Come è possibile implementare in modo affidabile il rilevamento degli oggetti nei sistemi di visione artificiale industriale in condizioni di illuminazione difficili?

L'elaborazione delle immagini convenzionale basata su regole raggiunge rapidamente i propri limiti quando si ha a che fare con riflessi, proprietà delle superfici variabili e condizioni di illuminazione mutevoli. L'uso di modelli di deep learning come YOLOv8 consente un rilevamento affidabile degli oggetti grazie all'addestramento su set di dati arricchiti in modo realistico. Con ibaVision, tali modelli possono essere integrati nei sistemi di telecamere esistenti e sottoposti a un continuo riaddestramento. Ciò garantisce prestazioni di rilevamento stabili anche in condizioni di produzione variabili.

In che modo è possibile integrare i sistemi di visione artificiale basati sull'intelligenza artificiale negli ambienti di produzione esistenti?

Un'integrazione efficiente richiede una connettività senza soluzione di continuità con i dati e gli ambienti di sistema esistenti, senza aumentare la complessità hardware. ibaVision consente l'integrazione di modelli di IA tramite interfacce standardizzate, ad esempio basate su Python. Gli oggetti rilevati e i risultati possono essere trasferiti direttamente a ibaPDA e collegati ai dati di processo. Ciò crea una base dati coerente per ulteriori analisi.

Come è possibile garantire la tracciabilità end-to-end delle caratteristiche qualitative visive nella produzione?

Una tracciabilità completa richiede l'archiviazione sia delle immagini originali che dei risultati delle analisi derivati. Con ibaCapture, i dati delle immagini e i risultati del rilevamento degli oggetti possono essere archiviati in modo sincronizzato nel tempo. In combinazione con i dati di processo provenienti da ibaPDA, ciò crea un contesto completo per ogni evento rilevato. Ciò consente una tracciabilità dettagliata e la successiva analisi delle cause alla radice.

In che modo è possibile sfruttare i dati delle immagini acquisite per un'analisi avanzata dei processi?

L'integrazione dei risultati della visione artificiale nei sistemi di dati di processo consente di stabilire una correlazione diretta tra gli eventi visivi e lo stato delle macchine. ibaPDA acquisisce in tempo reale le metriche estratte, quali il conteggio degli oggetti o il loro stato. Questi dati possono poi essere analizzati in dettaglio utilizzando ibaAnalyzer. Di conseguenza, è possibile individuare le correlazioni e individuare il potenziale di ottimizzazione.

Come è possibile addestrare e scalare in modo efficiente i modelli di IA destinati alle applicazioni industriali?

Un processo di addestramento strutturato inizia con l'annotazione di dati visivi reali e viene ottimizzato attraverso un aumento mirato dei dati, al fine di riflettere la variabilità della produzione. Modelli come YOLOv8 possono essere migliorati in modo iterativo integrando continuamente nuovi dati nel processo di addestramento. Con ibaVision, i modelli addestrati possono essere implementati nei sistemi esistenti senza la necessità di hardware specializzato. Ciò consente un'implementazione scalabile in più stabilimenti con un impegno minimo in termini di infrastruttura.

Rilevamento delle cinghie di Coil con ibaVision, alimentato dall'AI

Success Stories

Nella produzione di coils di alluminio, una corretta reggiatura è essenziale per garantire la sicurezza della movimentazione e del trasporto. Le reggette mancanti o non correttamente fissate rappresentano un rischio significativo per la sicurezza, soprattutto nelle linee di finitura ad alta produttività, dove i controlli manuali sono soggetti a errori umani.

Soluzione Vantaggi Conclusione Funzioni usate Altre Success Stories

L'obiettivo del progetto era quello di rilevare automaticamente il numero di Coil e il numero di reggette utilizzando l'infrastruttura di telecamere esistente, garantendo al contempo una perfetta integrazione nell'ambiente dei dati di processo dell'impianto. La soluzione non era intesa come un sistema certificato per la sicurezza, ma piuttosto come uno strumento per migliorare l'affidabilità del processo e fornire agli operatori preziose informazioni in tempo reale. Tuttavia, il rilevamento delle cinghie delle bobine in condizioni reali presentava molteplici difficoltà: le bobine hanno dimensioni diverse, le superfici possono essere lucide o opache e i riflessi e le condizioni di illuminazione variabili rendevano inaffidabile l'elaborazione tradizionale delle immagini. La prospettiva fissa della telecamera limitava ulteriormente le opzioni per un'acquisizione ottimizzata delle immagini.

Implementazione con ibaVision

Un approccio di deep learning con YOLOv8, un framework di rilevamento degli oggetti veloce e leggero, ha offerto la flessibilità necessaria per gestire le variazioni visive e migliorare l'accuratezza del rilevamento nel tempo, semplicemente aggiungendo altre immagini di addestramento. A differenza dei metodi statici basati su filtri, i modelli di intelligenza artificiale possono essere riqualificati e ottimizzati continuamente con il minimo sforzo. Un set iniziale di immagini di Coil e di cinghie è stato annotato manualmente con caselle di delimitazione. Per tenere conto della variabilità del mondo reale, il set di dati è stato aumentato modificando la luminosità, il contrasto e la nitidezza e simulando la sfocatura e il rumore. In fasi successive sono stati addestrati tre modelli YOLOv8 distinti. Il modello addestrato è stato poi integrato in ibaVision tramite un'interfaccia basata su Python. La soluzione viene eseguita sulla macchina virtuale esistente del cliente senza richiedere hardware GPU. Per ogni bobina rilevata, ibaVision registra sia l'immagine originale della telecamera che il risultato del rilevamento elaborato in ibaCapture, mentre il numero di bobine e di cinghie viene registrato in ibaPDA per un'ulteriore analisi del processo.

