|
Velux 代表著高品質(zhì)的窗戶和與之配套的配件。為了始終提供理想的解決方案，公司的軟件部門開發(fā)了一個應用程序，用于實現(xiàn)生產(chǎn)和質(zhì)量管理的自動化。Velux 還利用圖像處理技術(shù)使制造和裝配流程更加高效——得益于 SICK 的人工智能和 Deep Learning，Velux 正在進一步提升效率。
Lasse Hedeby 是 Velux A/S 的高級自動化程序員，領(lǐng)導工業(yè)圖像處理解決方案的開發(fā)團隊。他是一位充滿激情且非常高效的程序員，他知道為圖像處理解決方案開發(fā)基于規(guī)則的軟件是一個非常耗時的過程。
Deep Learning——提高效率并能更有效地任用員工
當 Lasse Hedeby 了解到 SICK 的 Deep Learning 解決方案時，他看到了一個機會：通過將具備資質(zhì)的員工從單調(diào)的工作任務中解放出來，對其更有效地安排任用，可以提高公司的效率。
Deep Learning 是基于神經(jīng)網(wǎng)絡的人工智能的一個分支，它模仿人類的觀察、感知和決策方式。在過去，這依賴于復雜的計算機基礎(chǔ)設施，因此大多數(shù)公司無法使用這些解決方案；但近年來，不再需要復雜的計算機基礎(chǔ)設施，相關(guān)技術(shù)的用戶友好度得到了顯著提高，更加便于用戶操作。如今，Deep Learning 解決方案可以在緊湊型工業(yè)控制器上運行，使其更易于訪問且更適合工業(yè)使用。
SICK AppSpace Artificial Intelligence
用于 SICK 傳感器的人工智能
Deep Learning
從 200 個工時節(jié)省到 20 個工時
過去，Velux Danmark A/S 一直通過手動檢查其窗戶的子組件來確保產(chǎn)品質(zhì)量。盡管該系統(tǒng)運行良好，但仍存在一些局限性。根據(jù)員工經(jīng)驗的不同，對部件的評估可能存在偏差。需要快速工作并在一整天內(nèi)執(zhí)行同樣的檢查，這也給員工帶來了成為“操作盲”的風險。鑒于這些限制，Lasse Hedeby 決定引入攝像機檢查，以幫助操作人員完成這項手動工作。
然而，這對 Hedeby 來說意味著大量的額外工作，因為 Velux A/S 有許多子流程。對于這些流程中的每一個，都必須為新的工業(yè)圖像處理系統(tǒng)開發(fā)新的軟件。為所有流程創(chuàng)建基于規(guī)則的軟件可能輕輕松松就需要花費多達 200 個工時。通過使用基于 SICK AppSpace 的 Deep Learning 解決方案，Hedeby 能夠?qū)⑿萝浖拈_發(fā)時間縮短到很少的時間（20 小時）。
在他近期的一個項目中，SICK 的智能解決方案用于檢查鋁型材（百葉窗的組成部分）是否充分填充了聚乙烯泡沫。事實證明這可能很困難，因為將泡沫注入型材時，泡沫的膨脹不均勻。因此，在評估填充過程時沒有明確的答案。
通過密切合作解決問題
快速完成軟件的訓練，以檢測正確填充的型材，并且取得了良好的效果，但該過程并不理想。型材又長又薄，因此當攝像機檢查型材時，與評估相關(guān)的信息僅占圖像的很小一部分。該解決方案需要調(diào)整標準 SensorApp，將來自 SICK 圖像處理傳感器的圖像分割成三個單獨的圖像，以便使 Deep Learning 算法更加高效。
SICK AppSpace SensorApps
基于 Deep Learning 的 2D 機器視覺傳感器解決方案
Intelligent Inspection
Velux A/S 和 SICK 的軟件工程師在開發(fā)解決方案的過程中相互協(xié)作，雙方團隊都從此次合作中受益良多。Lasse Hedeby 說道，他“從未經(jīng)歷過像 SICK 這樣靈活并提供如此強大支持的供應商”。與此相對應地，SICK 團隊也很高興能與這樣一位有責任心的合作伙伴攜手合作，并實時獲得客戶滿意度的積極反饋。
通往工業(yè)自動化的未來之路
Lasse Hedeby 已經(jīng)在研究下一個任務，即，使用人工智能來確保螺釘在夾持裝置中的安裝和擰緊。使用普通的基于規(guī)則的工業(yè)圖像處理系統(tǒng)很難完成這項任務，因為金屬和螺釘?shù)谋砻婵赡芙厝徊煌哂性S多光反射。初始的跡象表明成功的希望很大。SICK 的 Deep Learning 解決方案能夠輕松處理復雜多樣的問題，這意味著，這是基于圖像的檢查和工業(yè)自動化的未來發(fā)展方向。
|
