Visuelle Fehlererkennung in der Fertigungsautomatisierung

Bei den Trainingsdaten handelt es sich um Bilder, die von einer Kamera erfasst werden, die genau mit der im Fertigungsbereich verwendeten übereinstimmt. Die Beleuchtung sollte den Werksbedingungen entsprechen, einschließlich zusätzlicher Beleuchtungskörper wie Ringlichter. Das Kameraobjektiv kann sich auch auf die Bildqualität auswirken, daher sollte es mit dem Objektiv (oder den Objektiven, wenn mehrere Optionen verfügbar sind) übereinstimmen, das im endgültigen System verwendet wird.

Bei der Ground Truth des Datensatzes kann es sich um Beschriftungen handeln, wie Rahmen um defekte Teile (besser für kleine, einfache Teile wie Schrauben) oder Bildmasken, die Pixel in bestimmten Bereichen isolieren, um Fehler anzuzeigen (besser für große, komplexe Objekte wie Leiterplatten). Wählen Sie den Modelltyp aus, bevor Sie Daten beschriften, da die Modellarchitektur die Art der erforderlichen Anmerkungen beeinflussen kann.

Modelle können mit CCStudio™ Edge AI Studio oder edgeai-modelmaker für von TI unterstützte neuronale Netze trainiert werden. Fortgeschrittenere Entwicklen können diese Aufgabe mithilfe von Autoencoder-Modellen zur Erkennung von Anomalien angehen.

Wählen Sie den besten Modelltyp zur Fehlererkennung aus:

• Objekterkennungsmodelle (wie YOLOX): Am besten zum Erkennen eindeutiger, separater Fehler wie Risse, fehlende Komponenten oder anderer große Fehler geeignet.
• Semantische Segmentierungsmodelle (wie DeepLabv3): Ideal zur Erkennung von Problemen auf Oberflächenebene wie Verfärbungen oder Texturproblemen.

Stimmen Sie Auflösung und Geschwindigkeit ab:

Wählen Sie eine Auflösung, die hoch genug ist, um wichtige kleine Fehler zu erkn, aber nicht so detailliert, dass sie Ihren Inspektionsprozess verlangsamt. Die meisten Systeme verbessern den Wirkungsgrad, indem die ursprünglich erfassten Bilder herunterskaliert werden, um die zu verarbeitende Datenmenge zu reduzieren.

Erwägen Sie Anomalieerkennung für einzigartige Fälle:

In Situationen, in denen Fehler unvorhersehbar oder schwer zu definieren sind, können Anomalieerkennungsmodelle (mit Autoencodern) einen einfacheren Ansatz bieten. Diese Modelle lernen, wie "normale" Produkte aussehen und kennzeichnen alles, was anders aussieht, als potenziellen Fehler – es ist kein Training mit Fehlerbeispielen erforderlich. Diese Modelltypen werden jedoch nicht in Edge AI Studio oder edgeai-modelmaker unterstützt, sodass Entwickelnde selbst ein neuronales Autoencoder-Netz implementieren und in ein unterstütztes Format wie ONNX exportieren müssen. 

Für die Modellbereitstellung muss das Modell im Voraus für den Ziel-Hardwarebeschleuniger kompiliert werden. Mit Tools wie Edge AI Studio und edgeai-modelmaker erfolgt die Kompilierung automatisch. Andernfalls erfordert die Kompilierung von Modellen einen separaten Schritt durch Softwarepakete wie edgeai-tidl-Tools auf GitHub von TI mithilfe eines Bring-Your-Own-Model-Work.

Modellartefakte werden durch Laufzeiten wie ONNX Runtime, LiteRT (früher tensorflow-lite) und TVM mit TI Deep Learning (TIDL) als Backend-Software zur Beschleunigung implementiert.

Die Implementierung des Modells in einer End-to-End-Vision-Anwendung wird mit edgeai-gst-apps gestartet, welches die Pipeline mit mehreren Stufen an Hardwarebeschleunigung für die Vor- und Nachverarbeitung des Bildes zusammensetzt und zusätzlich das KI-Modell selbst beschleunigt.

Neben edgeai-gst-apps haben wir eine Demo zur Fehlererkennung an kleinen Objekten und Ringterminals erstellt, die das Objekterkennungsnetzwerk YOLOX-Nano und edgeai-gst-apps als Grundlage verwendet. Das Modell wurde mit Edge AI Studio trainiert, um fehlerfreie Teile im Vergleich zu mehreren Fehlertypen zu erkennen. Zusätzliche Nachbearbeitung und Visualisierung zeigen Statistiken zur Anzahl der fehlerfreien und fehlerhaften Teile an.