Page ID: 90292
Is Industry:
Is Category:
Query IDs: 91961
Field 1:
Field 2:
Field 3:

28-30 сентября 2022 года в Кемерово пройдет 10 международный форум "Россия - спортивная держава"

Следить
Практика

Умный мониторинг: компьютерное зрение проконтролирует окраску деталей

Применение искусственного интеллекта помогло сократить долю брака при нанесении лакокрасочных покрытий на 30%.

Бессистемный учет

Департамент технического контроля ПАО «КАМАЗ», который отвечает за контроль качества выпускаемой продукции, обратился в ООО «Цифровая платформа КАМАЗ». На предприятии фактически отсутствовала система объективного учета дефектов лакокрасочных покрытий перед окрасочной операцией. Не было также возможности постоянного контроля соблюдения технологического процесса окраски деталей. Как следствие, компания несла дополнительные издержки.

Ставить на данную позицию человека для отслеживания качества грунта не эффективно. Должность специалиста, который отвечает за подготовку и должен выявлять дефекты, разумеется, предусмотрена. Но, как показывает практика, дисциплина исполнителей страдает, работники не всегда соблюдают регламент. Кроме того, люди устают и допускают ошибки. Часто приходится дополнительно ставить человека, который отслеживает, насколько качественно выявляются изъяны. Из-за высокого влияния человеческого фактора компания несла дополнительные расходы, связанные с устранением дефекта лакокрасочного покрытия.

Законы конвеера

Процесс окраски деталей включает несколько этапов, от грунтования до сушки готовой продукции. На оснастку производится завеска* разных по геометрическим параметрам изделий. Детали проходят процесс грунтования методом электроосаждения из-за недостаточного контакта изделий и оснастки, через которую пропускается напряжение. Грунт может не равномерно оседать на поверхность изделия, и если допустить окраску такого изделия, то по истечении времени в обычных условиях эксплуатации лакокрасочное покрытие повреждается и появляется коррозия, что является браком, и компания несет дополнительные затраты на устранение дефекта.

* Оснастка – это специализированное устройство, на которое вешаются детали и на котором они проходят весь цикл окраски. Завеска – это процесс навешивания деталей на оснастку

Если нанесение грунта прошло не качественно, т. е. оседание не составило достаточной толщины, то исправление данного дефекта сводится к зачистке изделия и повторного прогона цикла грунтования.

Избежать некачественного выполнения непосредственно в период грунтования, то есть минимизировать потери от некачественного выявления дефектов, тоже сложно. При существующем оборудовании и применяемой технологии при нанесении грунта качество сильно зависит от проводимости тока проводников. На проводимость влияет множество факторов, которые сейчас контролировать невозможно, да и слишком затратно. Автоматически отслеживать работы по этому параметру возможности тоже нет.

Простые ходы

Поиск решения начинался как проект R&D. Оно выросло из гипотезы, что при помощи компьютерного зрения можно «полечить» проблему с дефектами. У команды не было уверенности, что это осуществимо, и была высокая вероятность, что для достижения результата потребуются большие инвестиционные затраты и создание идеальных условий для анализа поверхностей. На архитектуру конечного решения влияло несколько проблем. Среди основных – вопрос, потребуется ли специализированное освещение и насколько высоким будут качество и частота изображения.

Исследуя рынок и общаясь с вендорами готовых платформ, представителями стартапов разной зрелости, команда пришла к выводу, что для поставленной задачи достаточно имеющегося освещения, для точности распознавания дефектов потребуется съемка с разных сторон и возможно под разными углами. После этого родилась концепция решения. После некоторых поисков команда была сформирована, был произведен монтаж оборудования, накоплен датасет для обучения, и спустя 9 месяцев решение было готово и опробовано. В результате натурных испытаний результат превзошел ожидания. Точность распознавания превосходила изначальные ожидания, а детекция дефектов работала даже на той номенклатуре, на которой не производилось изначальное обучение.

Набор алгоритмов

После проведенного анализа проблемы возникновения дефекта грунта стало понятно, что полностью искоренить причину брака с помощью обычных методов невозможно. Тогда появилось решение, которое позволяет перед окрасочной операцией контролировать дефекты грунта. Разработанная система детектирует тип деталей, их количество на оснастке и наличие дефектов. Сохраняя архив записи и, информируя ответственных лиц, она позволяет своевременно реагировать на инциденты и не допускать передачу бракованных изделий далее по процессу или отгружать клиенту не качественную продукцию.

Разработанное решение включает в себя аппаратную и программную часть.

Аппаратная часть состоит из обычных IP видеокамер наблюдения, линий связи и устройств коммуникации, сервера с дискретной видеокартой.

Программное обеспечение основано на алгоритмах компьютерного зрения, которые включают в себя алгоритмы распознавания образов изделия, алгоритмы идентификации типа изделия, алгоритм подсчета количества изделий, алгоритмы трекинга перемещения данных изделий в кадре, алгоритм распознавания номеров, нанесенных на «траверсу» и алгоритмы детекции дефектов грунта. Также программная часть включает в себя web-интерфейс для клиента и систему хранения архивных данных, от журнала события до архива видеозаписей.

Решение базируется на использовании простых камер, которые можно увидеть в торговых центрах, на улице или иных объектах, где ведется видеонаблюдение. Специализированные камеры или вычислительные машины, которые заточены на алгоритмы искусственного интеллекта, тут не применяются.

Проще говоря, для устранения масштабной проблемы потребовались простые камеры, сервер с дискретной видеокартой и программная разработка.

Быстрое внедрение

Процесс реализации проекта длился порядка 9 месяцев от момента создания инфраструктуры, накопления датасета, обучения модели и разработки системы.

Затраты на проект составили порядка 3,5 млн рублей.

Реализацию разделили на несколько этапов:

  1. Создание инфраструктуры и накопление датасета для анализа.

  2. Разработка моделей и приложения.

Большую часть времени заняло накопление датасета и реализация алгоритмов распознавания контуров деталей, их идентификация, также значительное время заняла синхронизация видеопотоков с разных камер для корректности работы алгоритмов детекции.

Специфика освещения

Учитывая условия движения конвейера и хорошую освещенность окрасочной камеры, где расположены видеокамеры, для корректности и точности работы алгоритмов вынуждено создавался контрастный фон.

Результат

Внедрение системы позволило исключить из процесса контроля человеческий фактор и достичь следующих показателей:

100%
контроль входящих изделий в окрасочную линию
100%
точность идентификации изделий
100%
точность количества изделий на оснастке
91%
распознавания дефектов грунта
на 61%
повысилось количество выявляемых дефектов перед окраской

Как следствие, сокращение брака при нанесении лакокрасочных покрытий снизилось на 30%. Учитывая, что решение внедрено сейчас только на входе в окрасочную линию и лишь на одной из семи линий, то масштабирование проекта планируется в ближайшее время. Проект будет достаточно интересным и длительным по срокам, поскольку каждая линия по своему уникальна и потребует индивидуального подхода к решению задачи.

«Как бы этого ни хотелось иногда отдельным сторонам, но цифровая трансформация добавляет прозрачности во все процессы. Главные эффекты, конечно, лежат в системной перестройке от проникновения технологий, хотя точечные улучшения тоже возможны».

Эльдар Шавалиев, директор Центра цифровой трансформации ПАО «КАМАЗ»

Также о внедрении системы контроля качества грунта на окрасочной линии в ПАО «КАМАЗ» читайте в материале в разделе «Цифробанк».