Ikuskapen digital

ez suntsitzailea

Ikusmen artifiziala

Hautemate artifizialaren barruan, errealitatea elektronika-kameren bidez hautematea ahalbidetzen duten tresnen multzoa dira ikusmen sistemak. Tresna horiek hainbat teknologiatan oinarrituta eraiki daitezke, eta, beraz, kasu askotan, giza ikusmenaren ahalmenetik kanpo dagoena hautemateko aukera ematen digute.

Ikusmen-teknologiek prozesu industrial asko automatizatzeko aukera ematen dute, gizakion ahalmena gainditzen duen zehaztasuna eskainiz: kalitate-kontrolak, dimentsio-kontrola, logistikako stocken kontrola, kontakturik gabeko deformazioen neurketa edo roboten gidaritza, besteak beste.

Teknologiaren ezaugarriek, azkartasunak eta kontakturik behar ez izateak, bereziki aukera ematen dute eskuzko eragiketak edota burutu nahi ez direnak ordezkatzeko (edo, kasu batzuetan, beste bitarteko batzuen bidez egin ezin diren lanak egiteko), eta, gainera, enpresen digitalizazioan laguntzen dute, ekoizpen-prozesuei buruzko informazio garrantzitsua baitakarte.
Teknologia honek eskaintzen dituen onuretako batzuk honako hauek dira: kalitate-kontrola denbora errealean, analisia eta akatsen detekzio goiztiarra eta produkzio-prozesua denbora errealean monitorizatzea.

Zertan dihardugu gaur egun

Soldadura/gehigarrien kalitate kontrola

Lotura soldatuetan edo fabrikazio gehigarri bidez fabrikatutako piezetan anomaliak (azaleko akatsak edo bestelako errefusak) detektatzeko teknologia erabiltzea da helburua.

Teknologia hori oso maiztasun handiko soldadura-prozesuetan aplikatzen ari da (1 segundoko zikloko denbora), baita azalera irregularretan eta aldakortasun handiko gainazaletan akatsak detektatzeko ere, teknologiaren aplikazio ezberdinetarako moldagarritasuna frogatuz.

Prozesuen kalitate kontrola

Ikusmenean oinarritutako kalitate-kontroleko sistemak ekoizpen-lerroetan integratuz, in situ kalitateari buruzko informazioa eskura daiteke. Teknologia hori zeharka aplikatzen ari da hainbat sektoretan, hala nola ekipamendu-ondasunetan, energian edota garraioan.

3D ikuskapena

3D informazioa sortu eta eskuratzeko teknikak oso garatuta eta helduta daude. Teknika horietan oinarritutako hainbat sistema daude merkatuan (estereoskopia, laser triangeluarra, etab.), geometria zein bolumenak modu sendoan, fidagarrian eta kalitate handiko datuekin eskuratzea ahalbidetzen dutenak. Dauden aplikazio posible ugariren artean, 3D ikuskapenak soldadura kordoien nahiz fabrikazio gehigarri bidez egindako osagarrien kanpoko egiaztapena ahalbidetzen du.

Teknologia horretatik abiatuta eta CAD/CAM irtenbideetan oinarrituta, LORTEKek arku soldadura bidezko konponketa automatikoko sistema bat garatu du balio erantsi handiko piezentzat (ikus arrakasta-kasua).

Logistikako stocken kontrola

Industria-biltegietan stockak kontrolatzeko eta eskaerak automatizatzeko ikusmen-teknologiak txertatzea, enpresako stock-kopurua ahalik eta gehien murrizteko.

Algoritmia propioa

LORTEKek jada gauzatuta dauzkan industria-proiektuen ondorioz, ikusmen-sailak kalitate-sistemen kontrol automatikorako irudiak prozesatzen dituzten liburutegiak ditu. Horri esker du ramp-up murriztua dago konputagailu bidezko ikusmen-proiektu berrietan, industriako testuinguruetan.

Ekipamendu espezifikoa

Deep learning teknologiak

  • NVIDIA sistema txertatuak (nano, Tx2, Xavier), Rapberry, etab.
  • Modelatzeko zerbitzariak (20.000 kore baino gehiago).
  • Kalitate-kontrolera bideratutako eredu propioen bilduma.

Kamera modelo ezberdinak

  • Bereizmen handikoak, abiadura handikoak, etab.

Osagai optikoak

  • Lenteak.
  • Iragazkiak.
  • Argiztapen iturri ezberdinak, estroboskopiarako laser pultsatuak barne.

