AI Vision در کنترل کیفیت صنعتی یکی از فناوری‌هایی است که با ترکیب دوربین‌های صنعتی، پردازش تصویر و هوش مصنوعی، امکان بررسی خودکار محصولات و شناسایی برخی ناهماهنگی‌ها و عیوب را فراهم می‌کند. این فناوری می‌تواند در کنار سایر سیستم‌های اتوماسیون و Industrial IoT قراربگیرد و بخشی از فرایند کنترل و پایش خط تولید را هوشمندتر کند.
AI Vision چیست؟
AI Vision یا بینایی ماشین مبتنی بر هوش مصنوعی، به استفاده از الگوریتم‌های هوش مصنوعی برای تحلیل و تفسیر تصاویر و ویدئوها گفته می‌شود. در یک محیط صنعتی، دوربین تصاویر محصول، قطعه یا فرایند تولید را دریافت می‌کند و سیستم پردازشی با استفاده از یک مدل آموزش‌دیده، ویژگی‌های موجود در تصویر را بررسی می‌کند.
در یک سیستم ساده، هدف می‌تواند تشخیص یک محصول سالم از محصول معیوب باشد. سیستم با بررسی تصویر می‌تواند مشخص کند که آیا محصول با الگوی مورد انتظار مطابقت دارد یا نشانه‌ای از نقص در آن دیده می‌شود.
بنابراین، AI Vision صرفاً به ثبت تصویر محدود نیست؛ بلکه هدف اصلی آن استخراج اطلاعات قابل استفاده از تصویر است.
تفاوت AI Vision و Machine Vision چیست؟
Machine Vision سال‌هاست در خطوط تولید برای بازرسی خودکار محصولات استفاده می‌شود. بسیاری از سیستم‌های سنتی Machine Vision بر اساس قوانین و معیارهای از پیش تعریف‌شده کار می‌کنند؛ برای مثال، بررسی ابعاد یک قطعه، تشخیص وجود یک جزء یا مقایسه یک ویژگی تصویری با یک مقدار مشخص.
در AI Vision، هوش مصنوعی و مدل‌های یادگیری ماشین می‌توانند نقش مهم‌تری در تحلیل تصویر داشته باشند. به‌جای اینکه تمام شرایط و حالت‌های ممکن به‌صورت دستی تعریف شوند، مدل می‌تواند با استفاده از نمونه‌های آموزشی، الگوهای موجود در تصاویر را یاد بگیرد.
به‌همین‌دلیل، AI Vision برای برخی کاربردهایی که تنوع ظاهری یا پیچیدگی بیشتری دارند، انعطاف‌پذیری بیشتری ایجاد می‌کند؛ البته عملکرد آن همچنان به کیفیت تصاویر، داده‌های آموزشی و شرایط واقعی محیط وابسته است.
AI Vision چگونه در کنترل کیفیت صنعتی کار می‌کند؟
فرایند کلی AI Vision در کنترل کیفیت صنعتی را می‌توان در چند مرحله خلاصه کرد:
- دریافت تصویر: دوربین صنعتی از محصول یا فرایند موردنظر تصویر می‌گیرد.
- پردازش تصویر: تصویر برای تحلیل آماده می‌شود و داده‌های مورد نیاز استخراج می‌شوند.
- تحلیل توسط مدل AI: مدل آموزش‌دیده ویژگی‌ها و الگوهای موجود در تصویر را بررسی می‌کند.
- تشخیص وضعیت: سیستم مشخص می‌کند که تصویر با معیار مورد انتظار مطابقت دارد یا خیر.
- ثبت نتیجه: نتیجه بازرسی می‌تواند ثبت شود و در صورت نیاز برای سیستم‌های دیگر ارسال شود.
برای مثال، در یک خط تولید قطعات، دوربین می‌تواند از هر قطعه تصویر بگیرد. مدل AI سپس تصویر را با الگوهایی که برای آن آموزش دیده مقایسه می‌کند و در صورت مشاهده نشانه‌های غیرعادی، نتیجه را به سیستم کنترل یا نرم‌افزار مربوطه منتقل می‌کند.
