Beeldherkenning in de industrie

Processen in de industrie zijn vaak in hoge mate geautomatiseerd, met transport banden, robots, verpakkingsmachines e.d. Ook worden sensoren gebruikt om metingen te doen en beslissingen te nemen.

Mensen zijn vaak nog nodig om  kwaliteits-controle  uit te voeren, om op basis daarvan indien nodig  in te kunnen grijpen. Dat is niet langer nodig.

Beeldherkenning en computer-vision worden al wel gebruikt in de industrie. Ze zijn vaak beperkt tot het herkennen van vaste patronen  binnen een bepaalde bandbreedte zoals cirkels of vierkanten.  Dat werkt vaak niet voldoende om productie fouten in het proces te herkennen. Het product zelf moet eerst kunnen worden herkend. Als dat is gerealiseerd, is tellen mogelijk en kan de kwaliteit gecontroleerd worden gedurende het gehele proces. Er is  inzicht in de hoeveelheid  uitval en er kan direct ingegrepen worden bij geconstateerde fouten.

Hoewel computer-vision mooie toepassingen kent in de industrie is het helaas vaak onvoldoende betrouwbaar of slechts beperkt inzetbaar voor een industriële toepassing. Wat dan ?

Om product kwaliteit te herkennen is een meer geavanceerde vorm van beeldherkenning nodig dan machine vision kan bieden. En daar komt Artificial Intelligence in beeld in de vorm van Machine Learning en computer vision.

Hiervoor hebben we software ontwikkeld: Intra is ons basis product en is staat tot  het herkennen van mensen, dieren en objecten.  Intra kan getraind worden voor de herkenning van elk product en met zeer hoge betrouwbaarheid.

Er kan ook specifiek op fouten worden getraind.

Omdat software nooit moe wordt en geen problemen heeft met afwijkende werktijden biedt dat interessante mogelijkheden voor efficiëntie verbetering.

Operationele excellence en het continue streven naar verbetering van kwaliteit en naar vergroting van capaciteit tegen de laagst mogelijke investering is kenmerkend voor een industrieel proces. De eisen aan productkwaliteit zijn hoog en fouten moeten verwijderd zijn voordat het product naar de klant gaat. Intra geeft een computer de intelligentie om er zinvolle dingen mee te zien.

Objecten kunnen feitelijk van alles zijn, kopjes, broodjes, eieren etc… We trainen Intra om uw product te herkennen en als het afwijkt van de vereiste standaard, kan  er sprake zijn van een productie fout.

Dan kan ingegrepen door een robot die het product verwijdert of een afslag maakt zodat het product kan worden gecorrigeerd. Ook is het mogelijk om het productieproces stil te leggen, te vertragen of een foutmelding naar een operator te sturen.

Verpakking, sealings, barcodes en etiketten moeten natuurlijk ook juist worden aangebracht. Dit proces loopt ook niet altijd 100%. Computer vision kan hierbij helpen door fouten te herkennen.

Omdat Intra ook mensen kan herkennen en veilige of juist gevaarlijke zones kan definiëren, is beeldherkenning goed bruikbaar om de veiligheid te verbeteren. We  spreken hier niet over bewegings-detectie, die bijvoorbeeld ook op muizen en blaadjes aanslaat,  maar over betrouwbare herkenning van mensen of van verdacht gedrag van mensen.

Bescherming van eigendommen kan ook in de gaten worden gehouden in magazijnen of in productie hallen. Dit doen we door een relatie te leggen tussen mensen en objecten. Zie onderstaand filmpje over diefstal detectie met Intra bij de KRO NCRV 

Software kan falen of verbetering nodig hebben. Onderliggende hardware of camera’s kunnen stuk gaan of het zicht verliezen. We adviseren industriële kwaliteit computers die beter bestand zijn tegen de soms moeilijke omstandigheden in een fabriek. De beeld kwaliteit van camera’s is vaak niet heel belangrijk. Outdoor internet camera’s voldoen in de meeste gevallen.

Het meeste onderhoud en van de software is mogelijk door de klant zelf, maar het is goed een beroep te kunnen doen op de product ontwikkelaar. Ook het bijtrainen is belangrijk om te voorkomen dat er verkeerde resultaten ontstaan gaandeweg. Daarom bieden we hierbij hulp aan.

Meer weten over beeldherkenning in de industrie met Intra ? Bekijk de presentatie met voorbeelden en use cases