Argitalpenak
eta deskargak

Argitalpenak
2019
Ander Muniategui; Aitor García de la Yedra; Jon Ander del Barrio; Manuel Masenlle; Xabier Angulo; Ramón Moreno.
Mass production quality control of welds based on image processing and deep learning in safety components industry.
Proc. SPIE 11172, Fourteenth International Conference on Quality Control by Artificial Vision, 111720L
2019
A Muniategui, JA del Barrio, XA Vinuesa, M Masenlle, AG de la Yedra, Ramón Moreno.
One dimensional Fourier Transform on Deep Learning for industrial welding quality control
International Work-Conference on Artificial Neural Networks, 174-185
2019
R Moreno, E Gorostegui-Colinas, PL de Uralde, A Muniategui.
Towards Automatic Crack Detection by Deep Learning and Active Thermography
International Work-Conference on Artificial Neural Networks, 151-162

Arrakasta-kasuak

Kadentzia altuko produkzio-lineako segurtasun-osagaien lotura soldatuen kalitate-kontrola, 1 segundo inguruko ziklo-denborekin.

Erronka paketea

Kadentzia altuko produkzio-lineako segurtasun-osagaien lotura soldatuen kalitate-kontrola, 1 segundo inguruko ziklo-denborekin.

Irtenbidea

Arazo horri irtenbidea emateko, ikusmen artifizialean oinarritutako sistema bat diseinatu, fabrikatu eta garatu zen, soldadura zirkularra berreraikitzea ahalbidetzen duten 120 º-ra kokatutako hiru kamera txertatuz. Berreraikuntza hau aurrez entrenatutako eta Deep Learning-en oinarritutako algoritmoen bidezko soldaduraren kalitatea aztertzeko erabiltzen da. Prozesuaren emaitza pieza ona edo txarra den zehazten duen gailu baten sorrera da, behin hori zehaztutakoan, pieza produkzio-lerrotik baztertzen da bezeroari entregatzea saihestuz, eta, aldi berean, jada akastunak diren piezetan eragiketak egitea ekidinez.

Arkuzko soldadura bidezko konponketa automatikoa

Erronka paketea

Balio erantsi handiko piezetan, ekoizpen prozesuan edo piezaren erabilera bizitzan bertan zenbait akats – arrakalak, hutsuneak, higadurak, inperfekzioak – sortu edota azaleratu daitezke, eta kasu horietan material ekarpen bidezko konponketa edota saneamendu eragiketa batzuk egin behar dira. Pieza mota horren geometria konplexuaren ondorioz, langile espezializatuek eskuz egin dituzte orain arte berregituratze jarduera horiek eta horrek prozesuaren kostu handiak eta entrega-epe luzeak dakartza.

Irtenbidea

Material ekarpeneko eragiketa horiek automatizatu, optimizatu eta hobetzeko asmoz, LORTEKek lan-estrategia bat garatu du, honako teknika hauetan oinarrituz: (1) bete beharreko eremuen 3D eskaneatze automatikoa eta (2) eskaneatzearen ondorengo material ekarpen optimo eta automatikorako ibilbideen kalkulua. Eskaneatzeko teknologia modernoei esker – azkarrak, automatizagarriak, material anitzekoak – kasuan kasuko piezaren “mapa digitala” (CAD) lor daiteke. Mapa hori irudi ideal batekin alderatuko da eta bete beharreko eremuak lortuko dira. Helburu-eremu horiek ekarpen-ibilbide optimoetan (CAM) txertatzen dira eta ondoren zelula automatizatu batek exekutatzen ditu.

Onurak

Robotizatutako estrategia honek, hasiera batean, produktibitatea handitzea ahalbidetzen du prozesuaren automatizazioari esker. Horrez gain, erabilitako denbora eta material kopurua murriztuta, ekoizpen kostuak ahalik eta gehien doitzen dira. Azkenik, prozesuari moldakortasuna ere eskaintzen dio, hainbat akats eta kasuistikei aurre egiteko unean.

Erronkak

Datozen urteetan aurre egin beharreko erronkak:

Teknologia ingurune oso aldakorretan aplikatzea; produktuaren moldagarritasuna, ingurune kaltegarriak, etab.

Industria-arazoei irtenbide fidagarriak eskaintzeko erronkari aurre egiteko, LORTEKek irudian oinarritutako sistema sendoak garatu ditu, ezagutza babesteko Deep Learning teknikak erabiliz.