ディープラーニングアセンブリ検証機でさまざまなコンポーネント/ 部品構成を識別する

assembly verification inspections on car doors

マシンビジョンで信じられないほどの進歩がなされ、高度なアルゴリズムは、最も微妙な特徴やマーキングによって視覚的に類似した部分を区別することができます。検査の特異性と正確性およびプログラミングとトレーニングへの先行投資の間には自然な妥協点があります。1つの部品で考えられる数百または数千のバリエーションをコンピュータで区別できるようにするための線形ルールを作ることは、当然のことながら、膨大な時間がかかります。

この方法を採用しても、検証は確実ではありません。

対照的なパターンや反射的なまぶしさを示す構造化されていない、または非常に複雑なシーンは、単純にプログラムが簡単ではない可能性があります。特に、アセンブリ検証アプリケーションでは、部品ごとに異なり、多数の構成で表示される多数のコンポーネントを識別する必要があります。部品が一貫して製造されている場合でも、アセンブリ検証検査は自動化が非常に困難です。マシンビジョンシステムは、スケール、回転、ポーズ歪みなどによる部品の外観のばらつきはある程度許容することができますが、複雑で混乱する表面テクスチャや照明の悪さなどの条件は、非常に深刻な課題となるからです。マシンビジョンシステムでは、見た目がほとんど同じ部品では、ばらつきや偏差をうまく判断できません。

アセンブリまたはサブアセンブリにばらつきや偏差が多くある場合、これらの違いに対する判断をプログラムまたは説明するのが難しくなるまで、システムの負担が高まります。これらの検査を検査官が行うのは非効率的で拡張性がなく、疲労や検査官によって結果が異なることから、エラーが発生する可能性があります。

ディープラーニングベースの画像解析ツールは、最も過酷なアセンブリ検証検査を自動化する代替手段です。

自動車産業向けアセンブリ検証

自動車製造産業のオブジェクトやシーンは、その多くが予測不能であり、組み立てのさまざまな段階でカメラに異なって表示されます。最終組み立ては、完成車を検証する難しいプロセスとして知られています。これは、ステップバイステップのフィルタリングや、従来のマシンビジョン開発で定義されたルールベースのアルゴリズムでは対応が難しいためです。

自動車産業のアセンブリ検証

欠陥ライブラリが大きくなり、構成の変更が拡大するにつれて、これらのアルゴリズムを維持することが難しくなっています。最終アセンブリ検証では、照明、色、湾曲、視野など、複数の変数が変化するため、コンピュータやカメラでは分離が非常に難しいため、プログラミングの限界がテストされます。これが、これまで車の組み立ての最終段階で検査官による検証が継続されてきた理由です。検査官は、異なる車種が変化する照明条件の下でラインを移動しながら、さまざまな部品や特徴を特定することに熟練しているかもしれません。それでも、検査官の判断が矛盾する可能性があります。

一方、ディープラーニング ソフトウェアは、色やコンポーネントから参照可能な特徴のライブラリを確実に構築し、完成品の写真からそれらを見つけて識別することができます。ここから、コンポーネントを特定し、識別してからソフトウェアで合否判定をするという 1 つの追加機能を追加することで、最終アセンブリ検証チェックを簡単に自動化できます。

エレクトロニクス産業向けアセンブリ検証

エレクトロニクスメーカーは、アセンブリ検証アプリケーションで必要とされる判断力に基づく意思決定にディープラーニングを採用しています。複数のコンポーネントの存在と正しい配置を検出して確認するように検査システムをトレーニングするには時間がかかりすぎます。検査では、多くの小さなコンポーネントが互いに近い、または触れ合う画像を処理しなければならないため、従来のマシンビジョンでは対応できない、あるいは複雑すぎる可能性があります。

エレクトロニクス産業のアセンブリ検証

ヒューズボックスのように組み立てられる電子ハードウェアの一部は、性能を下げる、あるいは安全性を損なう可能性のある欠陥、汚染物質、機能欠陥、その他の不規則性がないか検査する必要があります。このようなエラーは、ヒューズボックスがデバイスに組み立てられる、または顧客に出荷される前に発見する必要があります。ディープラーニングベースのソフトウェアは、低コントラストまたは取り込みが不十分な画像を含む悪条件下でも動作するように最適化されています。

