Velux står for vinduer af høj kvalitet og tilbehør til dem. For altid at kunne tilbyde den bedste løsning har virksomhedens softwareafdeling udviklet en applikation, der bruges til at automatisere produktion og kvalitetskontrol. Velux bruger desuden billedbehandling for at effektivisere produktions- og monteringsprocesser – og oplever nu en yderligere effektivitetsstigning takket være kunstig intelligens og deep learning fra SICK
Deep Learning og industriel billedbehandling øger effektiviteten i produktionen hos Velux
Lasse Hedeby er ledende automatiseringsprogrammør hos Velux A/S og leder teamet for udvikling af løsninger til billedbehandling. Han er en passioneret og meget alsidig programmør, der ved, at udvikling af regelbaseret software til billedbehandlingsløsninger er en meget tidskrævende proces.
Deep learning – øg effektiviteten, og brug medarbejderne mere effektivt
Da Lasse Hedeby hørte om SICK deep-learning-løsningerne, så han en mulighed for at øge effektiviteten i virksomheden og bruge de kvalificerede medarbejdere mere effektivt ved at aflaste dem for de monotone arbejdsopgaver.
Deep learning er et område inden for den kunstige intelligens, der er baseret på neurale netværk og efterligner den menneskelige måde at se, opfatte og træffe beslutninger på. I de senere år er den forbundne teknologi blevet meget mere brugervenlig og er ikke længere afhængig af kompleks computerinfrastruktur, der tidligere har gjort disse løsninger utilgængelige for de fleste virksomheder. I dag kan deep learning-løsninger køres på kompakte industrielle styringer, hvilket gør dem mere tilgængelige og relevante til industriel brug.
Besparelse fra 200 til 20 mandetimer
Tidligere sikrede Velux Danmark A/S produktkvaliteten ved manuelt at teste vinduernes delkomponenter. Selvom dette system altid har fungeret godt, er der nogle begrænsninger. Afhængigt af hvor erfarne medarbejderne er, kan der være afvigelser i vurderingen af komponenterne. Behovet for at arbejde hurtigt og køre de samme kontroller i løbet af dagen indebærer også en risiko for, at medarbejderne bliver “stirrer sig blinde”. Stillet over for disse begrænsninger besluttede Lasse Hedeby at indføre kamerainspektion for at hjælpe operatørerne med dette manuelle arbejde.
Det betyder dog et kolossalt ekstra arbejde for Hedeby, for hos Velux A/S opstår der en masse delprocesser. Der skal udvikles ny software til nye industrielle billedbehandlingssystemer til hver af disse processer. Oprettelsen af den regelbaserede software til alle processer kan let kræve op til 200 mandetimer. Takket være deep-learning-løsningen, der er baseret på SICK AppSpace, var Hedeby i stand til at reducere udviklingsperiode for ny software til en brøkdel af tiden (20 timer).
I et af hans seneste projekter blev intelligente løsninger fra SICK brugt til at kontrollere, om aluminiumsprofiler, en del af en persienne, er tilstrækkeligt fyldt med polyethylenskum. Dette kan være svært, fordi skummet ikke udvider sig ensartet, når det sprøjtes ind i profilen. Så der er ikke noget klart ja eller nej, når man evaluerer påfyldningsprocessen.
Problemløsning takket være tæt samarbejde
Træning af softwaren til at genkende nøjagtigt udfyldte profiler gik hurtigt og gav gode resultater, men processen var ikke perfekt. Profilerne er lange og tynde, så når kameraerne kontrollerer profilerne, er de oplysninger, der er relevante for vurderingen, en meget lille del af billedet. Løsningen krævede en tilpasning af den standardmæssige SensorApp, der opdeler billedet fra SICKs billedbehandlingssensor i tre separate billeder for at gøre deep-learning-algoritmen mere effektiv.
Softwareingeniørerne fra Velux A/S og SICK har hjulpet hinanden med at udvikle løsningen, og begge teams har glæde af dette samarbejde. Lasse Hedeby siger, at han aldrig før har mødt en leverandør, der er så fleksibel og giver så god support som SICK. Omvendt glæder teamet fra SICK sig over at samarbejde med en så engageret partner og tilfreds kunde.
Vejen til den industrielle automatiserings fremtid
Lasse Hedeby er allerede i gang med den næste opgave, som ved hjælp af kunstig intelligens skal sikre, at skruer monteres og spændes i en holdeanordning. Opgaven er svær at løse med et almindeligt regelbaseret industrielt billedbehandlingssystem, da både metal og skruer kan have meget forskellige overflader med mange lysrefleksioner. De første tegn er dog lovende. SICKs deep-learning-løsning kan uden problemer klare mange forskellige problemer, hvilket tydeligt viser, at dette er vejen mod fremtiden for kamerabaseret inspektion og industriel automatisering.
Andre indlæg
Intelligent Inspection SensorApp: Bringer deep learning ind i sensoren
Overblik over alle greb: den kameraovervågede monteringsanordning fra RIBE Anlagentechnik
Deep learning er fremtiden for større effektivitet
Individuel 2D- og 3D-billedbehandling, der – takket være SICK AppSpace – er let at konfigurere