AI Vision چه خطاهایی را در محصولات شناسایی می‌کند؟
نوع خطاهایی که یک سیستم AI Vision می‌تواند شناسایی کند، به کاربرد، دوربین، شرایط تصویربرداری و مدل مورد استفاده بستگی دارد. با این‌حال، برخی کاربردهای رایج شامل موارد زیر هستند:
- نقص یا آسیب ظاهری
- تغییر شکل محصول
- وجود یا نبود یک قطعه
- مونتاژ اشتباه یا ناقص
- تفاوت در شکل یا ظاهر محصول
- آلودگی یا لکه‌های سطحی
- خطاهای بسته‌بندی
- مغایرت محصول با نمونه مورد انتظار
برای مثال، در یک فرایند مونتاژ، سیستم می‌تواند بررسی کند که آیا تمام قطعات موردنظر در محل خود قرارگرفته‌اند یا خیر. در یک خط بسته‌بندی نیز می‌توان از Vision برای بررسی ظاهر بسته، وجود برچسب یا برخی ویژگی‌های قابل مشاهده استفاده کرد.
البته هیچ سیستم بینایی ماشین را نمی‌توان بدون توجه به شرایط محیطی، داده‌های آموزشی و دقت موردنیاز، برای تمام انواع عیب‌ها مناسب دانست.
نقش Edge AI در کنترل کیفیت صنعتی
در بسیاری از کاربردهای صنعتی، سرعت دریافت نتیجه اهمیت زیادی دارد. اگر تحلیل تصویر به یک سرور یا سرویس خارج از محیط تولید وابسته باشد، انتقال داده و دریافت نتیجه می‌تواند بخشی از فرایند شود.
Edge AI رویکردی است که در آن پردازش هوش مصنوعی تا حد امکان نزدیک به محل تولید داده انجام می‌شود. در کاربردهای Vision، این موضوع می‌تواند به معنای پردازش تصویر در یک سیستم محلی، Edge Device یا سخت‌افزار نزدیک به دوربین باشد.
مزیت این رویکرد در برخی کاربردها، کاهش وابستگی به انتقال مداوم تصاویر و امکان تصمیم‌گیری سریع‌تر در محل است. البته انتخاب معماری مناسب به حجم داده، پیچیدگی مدل، الزامات زمانی و زیرساخت موجود بستگی دارد.
اجزای یک سیستم AI Vision صنعتی چیست؟
یک سیستم AI Vision می‌تواند از چند بخش اصلی تشکیل شود:
- دوربین صنعتی: دوربین وظیفه دریافت تصاویر را بر عهده دارد. انتخاب دوربین به عواملی مانند وضوح تصویر، سرعت ثبت تصاویر، محیط کاری و نوع محصول بستگی دارد.
- نورپردازی: نور مناسب برای تشخیص دقیق ویژگی‌های محصول اهمیت زیادی دارد. تغییر نور محیط می‌تواند کیفیت تصاویر را تحت تأثیر قراردهد و عملکرد مدل را نیز کاهش دهد.
- سیستم پردازش: تصاویر دریافت‌شده باید در یک سیستم پردازشی تحلیل شوند. این بخش می‌تواند در یک کامپیوتر صنعتی، Edge Device یا زیرساخت پردازشی دیگر قرارداشته باشد.
- مدل هوش مصنوعی: مدل AI وظیفه تحلیل تصاویر و شناسایی الگوها یا ناهماهنگی‌های موردنظر را بر عهده دارد. کیفیت و تنوع داده‌های آموزشی در عملکرد مدل اهمیت زیادی دارد.
- نرم‌افزار و سیستم ارتباطی: نتایج حاصل از تحلیل باید در صورت نیاز ثبت، نمایش یا به سایر سیستم‌های صنعتی منتقل شوند. این بخش می‌تواند سیستم Vision را به سایر اجزای خط تولید متصل کند.
