Контроль качества является неотъемлемой частью любого производственного процесса. Традиционно, контроль качества осуществлялся путем визуального осмотра продукции специально обученными сотрудниками.
Однако, такой подход имеет существенные ограничения: он требует значительных трудовых ресурсов, длительного обучения персонала, повышенной концентрации внимания и подвержен влиянию человеческого фактора. Утомление и невнимательность сотрудников могут привести к выпуску бракованной продукции.
В последнее время было разработано инновационное решение, позволяющее полностью автоматизировать процесс визуального контроля качества. Данное решение уже успешно применяется на действующих производствах. В данной статье представлен опыт внедрения системы визуального контроля качества на основе машинного зрения на линии производства радиаторов охлаждения.
Описание системы
Заказчик занимается производством медных радиаторов охлаждения для микропроцессоров.
Критическим аспектом качества радиаторов является состояние рабочей поверхности, контактирующей с чипом. Любые дефекты на этой поверхности могут существенно снизить эффективность теплоотвода, что повлечет за собой перегрев и выход из строя конечного устройства. Помимо этого, сколы и царапины могут спровоцировать коррозию и привести к разрушению радиатора.
Для производителя крайне важно контролировать следующие параметры качества:
- Однородность и ровность поверхности. Любые продольные деформации ухудшают прилегание радиатора к чипу.
- Отсутствие вмятин, сколов и царапин. Такие неровности на рабочей поверхности существенно снижают эффективность теплопередачи.
- Сохранность маркировки. Для бесперебойной работы автоматических сборочных линий маркировка на компонентах должна быть четкой и читаемой.
Основные типы дефектов радиаторов, которые обнаруживает система машинного зрения
Для обеспечения непрерывного автоматизированного контроля качества была создана многоуровневая система инспекции поверхностей радиаторов. В основе системы лежит технология машинного зрения, использующая изображения, получаемые с нескольких камер под различными углами для минимизации вероятности ошибок распознавания. Обнаруженные дефектные изделия автоматически удаляются роботизированной рукой, оснащенной вакуумным насосом.
Линия оснащена вращающейся платформой кругового типа, на которой с каждым оборотом проводится один цикл тестирования. В начальной стадии процесса робот-манипулятор монтирует радиаторы на платформу, используя вакуумный насос. После установки производится проверка поверхности радиатора на предмет геометрических дефектов с помощью высокоточного лазерного сканера, который охватывает весь периметр изделия.
Далее, в автоматическом режиме, радиатор фотографируется под прямым углом. Для получения дополнительной информации о поверхности радиатора предусмотрена съемка под другим углом с использованием второй камеры.
В случае обнаружения дефектов, изделие направляется в соответствующий лоток для последующего анализа специалистами. Такая сегрегация бракованных изделий позволяет эффективно выявлять причины возникновения дефектов и внедрять корректирующие меры на линии производства.
Компоненты системы
Управление всей системой осуществляется посредством компактного промышленного компьютера, который выполняет функции вычислительного модуля.
Обработка изображений с высоким разрешением, получаемых от камер, производится на специализированных компьютерах, построенных на платформе NVIDIA Jetson Xavier. Эти компьютеры оптимизированы для работы с нейронными сетями и системами машинного обучения. Ранее для решения подобных задач требовались громоздкие кластеры графических процессоров (GPU) с активными системами охлаждения. В настоящее время один компьютер с пассивным охлаждением способен заменить весь такой кластер.
Специально для аппаратных платформ Nvidia Jetson был разработан фреймворк машинного обучения, предназначенный для обнаружения дефектов в деталях.
Система классифицирует бракованные детали по типам дефектов и направляет их в отдельные лотки. Это позволяет специалистам проанализировать причины возникновения брака и внести необходимые коррективы в производственный процесс.
Заключение
В настоящее время внедрение систем машинного обучения стало значительно более доступным для производителей по сравнению с периодом нескольких лет назад. Благодаря появлению готовых аппаратных платформ, размещаемых в компактном корпусе промышленного компьютера, отпала необходимость развертывания громоздких кластеров видеокарт.
Кроме того, современные программные фреймворки машинного обучения предоставляют широкий выбор типовых обученных моделей, что освобождает заказчиков от необходимости разработки системы с нуля.
