Как обеспечить надёжную работу системы распознавания объектов в системах промышленного машинного зрения в сложных условиях освещения?

Традиционная обработка изображений на основе правил быстро достигает своих пределов при работе с отражениями, изменяющимися свойствами поверхностей и меняющимися условиями освещения. Использование моделей глубокого обучения, таких как YOLOv8, позволяет обеспечить надежное обнаружение объектов благодаря обучению на наборах данных с реалистичным дополнением. С помощью ibaVision такие модели можно интегрировать в существующие системы видеонаблюдения и постоянно переобучать. Это гарантирует стабильную эффективность обнаружения даже в изменяющихся производственных условиях.

Как системы машинного зрения на основе искусственного интеллекта можно интегрировать в существующие производственные среды?

Для эффективной интеграции необходима беспроблемная связь с существующими системами и средами хранения данных без увеличения аппаратной сложности. ibaVision обеспечивает интеграцию моделей искусственного интеллекта через стандартизированные интерфейсы, например на базе Python. Обнаруженные объекты и результаты могут напрямую передаваться в ibaPDA и связываться с производственными данными. Это создает единую базу данных для дальнейшего анализа.

Как обеспечить сквозную прослеживаемость характеристик визуального качества на производстве?

Для обеспечения полной прослеживаемости необходимо хранить как исходные изображения, так и полученные в результате анализа данные. С помощью ibaCapture данные изображений и результаты распознавания объектов можно архивировать с синхронизацией по времени. В сочетании с данными о технологическом процессе из ibaPDA это создает полный контекст для каждого обнаруженного события. Это обеспечивает подробную прослеживаемость и последующий анализ первопричин.

Как можно использовать извлеченные данные изображений для углубленного анализа технологических процессов?

Интеграция результатов машинного зрения в системы данных о технологических процессах позволяет установить прямую взаимосвязь между визуальными событиями и состояниями оборудования. Система ibaPDA в режиме реального времени фиксирует извлеченные показатели, такие как количество объектов или их состояние. Затем эти данные можно подробно проанализировать с помощью ibaAnalyzer. В результате можно выявить взаимосвязи и определить возможности для оптимизации.

Как можно эффективно обучать и масштабировать модели искусственного интеллекта для промышленного применения?

Структурированный процесс обучения начинается с аннотирования реальных изображений и дополняется целенаправленным расширением данных, чтобы учесть производственную изменчивость. Модели, такие как YOLOv8, можно итеративно совершенствовать путем постоянного включения новых данных в процесс обучения. С помощью ibaVision обученные модели можно внедрять в существующие системы без необходимости использования специализированного оборудования. Это позволяет масштабировать внедрение на нескольких заводах с минимальными затратами на инфраструктуру.

Обнаружение ремня рулона стали с помощью искусственного интеллекта с помощью ibaVision

История успеха

При производстве алюминиевых рулонов правильная обвязка имеет большое значение для обеспечения безопасного обращения и транспортировки. Отсутствующие или неправильно закрепленные ленты представляют собой значительный риск для безопасности, особенно на высокопроизводительных линиях отделки, где ручные проверки подвержены человеческим ошибкам.

Решение Преимущества Заключение Используемые функции Другие истории успеха

Цель проекта заключалась в автоматическом определении количества рулонов и количества ремней с помощью существующей инфраструктуры камер, обеспечивая при этом беспрепятственную интеграцию в среду данных технологического процесса предприятия. Решение задумывалось не как система, сертифицированная с точки зрения безопасности, а скорее как инструмент для повышения надежности технологического процесса и предоставления операторам ценных сведений в режиме реального времени. Однако обнаружение ремешков на рулонах стали в реальных условиях сопряжено с многочисленными трудностями: рулоны различаются по размеру, поверхности могут быть блестящими или матовыми, а отражения и меняющиеся условия освещения делают традиционную обработку изображений ненадежной. Фиксированный ракурс камеры еще больше ограничивал возможности оптимизированного захвата изображения.

Реализация с помощью ibaVision

Подход глубокого обучения с использованием YOLOv8, быстрого и легкого фреймворка для обнаружения объектов, обеспечил гибкость, необходимую для обработки визуальных вариаций и повышения точности обнаружения с течением времени путем простого добавления большего количества обучающих изображений. В отличие от статичных методов, основанных на фильтрах, модели ИИ можно постоянно переобучать и оптимизировать с минимальными усилиями. Первоначальный набор данных изображений рулона стали и ремня был вручную аннотирован с ограничительными рамками. Чтобы учесть вариативность реального мира, набор данных был дополнен изменением яркости, контрастности и резкости, а также имитацией размытия и шума. Три отдельные модели YOLOv8 были обучены на последовательных этапах. Затем обученная модель была интегрирована в ibaVision через интерфейс на базе Python. Решение работает на существующей виртуальной машине заказчика, не требуя оборудования GPU. Для каждой обнаруженной катушки ibaVision регистрирует исходное изображение с камеры и обработанный результат обнаружения в ibaCapture, а количество катушек и ремней записывается в ibaPDA для дальнейшего анализа процесса.

