William Pao
a&s International
Przemysł 4.0 – to w tę stronę przesuwa się produkcja przemysłowa. Tradycyjną pracę ludzi w coraz większym stopniu zastępuje automatyzacja. Fabryki wprowadzają systemy machine vision oraz techniki identyfikacji radiowej (RFID). Pierwsze zapewniają kontrolę wytwarzanych towarów, drugie pozwalają śledzić jednocześnie dużą liczbę produktów.
Machine vision można opisać jako „oczy” produkcji, przydatne w wielu procesach, np. podczas kontroli produktów lub kierowania pojazdami autonomicznymi. Eliminuje podstawowy problem związany ograniczeniami oka ludzkiego. Załóżmy, że mam linię produkcyjną, którą kontroluje wielu operatorów – mówi Roger Wang, menedżer w dziale wizji w firmie Solomon. – Problem polega na tym, że każdy z nich widzi inaczej. Poza tym oczy się męczą, co stwarza ryzyko pomyłek. W tym przypadku z pomocą przychodzi algorytm machine vision, zaimplementowany w systemie, który zapewni jednolity standard kontroli, jest też mniej podatny na błędy i nigdy się nie męczy.
Dla producentów, którzy chcą poprawić jakość produkcji lub ją zautomatyzować,, systemy te będą pierwszym potencjalnym wyborem – twierdzi Bruno Menard, menedżer ds. systemów wizyjnych w Teledyne DALSA. – Opracowano je do kontroli wizualnej i inspekcji w zastosowaniach przemysłowych wymagających dużej szybkości, dużej precyzji, nieprzerwanej pracy lub powtarzalności pomiarów – dodaje. – Kontrola maszynowa umożliwia wykonywanie powtarzalnych czynności szybciej, dokładniej i dłużej, niż potrafią to robić ludzie. Ponadto pozwala zmniejszyć koszty pracy, poprawić wydajność produkcji i wyeliminować kosztowne błędy związane z niekompletnym lub źle wytworzonym produktem.
Podstawowe komponenty
Typowy system machine vision składa się z kamer (wraz z obiektywami i przetwornikami obrazu), oświetlenia, urządzeń do przetwarzania analogowego obrazu na format cyfrowy (frame grabber) oraz oprogramowania. Stosuje się dwa typy kamer przemysłowych: ze skanowaniem liniowym (line-scan) i matrycowe (area-scan). Częściej stosowane są kamery line-scan, ponieważ generują obrazy o wyższej rozdzielczości – wyjaśnia Hingsuk Lee, menedżer ds. rozwoju biznesu w SuaLab. – Frame grabbery przechwytują pojedyncze nieruchome klatki w postaci cyfrowej z analogowego lub cyfrowego strumienia wideo. Klatki są zwykle przechwytywane w postaci cyfrowej, aby można je było łatwo i szybko przesyłać dalej.
W obiektach przemysłowych coraz częściej instaluje się też kamery głębi lub kamery 3D.
W przeciwieństwie do tradycyjnych kamer rejestrujących obrazy dwuwymiarowe kamera głębi dodaje do obrazu 2D dane na temat głębi, zapewniając lepszą czytelność i dokładność – mówi Calvin Lee, dyrektor operacyjny w LIPS Corporation.
Oprócz sprzętu, ważną rolę odgrywa oprogramowanie. Dobry system wizyjny to taki, który zapewnia wysoką wykrywalność defektów. Do tego niezbędne są zaawansowane urządzenia gwarantujące dobrej jakości obrazy, które z kolei powinny być analizowane przez wysoko wydajne oprogramowanie – podkreśla H. Lee z SuaLab. – Bez względu na to, jak wysokiej jakości byłby sprzęt, system wizyjny nie będzie dobry, jeśli wydajność analizy obrazu jest niska.
Zastosowania
Widzenie maszynowe może znaleźć zastosowanie w różnych operacjach produkcyjnych, włączając w to kontrolę, lokalizację i sterowanie robotami czy pojazdami autonomicznymi. Najważniejszym zastosowaniem jest wykrycie trudno widocznych gołym okiem defektów, np. w fabrykach odzieży wskazanie pękniętych szwów, przebarwień czy innych wad. Machine vision ma największy wpływ na „inteligentne fabryki” w obszarze kontroli produkowanych artykułów – wyjaśnia H. Lee. – W zależności od branży i produktów dzięki machine vision niektóre firmy już stosują pełną automatyzację procesu kontroli. Inne wykorzystały tę technologię do redukcji liczby pracowników zaangażowanych w ten proces.
