Bedrijven zijn vaak terughoudend om het potentieel van machine vision te benutten. Een gebrek aan gekwalificeerd personeel en een gebrek aan programmeervaardigheden onder de werknemers worden vaak aangehaald als belangrijkste reden. Maar dit hoeft niet het geval te zijn: dankzij gebruiksvriendelijke machine vision software zoals MERLIC van MVTec, kan elk bedrijf eenvoudig en snel profiteren van de voordelen van machine vision – zonder enige programmeervaardigheden.
De meeste industriële sectoren vertrouwen tegenwoordig op een zeer hoge mate van automatisering in hun waardeketens. Om te voldoen aan de eisen van industrie 4.0 en de slimme fabriek, moeten productieprocessen volledig worden verbonden en gedigitaliseerd. Machine vision kan een waardevolle bijdrage leveren op tal van gebieden. Het functioneert als het “oog van de productie” en bewaakt alle productie-, kwaliteitsborgings- en intralogistieke processen. Dit omvat twee componenten: hardware, in de vorm van beeldopnameapparaten zoals camera’s of sensoren die strategisch in de productieomgeving zijn geplaatst en continu grote hoeveelheden digitale beeldgegevens vastleggen en genereren, en software.
Wat kan machine vision doen?
De technologie is onmisbaar voor moderne, sterk geautomatiseerde inspectieprocessen als onderdeel van operationele kwaliteitsborging. Het kan worden gebruikt om elk type defect in objecten betrouwbaar te detecteren. Met behulp van optische tekenherkenning (OCR) technologieën worden objecten niet alleen herkend op basis van vorm en textuur, maar ook op basis van bedrukte combinaties van cijfers en letters. Machine vision maakt niet alleen precieze positionering en uitlijning van werkstukken mogelijk, maar helpt ook robots bij het nauwkeurig grijpen, hanteren en plaatsen van objecten, waardoor directe tussenkomst van de operator overbodig wordt. Deze automatisering verbetert de efficiëntie en veiligheid van het hele hanteringsproces.
Of het nu gaat om traditionele productie, autoproduktie, machine- en installatiebouw, elektronica-productie, batterijproductie of zelfs de voedingsmiddelen- en drankenindustrie – machine vision kan worden gebruikt in deze en vele andere industrieën. Het werkt niet alleen zeer snel, maar ook zeer nauwkeurig. Het verwerken van grote hoeveelheden digitale beeldgegevens gebeurt in enkele milliseconden, wat zeer nauwkeurige, betrouwbare en robuuste resultaten oplevert. Dankzij moderne machine vision kunnen bedrijven aanzienlijke kosten besparen – of het nu gaat om montage, kwaliteitsborging of logistieke workflows.
Gebruiksvriendelijkheid
De integratie van professionele machine vision-toepassingen is meestal zeer complex. Aangezien er voor dergelijke machine vision software geen programmeervaardigheden vereist zijn, kan industriële beeldverwerking dus ook een waardevolle bijdrage leveren aan digitalisering voor kleine en middelgrote bedrijven in verschillende industrieën, waar gekwalificeerd personeel of bijbehorende programmeervaardigheden vaak schaars zijn. Hier kan gebruiksvriendelijke machine vision software zoals MVTec MERLIC een oplossing bieden.
Als een alles-in-één oplossing kan MERLIC eenvoudig in fabrieken worden geïntegreerd dankzij de ondersteuning van alle gangbare industriestandaarden en compatibiliteit met een breed scala aan hardware. Het bevat alle benodigde functies zoals beeldopname, beeldverwerking en visualisatie, oftewel de weergave van resultaten in een frontend. Vooral belangrijk, vooral voor machine vision beginners zonder programmeervaardigheden, is het gebruiksvriendelijke aspect. De tools die nodig zijn om de machine vision applicatie te creëren, kunnen gemakkelijk worden geselecteerd via drag & drop vanuit de grafische gebruikersinterface van MERLIC. Dit stelt gebruikers in staat om complete machine vision applicaties snel te ontwikkelen en te bedienen zonder een regel code te schrijven. Eenvoudige integratie in bestaande besturingsconcepten is ook te allen tijde mogelijk.
MVTec MERLIC richt zich ook op het toenemende belang van kunstmatige intelligentie (AI) in de industriële context met zijn geïntegreerde deep learning technologieën. Met behulp van zelflerende algoritmen kunnen uitstekende resultaten worden behaald in object- en defectdetectie. Als noch de hoeveelheid hoogwaardige beeldgegevens, noch de krachtige hardware die nodig is voor training beschikbaar zijn, of als men te maken heeft met zeer hoge productiesnelheden, zijn klassieke op regels gebaseerde methoden vaak het betere alternatief. MERLIC biedt voor dit doel ook een verscheidenheid aan industriebewijsde verwerkingstools.
MERLIC in de praktijk
Twee voorbeelden uit verschillende industrieën laten de voordelen zien van het gebruik van machine vision in de industriële sector.
In de voedingsmiddelenindustrie zijn producten zoals aardappelen of chocoladerepen meestal ongeordend op de transportband wanneer ze naar het robotverpakkingsgebied worden vervoerd. Om de robot in staat te stellen de producten precies te grijpen in deze chaotische scène, detecteert MERLIC de producten met behulp van een camera en verzendt precieze positiedata naar de robot. Zodra de voedingsmiddelen het werkgebied van de robot binnenkomen, begint deze de producten te hanteren op basis van de data van MERLIC, volgens het first-in/first-out-principe. De machine pakt het voorste product en plaatst het op de aangewezen locatie. De coördinatenstelsels van MERLIC en de robot zijn uitgelijnd zodat de visiecoördinaten precies overeenkomen met de getrainde werkruimte van de robot. Om ervoor te zorgen dat de robot de objecten precies, robuust en snel kan vinden, zelfs onder moeilijke omstandigheden, wordt de geïntegreerde matchingtechnologie van MERLIC gebruikt. Dit stelt de robot in staat om flexibel te reageren op veranderende variabelen, zoals wanneer contouren worden gedraaid, geschaald, perspectivisch vervormd, gedeeltelijk bedekt of buiten beeld zijn.
Vooral bij het inspecteren van complexe onderdelen, zoals metalen veren, leveren deep-learning-gebaseerde technologieën zoals globale contextanomaliedetectie uitstekende resultaten op. In dit proces maakt een krachtige camera een bovenaanzicht van elk component. Op de vastgelegde beelden met de metalen veren voert globale contextanomaliedetectie de inspectie uit. De deep learning technologie bestaat uit twee neurale netwerken. Het “lokale” netwerk controleert op kleinschalige defecten zoals krassen, scheuren of verontreinigingen. Het “globale” netwerk gaat een stap verder en controleert op logische defecten, zoals gebogen of ontbrekende beugels. Uit de interferentie van de twee netwerken bepaalt de globale contextanomaliedetectie een anomalie-score. Deze score wordt vervolgens vergeleken met een vooraf bepaalde anomaliedrempel. Als de anomalie-score boven deze drempel ligt, duidt dit op een defect onderdeel dat wordt afgekeurd. Het inspectieproces met behulp van deep learning technologie biedt een groot voordeel ten opzichte van het gebruik van een op regels gebaseerde methode. Bij een op regels gebaseerde aanpak moeten alle mogelijke soorten defecten individueel worden geëxtraheerd en gedefinieerd op basis van “slechte beelden”. Daarentegen zijn voor het trainen van de deep learning methoden van MERLIC alleen “goede beelden” nodig.