ヒューズボックスの最終アセンブリを確認するため、ディープラーニングツールは、まず各部品タイプの位置を示す画像から多くの電子部品を識別できるように学習します。その入力情報を元に、ツールのニューラルネットワークが各コンポーネントの参照モデル(標準のサイズ、形状、表面の特徴、ボックス上の一般的な位置など)を構築します。実行時に、ツールはコンポーネントを含むボックスの全領域をセグメント化して、コンポーネントの有無と正しいタイプであるかどうかを識別します。

パッケージ産業向けアセンブリ検証

冷凍食品のパッケージの正しい組み立てを検証するタスクを考えてみましょう。食品トレイのパッケージは、外観が似ていることがありますが、中身は異なる商品が収納されています。逆に、同じ食品が入っているパッケージでも、その食品の配置や大きさが異なることもあります。

パッケージ産業のアセンブリ検証

食品の数や、構成またはレイアウトが異なると、従来のマシンビジョンではプログラムが困難で時間がかかります。特に、1つツールで、1つの画像から複数の特徴を自動検索し、識別することは困難です。パッケージの最終アセンブリ検証アプリケーションに特に複雑な画像が関わると、例外や欠陥ライブラリが大きくなり、制御が難しくなりすぎることがあります。

ディープラーニングベースの画像解析は、各食品成分のわずかに違う外観のみでなく、許容可能なレイアウトを学習することによって、食品トレイが正しく組み立てられていることを簡単に確認できます。個々のコンポーネントの正常な外観を登録した後、ソフトウェアは、様々な食品を検索するための完全なデータベースを構築します。実行時には、検査画像を複数の区分に分割して、ソフトウェアが食品の有無を確認し、正しいタイプであることを確認できるようにします。

パッケージのレイアウトが異なる場合、ソフトウェアには、ユーザーが複数の構成を登録できる柔軟性があります。構成が変化した場合には、ディープラーニングソフトウェアを調整して、個々のコンポーネントを継続的に特定し、正しいタイプであることを確認できます。このようにして、ユーザーは1つのツールを使用して食品トレイや冷凍食品のパッケージ検証を自動化することができます。

家電製品産業向けアセンブリ検証

モバイル デバイスのパネルやモジュールの組み立て工程では、緩んだネジなどの異物がライン上の隣接するモジュールのハウジングに落ちることもあります。最終組み立て工程で障害や損傷が生じないように、含有物を検出することが重要です。一般的に小さな破片や外観のわずかな違い(わずかな照明のコントラスト、向きの違い、金属表面の眩しさなど)は、自動検査システムを混乱させる可能性があります。

家電製品産業のアセンブリ検証

同時に、このような条件は、適切な部品が正しい場所にあるかどうかを検査システムが判断するのを難しくする可能性もあります。最後に、モバイル デバイスのパネルにはたくさんの部品が近接して取り付けられているため、それらを検査システムが独立した部品として区別することが困難な場合があります。

このようはばらつきをすべてルールベースのアルゴリズムにプログラミングすることは、時間がかかり、エラーが起こりやすく、現場での維持が容易ではありません。一方、ディープラーニングベースの画像解析ソフトウェアは、パネルまたはモジュールを構成する数多くの部品の最終的な外観を学習することで、ネジのような不適切に配置された部品を識別することができます。破片がある、あるいは部品が欠けているモジュールの「悪い」画像を登録し、モジュールが正しく組み立てられている「良い」画像を登録することで、コグネックスのディープラーニングなどのツールは、困難な条件下で機能するモバイル デバイス パネルの参照モデルを作成し、自動化システムの速度と信頼性で、人間の検査官と同様に確実に欠陥パネルを識別することができます。

従来、アセンブリ検証アプリケーションの作業は検査官に委ねられていました。しかし、毎分数百から数千個の部品を確実に繰り返し検査しなければならない生産ラインでは、人間の検査能力では十分ではありませんでした。ディープラーニングベースのツールは、その隙間を埋めることができるようになりました。

コグネックスのディープラーニングは、ラベルの付いた画像を登録し(ソフトウェア開発不要)、サイズ、形状、表面の特徴が異なるパーツを正しく見つけて識別します。このハードルを克服すれば、適切なコンポーネントが適切な場所または構成で存在していることを確認することが容易となります。従来のビジョンとは異なり、ロジック構築を追加する必要はありません。

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加