Kolejną operacją, która może być oparta na machine vision, jest lokalizacja produktów. Stosując metodę dopasowania do wzorca, możemy określić położenie, orientację, czyli ułożenie, a także rozmiar elementu lub obiektu. Po „nauczeniu” tzw. złotych wzorców algorytmy są w stanie przesuwać, obracać i skalować, czyli zwiększać lub zmniejszać obraz produktów – mówi B. Menard. – Po ustawieniu granicznych parametrów akceptowalności aplikacja może odszukać obiekt i dokonać porównania, aby podjąć decyzję o akceptacji bądź odrzuceniu produktu.
Machine vision zapewnia niezbędne dane wizyjne coraz większej liczbie automatycznych wysięgników. Gdy np. ramię robota przenosi coś z punktu A do B, kamera głębi dostarcza potrzebny obraz, wskazując robotowi, jak ma obiekt chwycić i gdzie odłożyć – wyjaśnia C. Lee z LIPS. – Operator nie musi też ustalać toru jazdy pojazdów autonomicznych. Kamera głębi pomoże określić najlepszą drogę do celu i ominąć ewentualne przeszkody.
Branże, które zyskają
Stosując technikę machine vision korzyści może odnieść wiele branż – od tradycyjnych po elektroniczne. Machine vision to pierwszy potencjalny wybór dla każdej fabryki, chcącej poprawić jakość produktów lub zautomatyzować produkcję – podkreśla B. Menard. – Liczne branże, od półprzewodnikowej, elektronicznej, poprzez motoryzacyjną, spożywczą i opakowań, aż po ogólnoprodukcyjną, mogą skorzystać na wdrożeniu systemu widzenia przemysłowego – kontynuuje. – Mogą one zwiększyć wydajność produkcji, wpływając jednocześnie na podniesienie jakości.
Od części składowych po gotowe produkty – ostatnim etapem każdego procesu produkcyjnego jest kontrola. W zasadzie każda branża może skorzystać z machine vision – uważa H. Lee. – Ponieważ trudno byłoby ustanowić proces zapisywania obrazu dla każdego rodzaju produktu, technologia machine vision znajduje zastosowanie w specyficznych obszarach, które łatwo zobrazować, takich jak przemysł elektroniczny (m.in. półprzewodniki i wyświetlacze). Jeśli tego typu trudności uda się pokonać za pomocą deep learning, będzie można zastosować widzenie maszynowe w dowolnej branży produkcyjnej – prognozuje Lee.
Wybór właściwego systemu
Użytkownicy końcowi muszą przestrzegać określonych zasad i wymagań. Również system kontroli maszynowej powinien te wymagania spełniać. Bruno Menard wskazał, że szczególną uwagę należy zwrócić na kilka aspektów:
- Należy określić zadania, jakie ma wykonywać system wizyjny, ponieważ różne cele wymagają różnych parametrów wizji. Machine vision przeznaczony do kontrolowania jednego zadania może nie być odpowiedni do innego.
- Muszą zostać zdefiniowane kluczowe kryteria wizualne, które zagwarantują odpowiednią wydajność kamery i obiektywu, biorąc pod uwagę takie czynniki, jak najmniejszy rozmiar obiektu lub defektu do wykrycia, wymagana dokładność pomiaru, rozmiar obrazu, liczba klatek na sekundę i szybkość przetwarzania, a także potrzeba widzenia kolorów. Wszystkie te elementy mają wpływ na wybór kamery i obiektywu.
- Należy rozważyć czynniki środowiskowe – np. niektóre kamery są przystosowane do oglądu scen statycznych, inne sprawdzą się w obserwacji liniowego ruchu obiektów. Z kolei czynniki temperatury, wilgotności i wibracje mogą determinować zastosowanie specjalnej technologii lub specjalnych technik montażu.
Należy też uwzględnić kwestie ekonomiczne i budżet, jakim dysponują użytkownicy, system widzenia maszynowego jest bowiem rozwiązaniem złożonym, ściśle dostosowanym do konkretnych wymagań. Trzeba dokonać dokładnej analizy, czy inwestycja się zwróci – zaleca R. Wang. – W niektórych krajach koszty pracy nie są wysokie, więc trzeba się zastanowić, czy warto inwestować w system machine vision. Może się zdarzyć, że lepszym rozwiązaniem będzie po prostu zatrudnienie kolejnych pracowników.
