بازرسی اجزای تکمیل شده در زمان واقعی با هوش مصنوعی

30 مارس 2021توسط دانیلا ولینگ ، Fraunhofer-Gesellschaft

نرم افزار MARQUIS هم مولفه را به رسمیت می شناسد و هم اختلافاتی را در ابعاد هدف نشان می دهد.

اجزای تحویل داده شده باید مورد بازرسی کالاهای ورودی قرار گیرند تا اطمینان حاصل شود که دارای ابعاد صحیح هستند و هر چیز دیگرمرتبطی نیز درست است. این اپلیکیشن یک راه حل نرم افزاری شامل یادگیری ماشینی و واقعیت افزوده – قادر به بازرسی اجزا و مجموعه های آنها در حین حرکت و در زمان واقعی خواهد بود. محققان موسسه Fraunhofer برای تحقیقات گرافیک رایانه ای IGD قرار است این فناوری را از 12 تا 16 آوریل 2021 در Hannover Messe به نمایش بگذارند.

به عنوان مثال ، کنترل کیفیت در صنعت تولید ، موضوعی کلیدی است. آیا یک مولفه فیزیکی نمی تواند نیازهای مشخص شده در داده های CAD را برآورده کند؟ تا پیش از این ، کارمندان برای کشف این موضوع ، بازرسی های تصویری انجام داده اند. محققان Fraunhofer IGD در دارمشتات در حال توسعه گزینه بسیار دقیق تری با استفاده از MARQUIS هستند: این نرم افزار واقعیت افزوده را با روش های یادگیری ماشین ترکیب می کند تا امکان مقایسه بین مشخصات CAD و محصول واقعی را فراهم کند. هولگر گراف ، دانشمند Fraunhofer IGD ، در توضیح این فناوری می گوید: “این سیستم مولفه و همچنین هرگونه اختلاف در ابعاد را تشخیص می دهد.” “و همچنین اجزای منفرد ، می تواند مجموعه های ساخته شده از چند قسمت را بازرسی کند. یک روش یادگیری ماشینی ، یکی دیگر از پیشرفت های ما ، موقعیت اجزا را در فضای سه بعدی تشخیص می دهد.” آیا عضو ضربدری ، به عنوان مثال ، در زاویه درست متصل شده است؟ این سیستم با اتکا به یک پروژه پیشین این کار را انجام می دهد: یک سیستم ثابت متشکل از چندین دوربین که دقیقاً اجزا را اندازه گیری می کند. ویژگی خارق العاده سیستم جدید، تلفن همراه است – کارگران به راحتی تلفن هوشمند یا تبلت خود را بیرون می کشند و آن را به سمت مولفه مورد نظر هدایت می کنند.

تولید داده های آموزشی برای هوش مصنوعی

در قلب MARQUIS یادگیری ماشینی است. این سیستم با استفاده از این فناوری نه تنها تک تک اجزا ، بلکه موقعیت آنها را نیز در فضا شناسایی می کند. اما برای آموزش این هوش مصنوعی به مجموعه داده های عظیم نیاز است. این موضوع بهتر است با مثال توضیح داده شود:

 بیایید تشخیص خودکار گربه ها را در عکس ها انجام دهیم. تنها درصورتی که تصاویربا تعداد بی شماری از گربه ها را در موقعیت های مختلف به آن نشان دهیم ، و همچنین نشان داده شود که کدام پیکسل های تصویر متعلق به گربه است و کدامیک از حیوانات قابل تشخیص نیست. تصاویر زیادی وجود دارد که همه چیز را درباره گربه ها به ما می گوید. با این حال ، وقتی نوبت به تولید اجزا می رسد ، چنین تصاویر آموزشی به سادگی وجود ندارند یا باید با استفاده از فرایندهای پیچیده تولید شوند.

گراف می گوید: “تولید این داده ها از عکس ها سالها به طول می انجامد ، بنابراین هدف ما ایجاد اطلاعات آموزشی صرفاً از داده های CAD بود که با هر فرآیند تولید همراه است.” بنابراین محققان نیاز به ایجاد تصاویر مصنوعی دارند که مانند عکس های واقعی عمل می کنند. آنها این کار را با شبیه سازی با تنظیم چندین  دوربین در فضا انجام می دهند تا مدل CAD را از جهات مختلف مشاهده کنند – این دوربین ها از هر منظر “عکس” می گیرند و تصاویر در پس زمینه دلخواه تنظیم می شوند. در حالی که داده های CAD معمولاً به رنگ های آبی ، سبز و زرد نشان داده می شوند ، اجزای موجود در تصاویر مصنوعی ایجاد شده توسط ارائه عکس واقع بینانه از مواد مختلف مختلفی تشکیل شده است ، به عنوان مثال فلز براق کننده خاکستری. این رویکرد اینگونه عمل می کند: از طریق رویکرد یادگیری عمیق ، سیستم به طور موثر با استفاده از تصاویر مصنوعی آموزش می بیند و سپس می تواند یک مولفه واقعی را تشخیص دهد بدون اینکه قبلاً آن را دیده باشد. و همه اینها خیلی سریع: برای ده مولفه مختلف و ناشناخته در یک مجموعه پیچیده محصول انجام می شود . محققان در صورت وجود داده های CAD فقط چند ساعت برای آموزش شبکه های هوش مصنوعی نیاز دارند.

بازرسی اجزا بصورت خودکار در زمان واقعی

هنگامی که سیستم برای شناسایی اجزای مربوطه آموزش دید ، می تواند آنها را در زمان واقعی بازرسی کند. این سیستم خود مولفه ، موقعیت آن در فضا را تشخیص می دهد و دقیقاً بر روی داده های CAD قرار می گیرد. برا کنترل اینکه آیا هر دو با هم مطابقت دارند ، محققان از واقعیت افزوده برای کشف این موضوع استفاده می کنند.