W inspekcji defektów przemysłowych od dawna szeroko stosowane są tradycyjne metody detekcji obiektów. Mogą one szybko odpowiedzieć na jedno pytanie: Czy jest tu defekt?

Ale gdy na łopatce łopatki turbiny lotniczej pojawi się maleńkie pęknięcie, samo stwierdzenie istnienia defektu jest dalekie od wystarczającego.

Jak daleko sięga pęknięcie?
Czy jego kształt jest regularny czy nieregularny?
Jaka jest jego rzeczywista powierzchnia?
Czy osiągnęło krytyczną strefę funkcjonalną?
Czy nadal mieści się w dopuszczalnej tolerancji?

Tradycyjna detekcja obiektów nie jest w stanie precyzyjnie odpowiedzieć na te pytania. Właśnie tutaj segmentacja defektów AI zmienia przyszłość przemysłowej kontroli jakości.

Ograniczenia detekcji obiektów: Wiedząc, że „jest defekt”, ale nie rozumiejąc go

Modele detekcji obiektów lokalizują defekty, rysując prostokątne ramki wokół podejrzanych obszarów na obrazie. Metoda ta jest szybka i przydatna do identyfikacji, czy defekt istnieje.

Jednak prostokątna ramka nieuchronnie obejmuje dużą ilość normalnego tła. Nie jest w stanie dokładnie przedstawić rzeczywistego kształtu, granic ani rozmiaru defektu.

Model może wiedzieć, że „coś jest nie tak”, ale nie może jasno wyjaśnić, jak długie jest pęknięcie, jak duża jest jama, ani czy defekt osiągnął strefę funkcjonalną.

Co ważniejsze, progi ufności są zazwyczaj stosowane jako uniwersalna zasada. System nie jest w stanie skutecznie odróżnić drobnej wady powierzchniowej od głębszego pęknięcia strukturalnego. W rezultacie każdy defekt przekraczający próg może zostać uznany za niekwalifikowany, niezależnie od jego rzeczywistej powagi.

To jest sufit tradycyjnej detekcji obiektów: potrafi znaleźć defekty, ale nie potrafi ich naprawdę zrozumieć.

Segmentacja defektów AI: Zrozumienie na poziomie pikseli

Segmentacja defektów AI działa w zupełnie inny sposób. Zamiast rysować ramkę, przypisuje etykietę klasy każdemu pikselowi na obrazie i generuje dokładną maskę, która podąża za rzeczywistą granicą defektu.

To jest prawdziwe zrozumienie defektu.

1. Jasna morfologia defektów do analizy przyczyn źródłowych

Model segmentacji może dokładnie opisać kontur, kształt i rozkład przestrzenny defektu. W przypadku pęknięć, jam, zadrapań, przypaleń, ubytków materiału i innych nieregularnych defektów, wynik segmentacji może wiernie odtworzyć rzeczywistą geometrię defektu.

Czy pęknięcie jest długie i wąskie?
Czy uszkodzenie rozprzestrzenia się w sposób okrężny?
Czy krawędzie są regularne czy nieregularne?
W jakim kierunku rozwija się defekt?

Te cechy morfologiczne to więcej niż dane. Stanowią one kluczowe wskazówki dla inżynierów do analizy przyczyn źródłowych defektu.

Na przykład:

Długie i kierunkowe pęknięcia mogą być związane ze stresem obróbczym.

Nieregularne jamy po przypaleniu mogą wskazywać na lokalne przegrzanie lub zmęczenie materiału.

Ubytki materiału o ostrych krawędziach mogą być spowodowane uderzeniem obcego obiektu.

Dokładny opis morfologii jest pierwszym krokiem w analizie przyczyn źródłowych. Analiza przyczyn źródłowych jest niezbędna do zapobiegania powtarzającym się problemom z jakością.

2. Dokładne pomiary defektów: Od oceny jakościowej do analizy ilościowej

Maska wygenerowana przez model segmentacji może być użyta do obliczenia powierzchni pikseli defektu. Poprzez kalibrację między pikselami a rzeczywistymi wymiarami, system może dalej uzyskać dokładne pomiary fizyczne, w tym długość, szerokość, powierzchnię, obwód i stosunek długości do szerokości.