Inteligentne fabryki dzięki RFID
Systemy radiowej identyfikacji sprawiają, że fabryki stają się smart – ale na nieco innej zasadzie. W przeciwieństwie do machine vision, które stanowi „oko produkcji”, technologia RFID pozwala na natychmiastową identyfikację znacznej liczby produktów, ich części lub komponentów bez potrzeby zachowania ich w polu widzenia. To metoda bardziej wydajna od tradycyjnych technologii, np. skanowania kodów kreskowych.
Skanowanie kodów kreskowych jeden po drugim stwarza kilka problemów. Po pierwsze jest zbyt wolne – wyjaśnia Brian Ma, główny menedżer w GIGA-TMS. – Po drugie łatwo o błędy, ponieważ operatorzy się mylą lub nie wykonują pracy zgodnie z instrukcją. Z kolei technika identyfikacji radiowej (RFID) przekonuje do siebie możliwością jednoczesnej i natychmiastowej identyfikacji dużej liczby otagowanych artykułów, ich części lub komponentów, co jest rozwiązaniem szybszym i bardziej wydajnym. Przemysłowe rozwiązania RFID wprowadziły już tzw. „tunel RFID”, przez który przesuwają się otagowane przedmioty. Wszystkie artykuły są skanowane jednocześnie.
Angeline Fraud, szefowa marketingu w INVENGO, zgadza się z uwagami Briana Ma. Skojarzone z artykułami aktualne dane można odczytywać i modyfikować automatycznie w punktach przetwarzania, czyli stacjach RFID, co zmniejsza czynnik błędu ludzkiego, a także zwiększa tempo produkcji i kontroli jakości. Problemy są identyfikowane na poziomie jednostkowym – tłumaczy. – Wpływa to też pozytywnie na dokładność dostaw. Wszystko to przyczynia się do poprawy wydajności operacyjnej.
Rodzaje RFID
RFID można podzielić na trzy kategorie skategoryzować w zależności od zakresu częstotliwości radiowych: LF pracuje w zakresie 120–150 kHz, HF – 13,56 MHz, UHF – 433 MHz.
Dominującą technologią śledzenia i identyfikacji komponentów w fabrykach nadal pozostaje kod kreskowy, ale coraz więcej użytkowników skłania się w stronę techniki UHF RFID głównie z powodu jej zalet.
UHF RFID może wykonywać odczyty partii produkcyjnych. Mogę zeskanować ponad sto elementów w trzy sekundy, to naprawdę bardzo szybko – wyjaśnia B. Ma. – Mogę też dokonać odczytu ze znacznie większej odległości. UHF RFID stosuje tę samą technologię co eTag, tyle że ja używam jej w przemyśle tekstylnym, a nie w bramkach na autostradzie.
Angelina Fraud uważa, że wybór odpowiedniej częstotliwości RFID zależy od rodzaju produkcji i celów użytkownika końcowego. Jako dostawca systemów identyfikacji radiowej zapewniamy ekspercką analizę w fabryce oraz badanie procesów przebiegających wokół otagowanego radiowo produktu – wyjaśnia. – Dzięki temu mamy bazę, by doradzić użytkownikom, jakiej częstotliwości użyć w zależności od różnych czynników. Najpierw musimy ustalić, jaki produkt ma zostać otagowany RFID, czy zawiera elementy metalowe albo płyny. Następnie środowisko produktu: wilgotność, montaż w powietrzu, wewnątrz, na zewnątrz, pod ziemią. Czy stosowane oprzyrządowanie jest wykonane z metalu, a także jaka jest wymagana odległość odczytu oraz liczba elementów odczytywanych jednocześnie.
Na co uważać
Urządzenia RFID – czy to czytniki, czy znaczniki (tagi) – muszą w środowisku przemysłowym spełniać pewne wymagania. Konieczne, by były wytrzymałe i odporne na trudne warunki otoczenia, takie jak wilgoć, zapylenie czy niewłaściwe użytkowanie. Urządzenie RFID wymaga ponadto odpowiedniego dostrojenia i nastawienia, aby mogło pracować w środowisku metalowych maszyn czy neonowego oświetlenia, bo te czynniki w istotny sposób wpływają na sprawność odczytu RFID – wyjaśnia A. Fraud. – Na przykład znaczniki RFID umieszczone na odzieży z lnu muszą być odporne na proces jego konserwacji, który obejmuje mycie, suszenie na gorąco oraz operacje namaczania i wyciskania przy ciśnieniu 60 barów.