AI Vision چه مزایایی برای کنترل کیفیت دارد؟
استفاده از AI Vision می‌تواند مزایایی برای فرایند کنترل کیفیت ایجاد کند، از جمله:
- امکان بررسی مداوم محصولات در خطوط تولید
- افزایش سرعت بازرسی در مقایسه با بررسی دستی در برخی کاربردها
- کاهش وابستگی به مشاهده انسانی برای وظایف تکراری
- ثبت نتایج بازرسی
- ایجاد امکان بررسی داده‌های مربوط به خطاها
- افزایش ثبات فرایند بازرسی در شرایط مناسب
با این‌حال، استفاده از AI Vision به معنی حذف کامل نیروی انسانی از فرایند کنترل کیفیت نیست. در بسیاری از کاربردها، سیستم هوشمند به‌عنوان بخشی از فرایند بازرسی عمل می‌کند و نتایج آن می‌تواند در کنار بررسی انسانی یا سایر روش‌های کنترل کیفیت مورد استفاده قرارگیرد.
محدودیت‌ها در محیط صنعتی
با وجود قابلیت‌های AI Vision، اجرای موفق آن به چند عامل مهم وابسته است. کیفیت تصویر یکی از مهم‌ترین عوامل است. دوربین نامناسب، لرزش، نور نامتغیر یا انعکاس‌های شدید می‌توانند داده ورودی را تحت تأثیر قراردهند.
از طرف دیگر، داده آموزشی اهمیت زیادی دارد. اگر نمونه‌های آموزشی تنوع کافی نداشته باشند، مدل ممکن است در مواجهه با شرایطی که در داده‌های آموزشی وجود نداشته‌اند، عملکرد مطلوبی نداشته باشد. همچنین، تغییر محصول، تغییر شرایط خط تولید یا تغییر نور محیط می‌تواند نیاز به تنظیم یا بازآموزی مدل ایجاد کند.
بنابراین، AI Vision یک راهکار کاملاً مستقل از شرایط محیطی نیست و طراحی صحیح سیستم، انتخاب تجهیزات مناسب و ارزیابی مداوم عملکرد آن اهمیت دارد.
ارتباط AI Vision با Industrial IoT و Monitoring
AI Vision معمولاً روی تحلیل تصویر تمرکز دارد، اما در یک محیط صنعتی، تصویر تنها منبع اطلاعات نیست.
سنسورها می‌توانند دما، رطوبت، فشار یا سایر پارامترهای فرایند را اندازه‌گیری کنند. تجهیزات صنعتی نیز می‌توانند داده‌های مربوط به وضعیت یا عملکرد خود را در اختیار سیستم‌های دیگر قراردهند. در کنار این داده‌ها، سیستم Vision می‌تواند نتایج مربوط به وضعیت ظاهری یا کیفیت محصولات را تولید کند.
در چنین معماری‌ای، داده‌های مختلف می‌توانند در کنار یکدیگر قراربگیرند و دید کامل‌تری از فرایند ایجاد کنند. برای مثال، یک سیستم می‌تواند نتیجه بازرسی یک محصول را در کنار داده‌های تجهیزات همان خط ثبت کند. در این‌حالت، اطلاعات مربوط به کیفیت محصول، وضعیت تجهیزات و رخدادهای فرایند می‌توانند در تحلیل‌های بعدی مورد استفاده قرارگیرند.
این همان جایی است که Monitoring و AI Vision نقش‌های متفاوت اما مکمل پیدا می‌کنند: Vision داده تصویری را تحلیل می‌کند و Monitoring می‌تواند وضعیت داده‌ها و تجهیزات مرتبط را در طول زمان پایش کند.
AI Vision در چه صنایعی کاربرد دارد؟
کاربرد AI Vision محدود به یک صنعت خاص نیست و با توجه به نوع محصول و فرایند تولید می‌تواند در محیط‌های مختلف مورد استفاده قرارگیرد.