Oznacza to znaczącą zmianę w inspekcji defektów: od prostego stwierdzenia, czy defekt istnieje, do jego dokładnego pomiaru i kwantyfikacji.

Co ważniejsze, precyzyjne informacje o rozmiarze oparte na wynikach segmentacji umożliwiają ustalenie różnych standardów oceny dla różnych typów defektów.

Ocenianie defektów w ramach tego samego modelu jest czymś, czego tradycyjna detekcja obiektów nie jest w stanie osiągnąć.

Możliwe staje się również długoterminowe monitorowanie defektów. Poprzez wielokrotne inspekcje tej samej pozycji tego samego sprzętu, dane o rozmiarze mogą tworzyć szereg czasowy, jasno pokazując prędkość wzrostu i trend rozwoju defektu. Stanowi to naukowe wsparcie dla konserwacji predykcyjnej.

3. Automatyczne wykonanie: Szybkie, niezawodne i poza granicami ludzkiego wzroku

Gdy segmentacja defektów AI jest głęboko zintegrowana z systemami automatycznego wykonania, cały proces inspekcji może tworzyć inteligentną pętlę zamkniętą.

System może automatycznie eksportować ustrukturyzowane raporty z inspekcji, zawierające typ defektu, rozmiar, lokalizację i zalecenia dotyczące konserwacji.

Może wyzwolić automatyczne alarmy progowe, gdy wymiary defektu osiągną ustawione limity, bez interwencji człowieka.

Dzięki wysokowydajnym procesorom sieci neuronowych, rozpoznawanie może osiągnąć prędkość klatek w czasie rzeczywistym, spełniając potrzeby inspekcji na liniach produkcyjnych online.

Modele AI mogą również wychwytywać drobne defekty i subtelne cechy, które są trudne do zidentyfikowania przez ludzkie oko. W porównaniu z ręczną inspekcją wizyjną, AI oferuje większą prędkość, silniejszą spójność i bardziej niezawodną powtarzalność. W wielu praktycznych scenariuszach przemysłowych, rozpoznawanie defektów AI może utrzymać wysoki i stabilny poziom dokładności.

To jest wydajność i niezawodność, których wymaga nowoczesna przemysłowa kontrola jakości.

AIXUNFEI: Zintegrowane rozwiązania do segmentacji defektów AI dla automatyki przemysłowej

Beijing AIXUNFEI Technology Co., Ltd. jest zaangażowana w przekształcanie zaawansowanej technologii wizualnej inspekcji AI w praktyczną produktywność dla zastosowań przemysłowych.

Oferujemy kompleksowe rozwiązania do segmentacji defektów AI i integracji automatyki, obejmujące sprzęt, oprogramowanie, dane, algorytmy, adnotacje, szkolenie modeli i wdrażanie.

Matryca produktów sprzętowych: Akwizycja danych z wielu czujników dla dokładnej inspekcji

AIXUNFEI oferuje kompletny portfolio sprzętu do wizualnej inspekcji przemysłowej, zapewniając wysokiej jakości akwizycję danych do segmentacji i rozpoznawania AI.

ApexScope X3 to system wideoskopu przemysłowego do pomiarów 3D o wysokiej rozdzielczości. Integruje moduł pomiaru chmury punktów 3D o wysokiej precyzji i obsługuje wiele trybów pomiaru. Z dokładnością wskazań na poziomie mikronów, zapewnia dane obrazów powierzchniowych o wysokiej rozdzielczości i wysokiej wierności dla modeli segmentacji.

Phasight X Series to linia produktów skanerów 3D o wysokiej precyzji. Może szybko przechwytywać dane chmury punktów o wysokiej gęstości i modele powierzchni 3D badanych obiektów. Nadaje się do inżynierii odwrotnej, inspekcji wymiarowej, analizy morfologii i innych zastosowań, zapewniając wsparcie danych przestrzennych 3D dla segmentacji defektów AI.

ApexScope P Series to seria przemysłowych inteligentnych kamer do inspekcji rur, łącząca przenośność z silnymi możliwościami inspekcji. Nadaje się do szybkiego wdrażania w terenie i zadań inspekcyjnych w wielu scenariuszach.

