Контроль качества – неотъемлемая часть любого производства. До недавнего времени производители полагались исключительно на визуальный осмотр изделий квалифицированным персоналом. Данный метод, однако, требовал значительных трудовых ресурсов, длительного обучения сотрудников и повышенной концентрации внимания, что делало его уязвимым к человеческому фактору. Утомление и невнимательность персонала могли приводить к выпуску некачественной продукции.
Наша компания разработала инновационные решения, обеспечивающие практически полную автоматизацию визуального контроля качества изделий на различных производственных линиях. Эти решения уже успешно внедрены в реальные производства.
В настоящей статье мы рассмотрим успешный опыт применения системы визуального контроля качества с использованием технологий машинного зрения на линии производства радиаторов охлаждения.
Контроль качества медных радиаторов
Заказчик производит медные радиаторы охлаждения для микропроцессоров. Эффективность этих радиаторов напрямую зависит от качества рабочей поверхности, контактирующей с чипом. Любые дефекты этой поверхности могут существенно снизить эффективность теплоотвода, что приведет к нестабильной работе и возможному выходу из строя конечного устройства.
Кроме того, сколы и царапины могут стать очагами коррозии, впоследствии приводящей к разрушению радиатора.
Для обеспечения высокого качества продукции производитель должен уделять особое внимание следующим параметрам:
- Однородность и ровность поверхности: любая деформация поверхности может негативно сказаться на плотности прилегания радиатора к чипу, снижая эффективность теплопередачи.
- Отсутствие вмятин, сколов и царапин: такие дефекты нарушают целостность рабочей поверхности, что ухудшает теплообмен.
- 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 автоматического контроля качества была создана линия инспекции поверхности радиаторов с использованием технологий машинного зрения. Процесс контроля осуществляется в несколько этапов и интегрирован с роботизированной рукой, оснащенной вакуумным насосом для удаления дефектных изделий.
С целью минимизации погрешностей системы распознавания образов, изображения снимаются с помощью нескольких камер, расположенных под различными углами.
Линия контроля качества радиаторов представляет собой круговую вращающуюся платформу, на которой каждый оборот соответствует одному циклу тестирования.
Процесс начинается с установки новых радиаторов на платформу с помощью вакуумного насоса. В ходе первого этапа производится проверка ровности поверхности изделия высокоточным лазерным дальномером, который сканирует периметр радиатора. Далее две камеры осуществляют фотографирование поверхности радиатора под прямым и боковым углами для визуальной оценки качества.
Весь процесс тестирования отображается в режиме реального времени на видеозаписи.
В случае обнаружения дефектов, радиаторы направляются в отдельные лотки в зависимости от типа брака. Такой подход позволяет специалистам проводить детальный анализ причин возникновения дефектов и осуществлять корректировку параметров производственной линии для повышения качества продукции.
Компоненты системы
Управление всей системой осуществляется вычислительным модулем, основанным на компактном промышленном компьютере. Данный компьютер собирает данные со всех компонентов системы. Обработка изображений высокого разрешения, получаемых с камер, выполняется на компьютерах, построенных на платформе NVIDIA Jetson Xavier. Эти компьютеры специально разработаны для запуска нейронных сетей и систем машинного обучения. Раньше для подобных задач требовались целые кластеры графических процессоров (GPU) с системами активного охлаждения. В настоящее время один компьютер с пассивным охлаждением способен заменить такие кластеры.
Компьютер на базе платформы NVIDIA Jetson Xavier осуществляет обработку изображений посредством нейронной сети, включая фреймворк машинного обучения для обнаружения дефектов деталей, разработанный специально для аппаратных платформ Nvidia Jetson.
Заключение
В настоящее время внедрение систем машинного обучения стало значительно более доступным для производителей, чем в предыдущие годы. Благодаря появлению готовых аппаратных платформ, размещаемых в стандартном корпусе промышленного компьютера, необходимость развертывания громоздких кластеров видеокарт отпала.
Развитые программные фреймворки машинного обучения предоставляют доступ к десяткам типовых обученных моделей, что избавляет заказчиков от необходимости разработки систем с нуля.