Chociaż identyfikację radiową można wykorzystać w wielu różnych branżach, nadal należy uwzględniać potencjalne problemy. Istnieją przeszkody i ograniczenia mające wpływ na decyzję o wprowadzeniu RFID. Wynikają one z natury technicznej, np. nieprzyjazne środowisko skutkujące niską jakością odczytu, a także z kwestii finansowej, w tym z kosztów wdrożenia, od znaczników znacznie tańsze są bowiem kody kreskowe. Ważne są również kwestie prywatności i bezpieczeństwa – mówi A. Fraud.
Mimo to eksperci są zgodni, że perspektywy stosowania RFID w fabrykach są obiecujące, zwłaszcza ze względu na oferowaną możliwość śledzenia zasobów i szybkiego generowania danych. Przykładowo 150 artykułów tekstylnych ma zostać przesłanych do dalszego etapu produkcji, okazuje się jednak, że jest ich tylko 140. Mogę więc sprawdzić w systemie lokalizację tych 10 brakujących sztuk i dowiedzieć się, jaki jest ich los – opowiada B. Ma. – Zarządzający produkcją powinni mieć możliwość szczegółowej analizy, by móc na bieżąco kontrolować proces produkcji i raportować do centrali. Dzięki RFID są w stanie dokonywać analizy i podejmować decyzje na podstawie aktualnych i rzeczywistych danych.
Obserwujemy coraz większe zainteresowanie rozwiązaniami do identyfikacji radiowej, nie tylko w fabrykach, ale także na całej drodze produktu aż do klientów. Głównie za sprawą istotnych korzyści, jakie technologia RFID przyniosła fabrykom w ostatnich latach, a także dzięki dojrzałości i optymalizacji rozwiązań all-in-one – ocenia A. Fraud. Na korzyściach płynących z RFID zyskuje nie tylko użytkownik końcowy, ale także całe otoczenie biznesowe. Identyfikacja radiowa zmienia reguły gry, a gracze na tym rynku liczą na innowacyjność i możliwość wyróżnienia się na tle konkurencji.
Obie techniki: machine vision oraz RFID sprawiają, że fabryki stają się „inteligentne” i zmniejszają zależność od pracy ludzi. W kontekście trendu Przemysłu 4.0 mają dużą szansę na rozpowszechnienie i coraz częstsze stosowanie w fabrykach na całym świecie. Na rynku jest już wiele możliwych rozwiązań, więc użytkownicy mogą wybrać te, które najlepiej odpowiadają ich branży i celom biznesowym. Pozwoli to czerpać korzyści, jakie zapewniają machine vision i RFID.
Wykorzystanie deep learning
Coraz więcej systemów obserwacji maszynowej wykorzystuje potencjał deep learning, zwłaszcza w obszarze kontroli. W systemie umieszcza się obrazy dobrych i złych próbek, na ich podstawie system zaczyna wnioskować samodzielnie, rozpoznając wady i skazy bez dodatkowej pomocy – wyjaśnia Roger Wang, menedżer działy wizyjnego w firmie Solomon.
Hongsuk Lee, menedżer ds. rozwoju biznesu w SuaLab, jako przykład podaje technologię zastosowaną w branży tekstylnej. Jesteśmy pierwszą firmą na świecie, która skomercjalizowała bezobsługowy system kontroli jakości produktów tekstylnych z wykorzystaniem deep learning. Zastosowanie widzenia maszynowego w branży tekstylnej było trudne z dwóch powodów. Po pierwsze tło na produkcie tekstylnym jest złożone, więc trudno wykryć defekt, opierając się na prostym algorytmie. Po drugie cykl życia produktu jest krótki, więc nie ma dość czasu na optymalizację algorytmu. Aby rozwiązać problem, w systemie machine vision zastosowaliśmy dedykowany algorytm, który umożliwia odnalezienie niewykrytych defektów i potrafi szybko reagować na zmianę produktu.