برخی نمونه‌های صنایع عبارت‌اند از:
- صنایع خودروسازی: بررسی قطعات و کنترل برخی مراحل مونتاژ
- صنایع الکترونیک: بررسی قطعات، مونتاژ و ظاهر محصولات
- صنایع غذایی: بررسی ظاهر، بسته‌بندی و برخی ناهماهنگی‌های قابل مشاهده
- صنایع دارویی: کنترل بسته‌بندی و بررسی برخی ویژگی‌های ظاهری
- صنایع بسته‌بندی: بررسی برچسب، بسته و وضعیت ظاهری محصول
- تولید قطعات صنعتی: تشخیص برخی تغییرات شکل، سطح یا مونتاژ
نوع کاربرد و میزان دقت موردنیاز در هر صنعت متفاوت است و نمی‌توان یک معماری ثابت را برای تمام خطوط تولید در نظر گرفت.
آینده AI Vision در تولید هوشمند
AI Vision یکی از فناوری‌هایی است که می‌تواند در مسیر حرکت کارخانه‌ها به‌سمت Smart Manufacturing مورد استفاده قرارگیرد. ترکیب Vision با Edge Computing، Industrial IoT و تحلیل داده می‌تواند ارتباط بیشتری میان داده‌های تصویری و سایر اطلاعات تولید ایجاد کند.
در چنین محیطی، سیستم‌های مختلف تنها داده تولید نمی‌کنند؛ بلکه داده‌های آن‌ها می‌توانند در کنار یکدیگر قرارگرفته و برای بررسی وضعیت فرایند، شناسایی رخدادها و تحلیل عملکرد مورد استفاده قرارگیرند.
نقش مانیتورینگ در کنار AI Vision
- AI Vision و Monitoring وظایف یکسانی ندارند.
- AI Vision روی تحلیل تصاویر و شناسایی الگوها یا عیوب تصویری تمرکز می‌کند.
- سنسورها پارامترهای فیزیکی و محیطی را اندازه‌گیری می‌کنند.
- Industrial IoT ارتباط میان تجهیزات و سیستم‌های مختلف را فراهم می‌کند.
- Monitoring برای مشاهده وضعیت تجهیزات، داده‌ها و رخدادها در طول زمان مورد استفاده قرارمی‌گیرد.
بنابراین، در یک زیرساخت صنعتی می‌توان این فناوری‌ها را در کنار یکدیگر دید، بدون اینکه هرکدام جایگزین دیگری باشند.
برای مثال، AI Vision ممکن است یک نقص را در محصول شناسایی کند، در حالی‌که سیستم مانیتورینگ وضعیت تجهیزات یا پارامترهای محیطی خط را ثبت می‌کند. کنار هم قرارگرفتن این اطلاعات می‌تواند به ایجاد دید جامع‌تری از وضعیت فرایند کمک کند.
جمع‌بندی
AI Vision در کنترل کیفیت صنعتی روشی برای استفاده از دوربین، پردازش تصویر و هوش مصنوعی در بررسی محصولات و فرایندهای تولید است. این فناوری می‌تواند در شناسایی برخی عیوب، بررسی مونتاژ، کنترل بسته‌بندی و سایر وظایف بازرسی تصویری مورد استفاده قرارگیرد.
با این‌حال، عملکرد یک سیستم AI Vision به عواملی مانند کیفیت تصاویر، نورپردازی، داده‌های آموزشی، مدل مورد استفاده و شرایط خط تولید وابسته است. بنابراین، انتخاب و پیاده‌سازی آن نیازمند شناخت دقیق فرایند و نیازهای هر کاربرد است.
در یک محیط هوشمند صنعتی نیز AI Vision تنها یکی از منابع داده است. ترکیب نتایج بازرسی تصویری با داده‌های سنسورها، تجهیزات و سیستم‌های مانیتورینگ می‌تواند دید گسترده‌تری از فرایند تولید ایجاد کند.
در این زمینه، سپهر انفورماتیک در حوزه راهکارهای IoT، ارتباط با تجهیزات و مانیتورینگ صنعتی فعالیت می‌کند و راهکارهای پایش و جمع‌آوری داده می‌توانند در کنار فناوری‌هایی مانند AI Vision، بخشی از زیرساخت داده و نظارت بر محیط صنعتی باشند.
