In de autoproductie-sector, inclusief de EV-sector, bestaat een toenemende behoefte aan simplificatie, flexibiliteit en efficiëntie. Bij bijvoorbeeld het bouwen van een nieuwe fabriek of het inpassen van oplossingen op een bestaande locatie, willen autofabrikanten de problemen vermijden die veroorzaakt worden door te veel hardware en software van verschillende leveranciers. Dit veroorzaakt compatibiliteits-, kosten- en onderhoudsproblemen.
Autofabrikanten en EV-fabrikanten gebruiken geavanceerde machine vision, deep learning en 3D-sensor-technologieën om verschillende kwaliteitscontroles uit te voeren. De technologieën worden ingezet om de egaliteit van oppervlaktelagen te inspecteren, defecten in batterijcellen op te sporen, barcodes en serienummers te lezen, en om ervoor te zorgen dat kleefstoffen en thermische beads nauwkeurig en gelijkmatig worden aangebracht en gepositioneerd. Gedurende het hele productieproces van elektrische batterijen bieden deze technologieën een verbeterde visuele inspectie voor kwaliteit, veiligheid en naleving.
Hoe pas je deep learning-technologie het beste toe?
Moderne machine vision-oplossingen zijn makkelijker in gebruik dan oudere systemen. Dit komt door betere gebruikersinterfaces en betere interoperabiliteit tussen software, hardware en upgrades met abonnementen. De huidige machine vision-software wordt geleverd met deep learning-tools die nodig zijn voor hogere inspectieniveaus en beter zijn in het verwerken van complexere gebruikssituaties. Deep learning neurale netwerken zijn sterke, innovatieve AI-tools die het menselijk brein nabootsen.
Hoewel neurale netwerken indrukwekkende resultaten kunnen opleveren, moeten ze op een weloverwogen manier worden toegepast. Om het beste te halen uit deep learning, is het essentieel om na te denken over het combineren van trainings- en testdatasets, data-annotatie en omgevingsfactoren. Het is belangrijk om realistische verwachtingen te hebben over wat neurale netwerken goed kunnen, vooral in vergelijking met mensen en traditionele op regels gebaseerde machine vision. Het gaat hierbij om het opsporen van defecten of onverwachte afwijkingen, het tellen van voorwerpen en het lezen van moeilijke tekens. Ook is het essentieel om de juiste evaluatiecriteria te kiezen. Het meest basale meetcriterium is nauwkeurigheid, maar dat past mogelijk niet bij ongebalanceerde datasets. Je kunt F1-score toepassen voor classificatie of gemiddelde precisie voor detectietaken. Het is het beste om meetcriteria te vermijden die het percentage true positive afzetten tegen het percentage true negatives. De getallen die hieruit voortkomen kunnen misleidend zijn, vooral als er veel true negatives zijn.
Bij sommige machine vision-oplossingen is er geen voorkennis nodig. Zo is er optische tekenherkenning (OCR) op basis van deep learning met een kant-en-klaar neuraal netwerk dat vooraf is getraind met behulp van duizenden afbeeldingen. OCR is erg nauwkeurig, zelfs bij lastige gevallen als gestileerde lettertypen, wazige, vervormde of onduidelijke tekens. Het is heel eenvoudig voor gebruikers om krachtige OCR-toepassingen te maken in slechts een paar eenvoudige stappen, zelfs als ze geen expertise hebben op het gebied van machine vision. Deze oplossingen zijn ook flexibel, zodat je ze kunt gebruiken op desktop-pc’s, Android-handhelds en slimme camera’s.
Toepassingen en voordelen van 3D-technologie
3D-vision-systemen kunnen de ruimtelijke lay-out van objecten binnen een elektrische batterij reconstrueren, inclusief de vorm, grootte, positie en oriëntatie van het object. Ze leggen beelden vast vanuit twee licht verschoven gezichtspunten (ook wel stereovisie). Hierdoor kan het 3D vision-systeem diepte waarnemen en de driedimensionale structuur van objecten reconstrueren. Door 3D-scannen kan nauwkeurige data worden verzameld, waarmee gedetailleerde inspecties kunnen worden uitgevoerd van batterijcellen, soldeerparels, tabs, connectoren en thermische beads in het assemblageproces. De eerste stap is het verkrijgen van gegevens over de oppervlakte geometrie van het te scannen object. 3D-profiel sensoren met hoge resolutie kunnen helpen bij inspecties waar beeldcontrast of weinig licht een probleem vormen. De waarheidsgetrouwe 3D helpt ook om ervoor te zorgen dat celomhulsels vrij zijn van vuil of resten die de veiligheid of functionaliteit in gevaar kunnen brengen.
Zodra de gegevens zijn verkregen, worden ze verwerkt om een puntenwolk te genereren. Dit is in feite een verzameling gegevenspunten in een driedimensionale ruimte, waarbij elk punt een specifieke plek op het oppervlak van het object vertegenwoordigt. De puntenwolk-data wordt vaak verder verwerkt om een mesh-weergave van het objectoppervlak te genereren. Een mesh is een verzameling hoekpunten, randen en vlakken die de vorm van het object op een meer gestructureerde en efficiënte manier definieert. 3D heeft geweldige toepassingen voor machine vision en vision-gestuurde robots:
3D tools voor machine vision – 3D-profielsensoren zijn cruciaal voor machine vision-taken zoals kwaliteitscontrole en inspectie, omdat ze de mogelijkheden van deze systemen uitbreiden. Ze verbeteren de dieptewaarneming en kwaliteitscontrole door een gedetailleerde 3D-dataset te bieden. Moderne machine vision-software gebruikt 3D-tools om deze data te verwerken en te analyseren. Voorbeelden van deze tools zijn 3D blobanalyse, die een puntenwolk in blobs verdeelt en hun eigenschappen berekent, en 3D-meting, die overgangen in profielen van dieptekaarten identificeert en metrics berekent.
3D- en vision-gestuurde robots – Robotarmen worden in autofabrieken gebruikt om producten te verzamelen, sorteren en assembleren. Robotica helpt bij zwaar tillen, repetitieve taken en assemblage met hoge nauwkeurigheid. Vision-gestuurde robots kunnen worden geprogrammeerd om cellen voor batterij-assemblage met hoge nauwkeurigheid en controle te plaatsen. 3D-kalibratiehulpmiddelen kunnen worden gebruikt voor robot-toepassingen waarbij de camera zich naast de robot of op de robot zelf bevindt.
Naarmate nieuwe technologieën voor elektrische batterijen en voertuigen opkomen, zullen bedrijven hun processen en supply chain herzien om afval en kosten te verminderen en de productie en winstgevendheid te verhogen. Ze hebben daarbij de juiste hulpmiddelen nodig. Deep learning machine vision en tools voor het vastleggen en analyseren van 3D-gegevens, geven fabrikanten nu al een voorsprong bij de productie van elektrische batterijen.
Dit is een ingezonden bijdrage van Zebra Technologies. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.