Deep Learning cắt giảm chi phí, thời gian và lỗi của con người

Tập đoàn STIHL là một tên tuổi toàn cầu trong việc phát triển, sản xuất và phân phối các công cụ điện cho lâm nghiệp và nông nghiệp từ năm 1926. Phục vụ các ngành lâm nghiệp và nông nghiệp chuyên nghiệp cũng như thị trường xây dựng và tiêu dùng, STIHL đã trở thành thương hiệu cưa xích bán chạy nhất thế giới kể từ năm 1971.

Với doanh số bán hàng trên toàn thế giới gần 4 tỷ euro ¹ và lực lượng lao động là 16.722 người, STIHL giám sát các nhà máy sản xuất của chính mình ở bảy quốc gia—Đức, Mỹ, Brazil, Thụy Sĩ, Áo, Trung Quốc và Philippines. Duy trì mức độ cao về ngành dọc sản xuất đảm bảo kiến ​​thức chính được phát triển và duy trì nội bộ.

Đảm bảo chất lượng là không thể thiếu trong quy trình sản xuất của STIHL; Là một phần của quá trình nâng cấp, STIHL đã tìm kiếm một giải pháp hoàn toàn tự động để đánh giá chất lượng hình ảnh. Alexander Fromm, kỹ sư về hệ thống tự động hóa tại STIHL Group, cho biết: “ Trước đây, “bài kiểm tra chất lượng hình ảnh khách quan được thực hiện bởi con người” . “Thử nghiệm và thành công của một hệ thống tầm nhìn là ít nhất có thể thực hiện đánh giá tương tự bằng cách sử dụng công nghệ mạng thần kinh.”

Từ mắt người đến học máy

Hoạt động kiểm tra mà STIHL tìm cách tăng cường tập trung vào việc sản xuất các đầu hút xăng như một bộ phận của máy cưa. Lọc bụi bẩn, dăm gỗ và các yếu tố xâm lấn khác, các đầu hút này là bộ phận tích hợp để đảm bảo không có hạt bụi bẩn nào lọt vào buồng đốt, có thể gây hư hỏng cho dụng cụ điện cầm tay.

Các đầu hút xăng bao gồm một thân nhựa và một mảnh vải được áp dụng sau này trong quá trình lắp ráp. Tại thời điểm này, các đầu hút này là bán thành phẩm trong quá trình sản xuất và việc kiểm tra diễn ra ở giữa quá trình sản xuất. Mỗi đầu hút có bốn cầu đi bộ phải được đánh giá độc lập sau quá trình ép phun và trước khi bộ phận chuyển sang bước tiếp theo trong quy trình sản xuất.

Điều quan trọng là phải đánh giá và phân loại các đường nối trên các bộ phận này để đảm bảo rằng cầu đi bộ được đặt đúng vị trí và bịt kín trước khi sử dụng. Cầu đi bộ mang lại sự ổn định cho bộ phận, kéo căng vải của bộ lọc và bao quanh đường may vải để nó không bị rách.

Trước khi triển khai hệ thống mới của STIHL, người vận hành sẽ thực hiện kiểm tra chất lượng hình ảnh khách quan để xác định xem các thành phần có phù hợp hay không. Mặc dù máy sản xuất luôn được tự động hóa, nhưng sự can thiệp của người vận hành là cần thiết khi đầu ra bắt đầu sai lệch so với tiêu chuẩn chất lượng cao tại STIHL. Trong những trường hợp đó, người vận hành sẽ cần kiểm tra trực quan lô phụ tùng để xác định xem máy sản xuất có vấn đề gì không.

STIHL đã tìm kiếm một giải pháp mới, một giải pháp sẽ thay thế yếu tố con người bằng thị giác máy dựa trên học sâu. Do đó, việc đánh giá đảm bảo chất lượng sẽ được tự động hóa để cắt giảm chi phí và tiết kiệm thời gian. “Khi chúng tôi bắt đầu quá trình xem xét giải pháp thị giác máy, mọi đầu hút xăng đều được con người kiểm tra,” Fromm nói, “tuy nhiên, các bộ phận rất nhỏ và các đặc điểm lỗi khá khó phát hiện, vì vậy chúng tôi đã xác định một cần triển khai thị giác máy vào quy trình kiểm tra.” Tỷ lệ trượt được định nghĩa là các trường hợp trong đó một bộ phận xấu được phân loại nhầm thành một bộ phận tốt; tỷ lệ trúng là kết quả chính xác.