ApexScope Bot Series to seria modułowych robotów do inspekcji rur, zaprojektowana do inspekcji wewnętrznej i akwizycji danych obrazu w długich rurociągach, środowiskach o wysokiej temperaturze, obszarach niebezpiecznych i innych ekstremalnych warunkach pracy.

Dodatkowo oferujemy multimodalny sprzęt do akwizycji wizualnej, w tym skanery 3D i inne urządzenia inspekcyjne, pomagając klientom budować kompletne możliwości akwizycji danych w zakresie obrazowania w świetle widzialnym, chmur punktów 3D, danych wielospektralnych i innych.

Oprogramowanie i algorytmy: DeepData + Deep Reason IND

DeepData to platforma do zarządzania zasobami danych AI, która obsługuje ustrukturyzowane przechowywanie danych inspekcyjnych, zarządzanie adnotacjami, budowanie zbiorów danych treningowych i zarządzanie wersjami modeli. Umożliwia kompletną pętlę zamkniętą od danych do modelu.

Deep Reason IND to przemysłowy silnik wnioskowania AI zoptymalizowany pod kątem scenariuszy inspekcji przemysłowej. Obsługuje wdrażanie modeli segmentacji w czasie rzeczywistym, automatyczne rozpoznawanie defektów i automatyczne pomiary rozmiaru, oferując wysoką przepustowość, niskie opóźnienia i stabilność klasy przemysłowej.

Deep Reason IND obsługuje rozpoznawanie segmentacji dla typowych typów defektów, takich jak pęknięcia, utrata powłoki, wcięcia, jamy, ubytki materiału, przypalenia i rozdarcia. Użytkownicy mogą również dodawać nowe modele rozpoznawania zgodnie ze swoimi specyficznymi scenariuszami zastosowań.

Od adnotacji do wdrożenia: Pełna zdolność dostarczania

AIXUNFEI zapewnia profesjonalne usługi adnotacji segmentacji, aby zapewnić dokładne granice defektów i spójne standardy danych.

Możemy również budować dla klientów zautomatyzowane platformy treningowe i bazy danych inspekcyjnych. Po pewnym okresie gromadzenia danych, użytkownicy mogą samodzielnie przeprowadzać dalsze szkolenie modeli, stale poprawiając dokładność modeli.

Tworzy to pozytywny cykl: im więcej danych system zbiera, tym dokładniejsza staje się inspekcja.

Zastosowania: Pokrycie krytycznych dziedzin przemysłu

Rozwiązania do segmentacji defektów AI firmy AIXUNFEI znajdują szerokie zastosowanie w produkcji sprzętu, przemyśle lotniczym, petrochemicznym, energetycznym, motoryzacyjnym, stoczniowym, inżynierii morskiej i innych krytycznych branżach.

Dla typowych zastosowań, takich jak inspekcja komponentów strukturalnych w przemyśle lotniczym, inspekcja defektów odlewniczych, wykrywanie defektów wewnętrznych w produkcji sprzętu i ocena czystości rurociągów, oferujemy kompleksowe rozwiązania od akwizycji danych i rozpoznawania AI po generowanie raportów.

Integracja: Kompletna pętla zamknięta inteligentnej inspekcji

Segmentacja defektów AI może być płynnie połączona z systemami automatycznego wykonania.

Proces obejmuje automatyczną inspekcję, automatyczną ocenę, automatyczne wyzwalanie alarmów i automatyczne generowanie raportów. Cały przepływ pracy może być zakończony bez interwencji człowieka, pozwalając AI stać się rzeczywistą częścią produkcji przemysłowej i kontroli jakości.

Zobacz przyszłość inspekcji przemysłowej, napędzaną zaawansowaną technologią AI

AIXUNFEI pomaga klientom przemysłowym przejść od prostej detekcji defektów do zrozumienia defektów na poziomie pikseli, od oceny ręcznej do automatycznej kwantyfikacji, i od izolowanych narzędzi inspekcyjnych do inteligentnych systemów kontroli jakości.

Myśl głęboko. Widzisz inaczej.