|
Velux 代表著高品質的窗戶和與之配套的配件。為了始終提供理想的解決方案，公司的軟件部門開發了一個應用程序，用于實現生產和質量管理的自動化。Velux 還利用圖像處理技術使制造和裝配流程更加高效——得益于 SICK 的人工智能和 Deep Learning，Velux 正在進一步提升效率。
Lasse Hedeby 是 Velux A/S 的高級自動化程序員，領導工業圖像處理解決方案的開發團隊。他是一位充滿激情且非常高效的程序員，他知道為圖像處理解決方案開發基于規則的軟件是一個非常耗時的過程。
Deep Learning——提高效率并能更有效地任用員工
當 Lasse Hedeby 了解到 SICK 的 Deep Learning 解決方案時，他看到了一個機會：通過將具備資質的員工從單調的工作任務中解放出來，對其更有效地安排任用，可以提高公司的效率。
Deep Learning 是基于神經網絡的人工智能的一個分支，它模仿人類的觀察、感知和決策方式。在過去，這依賴于復雜的計算機基礎設施，因此大多數公司無法使用這些解決方案；但近年來，不再需要復雜的計算機基礎設施，相關技術的用戶友好度得到了顯著提高，更加便于用戶操作。如今，Deep Learning 解決方案可以在緊湊型工業控制器上運行，使其更易于訪問且更適合工業使用。
SICK AppSpace Artificial Intelligence
用于 SICK 傳感器的人工智能
Deep Learning
從 200 個工時節省到 20 個工時
過去，Velux Danmark A/S 一直通過手動檢查其窗戶的子組件來確保產品質量。盡管該系統運行良好，但仍存在一些局限性。根據員工經驗的不同，對部件的評估可能存在偏差。需要快速工作并在一整天內執行同樣的檢查，這也給員工帶來了成為“操作盲”的風險。鑒于這些限制，Lasse Hedeby 決定引入攝像機檢查，以幫助操作人員完成這項手動工作。
然而，這對 Hedeby 來說意味著大量的額外工作，因為 Velux A/S 有許多子流程。對于這些流程中的每一個，都必須為新的工業圖像處理系統開發新的軟件。為所有流程創建基于規則的軟件可能輕輕松松就需要花費多達 200 個工時。通過使用基于 SICK AppSpace 的 Deep Learning 解決方案，Hedeby 能夠將新軟件的開發時間縮短到很少的時間（20 小時）。
在他近期的一個項目中，SICK 的智能解決方案用于檢查鋁型材（百葉窗的組成部分）是否充分填充了聚乙烯泡沫。事實證明這可能很困難，因為將泡沫注入型材時，泡沫的膨脹不均勻。因此，在評估填充過程時沒有明確的答案。
通過密切合作解決問題
快速完成軟件的訓練，以檢測正確填充的型材，并且取得了良好的效果，但該過程并不理想。型材又長又薄，因此當攝像機檢查型材時，與評估相關的信息僅占圖像的很小一部分。該解決方案需要調整標準 SensorApp，將來自 SICK 圖像處理傳感器的圖像分割成三個單獨的圖像，以便使 Deep Learning 算法更加高效。
SICK AppSpace SensorApps
基于 Deep Learning 的 2D 機器視覺傳感器解決方案
Intelligent Inspection
Velux A/S 和 SICK 的軟件工程師在開發解決方案的過程中相互協作，雙方團隊都從此次合作中受益良多。Lasse Hedeby 說道，他“從未經歷過像 SICK 這樣靈活并提供如此強大支持的供應商”。與此相對應地，SICK 團隊也很高興能與這樣一位有責任心的合作伙伴攜手合作，并實時獲得客戶滿意度的積極反饋。
通往工業自動化的未來之路
Lasse Hedeby 已經在研究下一個任務，即，使用人工智能來確保螺釘在夾持裝置中的安裝和擰緊。使用普通的基于規則的工業圖像處理系統很難完成這項任務，因為金屬和螺釘的表面可能截然不同，具有許多光反射。初始的跡象表明成功的希望很大。SICK 的 Deep Learning 解決方案能夠輕松處理復雜多樣的問題，這意味著，這是基于圖像的檢查和工業自動化的未來發展方向。
|