“Chúng tôi đã làm việc với Matrox Imaging từ năm 2016,” Fromm tiếp tục, “khi STIHL thiết lập mối quan hệ với  Rauscher GmbH —nhà cung cấp thành phần thị giác máy và Hình ảnh Matrox chính ở Đức – sau cuộc gặp tại một hội chợ thương mại. Chúng tôi đánh giá cao việc có thể làm việc với một nhà cung cấp duy nhất để nhận cả phần cứng và phần mềm từ một nhà cung cấp, vì đó là công cụ giúp hệ thống của chúng tôi thiết lập và chạy nhanh chóng. Chính vì lịch sử tích cực của chúng tôi với Rauscher GmbH mà STIHL đã tìm kiếm chuyên môn về Hình ảnh Matrox từ việc phát triển hệ thống mới này.”

Đi sâu hơn với Deep Learning

“Quá trình kiểm tra từng bộ phận liên quan đến việc xem xét bốn bước chân riêng biệt và máy xử lý 60 bộ phận mỗi phút. Do đó, quá trình kiểm tra diễn ra với tốc độ 240 hình ảnh mỗi phút,” Fromm giải thích. Các công cụ xử lý hình ảnh thông thường đã được sử dụng để đánh giá các bộ phận; chức năng học sâu mở rộng lĩnh vực khả năng xử lý hình ảnh trong các trường hợp mà quá trình xử lý hình ảnh thông thường tạo ra kết quả không thuyết phục do tính biến thiên tự nhiên cao. “STIHL xác định rằng xử lý hình ảnh dựa trên quy tắc là không phù hợp, bởi vì các hình ảnh thành phần thay đổi quá nhiều và tỷ lệ lỗi quá cao, ngay cả ở tỷ lệ trúng nằm trong khoảng từ 80% đến 95%,” Fromm kết luận. “Do đó, hệ thống mới sẽ được yêu cầu tạo ra ít lần trượt hơn và dẫn đến tỷ lệ trúng cao hơn. Sử dụng các bước phân loại của Matrox Imaging mang lại tỷ lệ trúng chính xác 99,5%, một sự cải tiến to lớn.”

Hệ thống thị giác mới của STIHL bao gồm phần mềm thị giác Matrox Design Assistant X chạy trên bộ điều khiển thị giác Matrox 4Sight GPm, được chọn vì khả năng I/O, kết nối PROFINET và hỗ trợ Cấp nguồn qua Ethernet (PoE). Hệ thống này cũng bao gồm một camera quét dòng PoE, một bàn quay, một bộ mã hóa và đèn chiếu dòng cường độ cực cao (Dòng LL230) từ Chiếu sáng nâng cao.

Việc phát triển và triển khai hệ thống thị giác mới của STIHL đã tập hợp các chuyên gia thị giác từ nhóm của STIHL, các thành viên của nhóm ứng dụng của Rauscher GmbH, cũng như một số chuyên gia thị giác máy từ Matrox Vision Squad.

Tốt, không tốt và sự khác biệt nằm ở đâu

Đào tạo hiệu quả một mạng lưới thần kinh không phải là một nhiệm vụ tầm thường; hình ảnh phải đủ số lượng, được dán nhãn thích hợp và thể hiện các biến thể ứng dụng dự kiến ​​trên một thiết lập mang lại các điều kiện hình ảnh có thể lặp lại. Với suy nghĩ này, nhóm nghiên cứu tại STIHL đã mời các chuyên gia thị giác của Matrox Imaging đảm nhận việc đào tạo mạng thần kinh tích chập (CNN) thay mặt họ.