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

Преимущества

Надежное обнаружение в сложных реальных условиях, даже при отражениях и изменениях освещения
Бесшовная интеграция в среду iba, позволяющая проводить контекстный анализ процессов
Простота переобучения и развертывания, что делает решение адаптируемым для будущих линий или дополнительных проектов

Заключение

Объединив обнаружение на основе искусственного интеллекта в YOLOv8 с мощными возможностями визуализации и протоколирования в ibaVision, проект успешно продемонстрировал, как современное машинное зрение может повысить прозрачность и надежность процессов, не требуя сложной инфраструктуры или передовых знаний в области искусственного интеллекта со стороны пользователя.

Благодаря сочетанию ibaVision, ibaCapture и ibaPDA мы создали практичное решение на основе искусственного интеллекта, которое легко вписывается в существующую среду заказчика. Модель обнаружения, работающая в ibaVision, позволяет нам надежно подсчитывать катушки и ремни, в то время как ibaPDA регистрирует результаты, а ibaCapture хранит соответствующие изображения.

Артур Крекельс
Инженер по применению и консалтингу, iba Benelux

Используемые функции

В данном приложении используются следующие функции системы iba.

Узнайте больше историй успеха

Читайте вдохновляющие истории успеха наших довольных клиентов.

Часто задаваемые вопросы (FAQ)

Как обеспечить надёжную работу системы распознавания объектов в системах промышленного машинного зрения в сложных условиях освещения?: Традиционная обработка изображений на основе правил быстро достигает своих пределов при работе с отражениями, изменяющимися свойствами поверхностей и меняющимися условиями освещения. Использование моделей глубокого обучения, таких как YOLOv8, позволяет обеспечить надежное обнаружение объектов благодаря обучению на наборах данных с реалистичным дополнением. С помощью ibaVision такие модели можно интегрировать в существующие системы видеонаблюдения и постоянно переобучать. Это гарантирует стабильную эффективность обнаружения даже в изменяющихся производственных условиях.
Как системы машинного зрения на основе искусственного интеллекта можно интегрировать в существующие производственные среды?: Для эффективной интеграции необходима беспроблемная связь с существующими системами и средами хранения данных без увеличения аппаратной сложности. ibaVision обеспечивает интеграцию моделей искусственного интеллекта через стандартизированные интерфейсы, например на базе Python. Обнаруженные объекты и результаты могут напрямую передаваться в ibaPDA и связываться с производственными данными. Это создает единую базу данных для дальнейшего анализа.
Как обеспечить сквозную прослеживаемость характеристик визуального качества на производстве?: Для обеспечения полной прослеживаемости необходимо хранить как исходные изображения, так и полученные в результате анализа данные. С помощью ibaCapture данные изображений и результаты распознавания объектов можно архивировать с синхронизацией по времени. В сочетании с данными о технологическом процессе из ibaPDA это создает полный контекст для каждого обнаруженного события. Это обеспечивает подробную прослеживаемость и последующий анализ первопричин.
Как можно использовать извлеченные данные изображений для углубленного анализа технологических процессов?: Интеграция результатов машинного зрения в системы данных о технологических процессах позволяет установить прямую взаимосвязь между визуальными событиями и состояниями оборудования. Система ibaPDA в режиме реального времени фиксирует извлеченные показатели, такие как количество объектов или их состояние. Затем эти данные можно подробно проанализировать с помощью ibaAnalyzer. В результате можно выявить взаимосвязи и определить возможности для оптимизации.
Как можно эффективно обучать и масштабировать модели искусственного интеллекта для промышленного применения?: Структурированный процесс обучения начинается с аннотирования реальных изображений и дополняется целенаправленным расширением данных, чтобы учесть производственную изменчивость. Модели, такие как YOLOv8, можно итеративно совершенствовать путем постоянного включения новых данных в процесс обучения. С помощью ibaVision обученные модели можно внедрять в существующие системы без необходимости использования специализированного оборудования. Это позволяет масштабировать внедрение на нескольких заводах с минимальными затратами на инфраструктуру.