stabilan működő megoldás az értékesebb.

Hogyan érdemes elindítani egy gépi látás projektet?

A projekt első lépése ne a kamera kiválasztása legyen, hanem a hibakatalógus elkészítése. Össze kell gyűjteni a jellemző jó és rossz munkadarabokat, majd pontosan meghatározni az elfogadási határokat. Ezután megvizsgálható, hogy a hiba milyen megvilágítás mellett látszik a legjobban, milyen kamera és optika szükséges, valamint hová célszerű az ellenőrzési pontot telepíteni. A műszaki koncepciót mindig valós mintadarabokkal érdemes tesztelni.

Gyakran ismételt kérdések a gépi látásról

Mire használható a gépi látás a gyártásban?

A gépi látás alkalmas lehet jelenlét-, pozíció-, méret-, felület-, felirat- és kódellenőrzésre. Használható minőségellenőrzéshez, válogatáshoz és robotok pozíciójának meghatározásához is. A konkrét alkalmazhatóság mindig attól függ, hogy a vizsgálandó jellemző stabilan felismerhető-e képen. A megfelelő kamera mellett az optika és a világítás is meghatározó. Egy jó rendszer a teljes gyártási folyamat részeként működik.

Kiválthatja a gépi látás az emberi minőségellenőrzést?

Bizonyos ismétlődő, jól meghatározott feladatoknál igen. Egy kamera minden darabot azonos szabályok alapján tud ellenőrizni, ami nagy sorozatnál jelentős előny. Az ember ugyanakkor jobb lehet összetett, nehezen formalizálható vagy ismeretlen hibák értékelésében. Sok gyártási környezetben ezért a két megoldás együtt működik hatékonyan. Az automatizált rendszer kezeli a rutinszerű ellenőrzéseket, az ember pedig a kivételes eseteket.

Kell mesterséges intelligencia a gépi látáshoz?

Nem. Sok ipari feladat klasszikus képfeldolgozó módszerekkel egyszerűbben és stabilabban megoldható. AI akkor lehet előnyös, ha a hiba megjelenése változatos, és nehéz egyszerű geometriai szabályokkal leírni. A mesterséges intelligenciához megfelelő tanítóadat és alapos tesztelés szükséges. A technológiát mindig a feladat összetettsége alapján érdemes kiválasztani.

Miért ennyire fontos a világítás?

A kamera csak azt tudja kiértékelni, ami a képen megfelelően látható. Ha a fényviszonyok változnak, a munkadarab tükröződik vagy a hiba nem különül el megfelelően a háttértől, a felismerés bizonytalanná válhat. Stabil ipari világítással jelentősen javítható a kontraszt és az ismételhetőség. Sok esetben ez többet számít, mint egy magasabb felbontású kamera. A világítást ezért már a projekt elején meg kell tervezni.

Hogyan csökkenti a gépi látás a selejtet?

A legnagyobb előny abból származik, hogy a hibát közvetlenül a keletkezése után lehet felismerni. Így kevesebb hibás termék jut el a következő gyártási műveletekhez. A rendszer a selejt kiválogatása mellett a folyamat trendjeit is képes lehet követni. Ha például egy méret fokozatosan eltolódik, már a tűréshatár elérése előtt beavatkozás kezdeményezhető. Ez csökkentheti a tényleges selejt és az utómunka mennyiségét.

Milyen gyorsan tud ellenőrizni egy ipari kamera?

A sebesség mindig az adott feladattól függ. Egyszerű jelenlétvizsgálat rendkívül gyors lehet, míg összetettebb képfeldolgozás több számítási időt igényel. Fontos a kamera képfrissítési sebessége, az expozíció, a feldolgozás és a vezérléssel történő kommunikáció is. Rövid ciklusidő esetén ezeket együtt kell méretezni. Az ellenőrzés nem válhat a gyártósor szűk keresztmetszetévé.

Összegzés: nem kamerát kell választani, hanem minőségügyi problémát kell megoldani

A gépi látás valódi értéke nem abban van, hogy egy gyártósorra kamerát telepítünk. A cél az, hogy egy konkrét minőségi vagy automatizálási problémát stabilan, gyorsan és gazdaságosan oldjunk meg. Ehhez pontosan definiált hiba, megfelelő megvilágítás, stabil munkadarab-kezelés és a gyártási folyamatba illesztett vezérlés szükséges. Jól kialakított rendszer esetén a kamera nemcsak a hibás terméket szűrheti ki, hanem értékes információt adhat a folyamat állapotáról is.

A legjobb projektek ezért nem a technológiával kezdődnek. Először meg kell érteni, milyen hibát szeretnénk megszüntetni, hol keletkezik, milyen gyakran fordul elő, és milyen költséget okoz. Csak ezután érdemes eldönteni, hogy a gépi látás valóban a megfelelő eszköz-e.