Fromm mô tả bộ sưu tập ảnh đại diện cho “một bộ phận bằng nhựa có đường may bằng vải, được chụp từ bên trong. Trong các hình ảnh, chỉ có cây cầu đi bộ chứa thông tin quan trọng, mọi thứ khác đều không liên quan. Do đó, để chuẩn bị tập dữ liệu, mỗi cây cầu đi bộ được tách ra khỏi hình ảnh chung và được sắp xếp vào các thư mục được phân loại là ‘tốt (IO)’ và ‘không tốt (NIO)’. Nhóm tại STIHL đã tiến hành quy trình dán nhãn thủ công cho 2.000 bộ phận đại diện, mỗi bộ phận có bốn hình ảnh, để có tổng số 8.000 hình ảnh trong bộ dữ liệu. Nếu không có sự hướng dẫn của nhóm kỹ thuật Matrox Imaging, mức độ phức tạp này sẽ là một thách thức đặc biệt.”

Bộ sưu tập gồm 8.000 hình ảnh đã được cung cấp cho nhóm chuyên gia thị giác của Matrox Imaging, những người đã sử dụng môi trường tương tác MIL CoPilot để đào tạo CNN và tạo tệp ngữ cảnh phân loại, tệp này sau đó được trả lại cho STIHL để nhập vào môi trường phần mềm Matrox Design Assistant X và được sử dụng để tự động phân loại hình ảnh mới vào các lớp được xác định trước này. MIL CoPilot cấp quyền truy cập vào các cấu trúc CNN được xác định trước và cung cấp trải nghiệm thân thiện với người dùng để xây dựng bộ dữ liệu hình ảnh cần thiết cho đào tạo.

Fromm khẳng định rằng “ đầu mối liên hệ chính của chúng tôi là thông qua Rauscher GmbH; chúng tôi đã nhận được câu trả lời nhanh chóng và hỗ trợ rất tốt. Khi hệ thống được đưa lên mạng, nhóm STIHL đã tiến hành đào tạo trực tuyến bằng cách sử dụng cổng thông tin Matrox Vision Academy để giúp củng cố kiến ​​thức của chúng tôi về cách sử dụng tốt nhất phần mềm thị giác máy Matrox Design Assistant X.”

Đưa nó trực tuyến

Với sự hỗ trợ từ Matrox Imaging, STIHL đã giải quyết thành công thách thức trong việc thiết lập bản trình bày chính xác và có thể lặp lại của cầu đi bộ để tạo điều kiện chụp ảnh để đào tạo CNN. Một thách thức khác chỉ đơn giản là thu thập khối lượng hình ảnh khổng lồ cần thiết, cũng như việc cắt, phân loại và dán nhãn hình ảnh một cách cẩn thận. “Đó là một thách thức,” Fromm lưu ý, “nhưng bạn càng đầu tư nhiều thời gian để có được những hình ảnh đẹp, bạn càng nhận được kết quả tốt hơn!”

Sự kết luận

Hệ thống tầm nhìn mới của họ hiện đã được triển khai, STIHL vô cùng hài lòng với những cải tiến mà các công cụ phân loại dựa trên học sâu của Matrox Design Assistant X đã thực hiện đối với các biện pháp đảm bảo chất lượng của họ. Các kế hoạch đã được tiến hành để phát triển một hệ thống tương tự thứ hai; thu thập hình ảnh và đào tạo CNN đã bắt đầu.

“Matrox Imaging và Rauscher GmbH là những đối tác rất tốt; STIHL đã sử dụng phần mềm, thành phần và hệ thống Hình ảnh Matrox trong nhiều năm,” Fromm kết luận. “ Công nghệ học sâu mở rộng lĩnh vực xử lý hình ảnh, trong đó xử lý hình ảnh thông thường mang lại kết quả không thỏa đáng. Việc triển khai hệ thống mới này—một hệ thống triển khai học sâu hiệu quả—đã thay thế các quy trình trực quan khách quan mà STIHL đã áp dụng. Do đó, chúng tôi mong đợi những cải tiến lớn về hiệu quả của mình, với khả năng thực hiện các nhiệm vụ mới, đảm bảo cải thiện tổng thể về chất lượng sản phẩm của chúng tôi.”

Để biết thêm thông tin: www.matrox.com