машинное зрение для контроля качества углеволокна

Углеродное волокно — материал, состоящий из тонких нитей диаметром от 3 до 15 мкм, поэтому для контроля качества волокна нужно высокоточное оборудование, способное определять дефекты на тончайших нитях. В процессе производства волокна типовыми дефектами считается: обрыв, узел, ворс (пучок), отклонение толщины жгута и полотна на 2 мм и более по ширине или по высоте.

Также на волокне могут появляться посторонние включения: капли смолы аппрета, мусор, насекомые и т.п. По валу шириной до 3 метров одновременно движется до 400 жгутов на высокой скорости конвейера (до 12 метров в минуту). Человеческому глазу сложно постоянно удерживать фокус внимания на всех нитях волокна одновременно.

Мы предложили клиенту внедрить систему ML Sense.

Для настройки работы системы контроля качества волокна с машинным зрением разрабатывается уникальная “сцена” установки оборудования. Инженеры Норд Клан изучают конвейерную линию на предприятии и рассчитывают в каких местах и на каком расстоянии должна быть установлена камера контроля дефектов, освещение и дополнительное оборудование. Для завода Umateх было выбрано 2 точки контроля дефектов, по одной на каждый этаж.

Волокно движется по конвейеру мимо установленных камер, которые с высокой частотой (ок. 4000 кадров в секунду) делают снимки размером 4000рх на 1рх. Затем эти “линии” изображений собираются в единое фото, которое анализирует система с машинным зрением ML Sense, развернута на отдельном сервере. Нейросеть распознает типовые дефекты волокна: ворс, обрыв, узел, изменение толщины, посторонние включения (мусор, насекомые, смола и прочее) и передает обратную связь в интерфейс программы, на сигнальную систему и в MES-систему завода.

Данные по обнаруженным свойствам волокна передаются на АРМ оператора ОТК (информационный киоск):

• название дефекта;
• класс дефекта;
• порядковые номера жгутов;
• дата и время фиксации дефекта;
• изображение дефекта

Для обучения нейросети мы установили на заводе камеры и обеспечили сбор данных, а после отобрали кадры, на которых были видны дефекты волокна. Сбор проходил около месяца, но так как на производстве брак не такое частое явление, а для обучений нейросети требуются тысячи изображений, то дополнительные данные мы сгенерировали синтетическим путем, а также сделали фото дефектов волокна в собственной лаборатории. Разнообразие материалов обеспечили процессом аугментации данных. В результате мы имеем датасет из 10 000 фотографий волокна, где каждый вид брака размечен в LabelImg и классифицирован для обучения нейросети: это узел, это ворс и т.д.

Как теперь работает обученный алгоритм? Линейная камера направлена на нити волокна и делает фото в заданной точке шириной 1 пиксель. Таких кадров камера делает 40 000 штук в секунду - рабочая частота кадров камеры синхронизирована со скоростью конвейера, чтобы получать данные такими, как они есть в реальности, а не вытянутые фотографии из-за движущегося конвейера. Далее, для дальнейшего анализа нейросетью, эти кадры собираются в полноценное изображение по “строчкам” шириной 1 пиксель, примерно как линни при игре в тетрис. Полученный кадр нейросеть сравнивает с имеющимися в своей “памяти” данными и определяет есть ли на изображении дефект и какой именно.

Внедрение системы происходило без остановки технологических процессов завода. После тестовых запусков и обучения пользователей работе с интерфейсом решение заработало в штатном режиме. Теперь оператор ОТК может быстро локализовать место возникновения брака:

• Звуковое оповещение разделено по этажам: мужской голос для первого, женский - для второго.
• Световое оповещение на линии конвейера позволяет понять в какой зоне находится жгут (зеленая, желтая или красная)
• Дефекты разделены на критичные для производства и нет, каждому из них присвоен свой числовой код, который отображается на экране киоска и дублируется звуковым оповещением.

В результате оператор ОТК оперативно принимает решение по устранению брака: устранить дефект на конвейере или отрезать дефектный участок жгута и запустить намотку на новую катушку.

Это позволило повысить выход готовых изделий, соответствующих стандартам качества, уменьшить затраты на брак и количество рекламаций от покупателей, а также снизить репутационные риски компании.