Система определения дефектов упаковки с помощью компьютерного зрения
Задача
Разработать систему видеоконтроля качества выпускаемой продукции для конвейерной линии предприятия с применением AI-технологий.
Технологии
PyTorch
Qt
Rapid STP
C++/C
Restful API Backend
JavaScript
Ultralytics YOLO
OpenCV
PostgreSQL
TimescaleDB
Техническое решение
В сотрудничестве с учеными СПбГЭТУ «ЛЭТИ» Cтудия разработала систему обнаружения дефектов упаковки с использованием компьютерного зрения и машинного обучения.
В основе системы: нейросетевая модель, созданная в PyTorch, Ultralytics YOLO для быстрого и точного обнаружения объектов. Интеграция компонентов осуществляется через RESTful API, управление контроллерами — на базе C++ и Rapid STP.
Система установлена на конвейерную линию предприятия и обеспечивает высокую точность обнаружения дефектов.
Концептуальная модель
На концептуальной схеме изображены компоненты линии, с которыми интегрирована система видеоконтроля. Описание каждого из компонентов обозначено цифрой.
Процесс работы
Поэтапный процесс работы системы на примере одной производственной линии.
- Оператор запускает производство, выбирает продукт, сканирует его код и номер заказа.
- Система активирует процесс оценки и начинает посылать сигналы на общий контроллер управления процессом.
- Контроллер следит за поступающими данными и запускает процесс отбраковки дефектной продукции.
- В фоновом режиме система наблюдает за состоянием датчиков, чтобы остановить линию в случае аварии.
Схема системы контроля
Точка контроля расположена непосредственно на участке конвейера и является составной частью системы видеоконтроля. Она посылает сигналы, длительность которых настраивается на этапе интеграции.
Бесперебойность работы системы
Для адаптации системы к реальным производственным условиям, где возможны сбои в работе камер, ухудшение освещения и изменение угла наклона, мы провели серию съемок, максимально имитирующих ситуации на конвейерной линии.
Эксперименты с изменением углов обзора и освещенности помогли донастроить систему и достичь требуемой точности обнаружения дефектов без изменения технических условий на предприятии.
Поиск и цветовая индикация дефектов
Каждый дефект маркируется как GREEN, RED или AMBER в зависимости от отклонения от заданных параметров.
- GREEN — параметры дефекта в пределах нормы.
- AMBER — параметры дефекта выше нормы, но не критичны.
- RED — параметры дефекта сильно выше нормы.