System diagram showing synchronized data flow between ibaPDA, ibaCapture, and ibaVision YOLOv8.

Vantaggi

Rilevamento affidabile in condizioni reali difficili, anche in presenza di riflessi e variazioni di illuminazione
Integrazione perfetta nell'ambiente iba, che consente un'analisi contestualizzata dei processi
Facile riqualificazione e reimpiego, che rende la soluzione adattabile a linee future o a progetti aggiuntivi

Conclusione

Combinando il rilevamento basato sull'intelligenza artificiale di YOLOv8 con le potenti capacità di visualizzazione e registrazione di ibaVision, il progetto ha dimostrato con successo come la moderna visione artificiale possa aumentare la trasparenza e l'affidabilità dei processi senza richiedere infrastrutture complesse o competenze avanzate in materia di intelligenza artificiale da parte dell'utente.

Grazie alla combinazione di ibaVision, ibaCapture e ibaPDA, abbiamo creato una soluzione pratica basata sull'intelligenza artificiale che si integra perfettamente nell'ambiente esistente del cliente. Il modello di rilevamento, eseguito all'interno di ibaVision, ci permette di contare in modo affidabile le bobine e le cinghie, mentre ibaPDA registra i risultati e ibaCapture conserva le immagini corrispondenti.

Artuur Krekels
Ingegnere applicativo e consulente, iba Benelux

Funzioni usate

In questa applicazione vengono utilizzate le seguenti funzioni del sistema iba.

Esplora altre Success Stories

Leggete le storie di successo dei nostri clienti soddisfatti.

Domande frequenti (FAQ)

Come è possibile implementare in modo affidabile il rilevamento degli oggetti nei sistemi di visione artificiale industriale in condizioni di illuminazione difficili?: L'elaborazione delle immagini convenzionale basata su regole raggiunge rapidamente i propri limiti quando si ha a che fare con riflessi, proprietà delle superfici variabili e condizioni di illuminazione mutevoli. L'uso di modelli di deep learning come YOLOv8 consente un rilevamento affidabile degli oggetti grazie all'addestramento su set di dati arricchiti in modo realistico. Con ibaVision, tali modelli possono essere integrati nei sistemi di telecamere esistenti e sottoposti a un continuo riaddestramento. Ciò garantisce prestazioni di rilevamento stabili anche in condizioni di produzione variabili.
In che modo è possibile integrare i sistemi di visione artificiale basati sull'intelligenza artificiale negli ambienti di produzione esistenti?: Un'integrazione efficiente richiede una connettività senza soluzione di continuità con i dati e gli ambienti di sistema esistenti, senza aumentare la complessità hardware. ibaVision consente l'integrazione di modelli di IA tramite interfacce standardizzate, ad esempio basate su Python. Gli oggetti rilevati e i risultati possono essere trasferiti direttamente a ibaPDA e collegati ai dati di processo. Ciò crea una base dati coerente per ulteriori analisi.
Come è possibile garantire la tracciabilità end-to-end delle caratteristiche qualitative visive nella produzione?: Una tracciabilità completa richiede l'archiviazione sia delle immagini originali che dei risultati delle analisi derivati. Con ibaCapture, i dati delle immagini e i risultati del rilevamento degli oggetti possono essere archiviati in modo sincronizzato nel tempo. In combinazione con i dati di processo provenienti da ibaPDA, ciò crea un contesto completo per ogni evento rilevato. Ciò consente una tracciabilità dettagliata e la successiva analisi delle cause alla radice.
In che modo è possibile sfruttare i dati delle immagini acquisite per un'analisi avanzata dei processi?: L'integrazione dei risultati della visione artificiale nei sistemi di dati di processo consente di stabilire una correlazione diretta tra gli eventi visivi e lo stato delle macchine. ibaPDA acquisisce in tempo reale le metriche estratte, quali il conteggio degli oggetti o il loro stato. Questi dati possono poi essere analizzati in dettaglio utilizzando ibaAnalyzer. Di conseguenza, è possibile individuare le correlazioni e individuare il potenziale di ottimizzazione.
Come è possibile addestrare e scalare in modo efficiente i modelli di IA destinati alle applicazioni industriali?: Un processo di addestramento strutturato inizia con l'annotazione di dati visivi reali e viene ottimizzato attraverso un aumento mirato dei dati, al fine di riflettere la variabilità della produzione. Modelli come YOLOv8 possono essere migliorati in modo iterativo integrando continuamente nuovi dati nel processo di addestramento. Con ibaVision, i modelli addestrati possono essere implementati nei sistemi esistenti senza la necessità di hardware specializzato. Ciò consente un'implementazione scalabile in più stabilimenti con un impegno minimo in termini di infrastruttura.