Velux 代表着高品质的窗户和与之配套的配件。为了始终提供理想的解决方案,公司的软件部门开发了一个应用程序,用于实现生产和质量管理的自动化。Velux 还利用图像处理技术使制造和装配流程更加高效——得益于 SICK 的人工智能和 Deep Learning,Velux 正在进一步提升效率。
Deep Learning 和工业图像处理提高了 Velux 的生产效率
Lasse Hedeby 是 Velux A/S 的高级自动化程序员,领导工业图像处理解决方案的开发团队。他是一位充满激情且非常高效的程序员,他知道为图像处理解决方案开发基于规则的软件是一个非常耗时的过程。
Deep Learning——提高效率并能更有效地任用员工
当 Lasse Hedeby 了解到 SICK 的 Deep Learning 解决方案时,他看到了一个机会:通过将具备资质的员工从单调的工作任务中解放出来,对其更有效地安排任用,可以提高公司的效率。
Deep Learning 是基于神经网络的人工智能的一个分支,它模仿人类的观察、感知和决策方式。在过去,这依赖于复杂的计算机基础设施,因此大多数公司无法使用这些解决方案;但近年来,不再需要复杂的计算机基础设施,相关技术的用户友好度得到了显著提高,更加便于用户操作。如今,Deep Learning 解决方案可以在紧凑型工业控制器上运行,使其更易于访问且更适合工业使用。
从 200 个工时节省到 20 个工时
过去,Velux Danmark A/S 一直通过手动检查其窗户的子组件来确保产品质量。尽管该系统运行良好,但仍存在一些局限性。根据员工经验的不同,对部件的评估可能存在偏差。需要快速工作并在一整天内执行同样的检查,这也给员工带来了成为“操作盲”的风险。鉴于这些限制,Lasse Hedeby 决定引入摄像机检查,以帮助操作人员完成这项手动工作。
然而,这对 Hedeby 来说意味着大量的额外工作,因为 Velux A/S 有许多子流程。对于这些流程中的每一个,都必须为新的工业图像处理系统开发新的软件。为所有流程创建基于规则的软件可能轻轻松松就需要花费多达 200 个工时。通过使用基于 SICK AppSpace 的 Deep Learning 解决方案,Hedeby 能够将新软件的开发时间缩短到很少的时间(20 小时)。
在他近期的一个项目中,SICK 的智能解决方案用于检查铝型材(百叶窗的组成部分)是否充分填充了聚乙烯泡沫。事实证明这可能很困难,因为将泡沫注入型材时,泡沫的膨胀不均匀。因此,在评估填充过程时没有明确的答案。
通过密切合作解决问题
快速完成软件的训练,以检测正确填充的型材,并且取得了良好的效果,但该过程并不理想。型材又长又薄,因此当摄像机检查型材时,与评估相关的信息仅占图像的很小一部分。该解决方案需要调整标准 SensorApp,将来自 SICK 图像处理传感器的图像分割成三个单独的图像,以便使 Deep Learning 算法更加高效。
Velux A/S 和 SICK 的软件工程师在开发解决方案的过程中相互协作,双方团队都从此次合作中受益良多。Lasse Hedeby 说道,他“从未经历过像 SICK 这样灵活并提供如此强大支持的供应商”。与此相对应地,SICK 团队也很高兴能与这样一位有责任心的合作伙伴携手合作,并实时获得客户满意度的积极反馈。
通往工业自动化的未来之路
Lasse Hedeby 已经在研究下一个任务,即,使用人工智能来确保螺钉在夹持装置中的安装和拧紧。使用普通的基于规则的工业图像处理系统很难完成这项任务,因为金属和螺钉的表面可能截然不同,具有许多光反射。初始的迹象表明成功的希望很大。SICK 的 Deep Learning 解决方案能够轻松处理复杂多样的问题,这意味着,这是基于图像的检查和工业自动化的未来发展方向。
相关文章
Intelligent Inspection SensorApp:将 Deep Learning 引入传感器
一举一动都尽收眼底:RIBE Anlagentechnik 摄像机监控装配装置
Deep Learning 让未来更有效率