Fujitsu kehittää tekoälyä kuvantarkastukseen tuotteiden ulkonäön poikkeavuuksien havaitsemiseksi maailman johtavalla tarkkuudella keskeisessä vertailuarvossa

TOKYO, 29. maaliskuuta 2021 - (JCN Newswire) - Fujitsu Laboratories ilmoitti tänään onnistuneesta kehityksestä tekoälyn tekniikan kehittämiseksi kuvantarkastukselle, joka mahdollistaa erittäin tarkan havaitsemisen erilaisista ulkoisista poikkeavuuksista teollisuustuotteissa, mukaan lukien naarmut ja tuotantovirheet. Teknologia hyödyntää tekoälymallia, joka on koulutettu kuvista tuotteista, joilla on simuloituja poikkeavuuksia, ilman, että tarvitsee valmistella koulutustietoja, joissa käytetään todellisia kuvia viallisista tuotteista, jotka on otettu tuotantolinjan tarkastusprosessista.

Kuva 1. Kehitystekniikan pääpiirteet

Kuvio 2. Vertailu tekniikan tasoon

Tämä tekniikka pystyy havaitsemaan oikein poikkeamat, kuten kuluneet kierteet ja vialliset johdotuskuviot tuotteissa, jotka vaihtelevat erikseen, vaikka ne näyttävät normaalilta, kuten matot, joissa on erilainen villa tai väri, tai painetut piirilevyt, joilla on erilaiset johdotuksen muodot osasta riippuen. Kehitetyllä tekniikalla saavutettiin menestyksekkäästi maailman johtava tarkkuus vertailuarvossa käyttämällä julkisia tietoja (1), jotka on kerätty ulkoisista kuvista eri teollisuustuotteista.

Fujitsu vahvisti tämän tekniikan tehokkuuden elektroniikkalaitteita valmistavan Fujitsu Interconnect Technologies Limited -tehtaan Naganon tehtaan tarkastusprosessissa ja vahvisti sen tehokkuuden vähentämällä piirilevyjen tarkastamiseen tarvittavia työtunteja 25%. Teknologia tarjoaa viime kädessä potentiaalia auttaa vähentämään tuotantolaitosten työntekijöiden työmäärää ja parantamaan tuottavuutta samalla kun otetaan käyttöön uusia työskentelytapoja etulinjan henkilöstölle.

Tausta ja haasteet

Tarkastusprosessin kohdalla tarkastaja määrittää tuotteen virheiden perusteella ominaisuuksien, kuten likimääräisen muodon, yksityiskohtaisen rakenteen ja rakenteen, perusteella. Esimerkiksi likimääräistä muotoa pidetään tärkeänä muodon vääristymiskokeessa ja tekstuuria pidetään tärkeänä kunto- tai kuviotestissä. Lisäksi, vaikka tuote näyttäisi normaalilta, jos elementeissä, kuten pinnoitteessa, värissä ja johdotuksen muodossa, on yksilöllisiä vaihteluita, nämä ominaisuudet tutkitaan kullekin tuotteelle ja tarkastus tehdään samalla kun erotetaan, kuuluvatko yksittäiset erot tai poikkeavuudet hyväksyttävälle alueelle . Siksi, kun tekoälyä koulutetaan suorittamaan laadunvalvontatehtäviä, on välttämätöntä pystyä sieppaamaan laaja valikoima yksilöllisesti esiintyviä ominaisuuksia normaalikuvaan. Tyypillinen tekoälymallin koulutustapa, jossa käytetään kunkin ominaisuuden painotettuja ja summattuja indeksejä, on johtanut taipumukseen keskittyä vain yhteen ominaisuuteen, ja on osoittautunut vaikeaksi luoda malli, joka tarttuu täysin kaikkiin ominaisuuksiin.

Tietoja äskettäin kehitetystä tekniikasta

Tällä tekniikalla tekoäly palauttaa normaalin kuvan, josta poikkeavuus on poistettu, kun poikkeavuus havaitaan, ja havaitsee epänormaalin osan kaappaamalla erotuksen tarkastettavan kuvan ja palautetun normaalikuvan välillä. Fujitsu on kehittänyt menetelmän tekoälymallin kouluttamiseksi, jotta normaali kuva ilman erilaisia ​​poikkeavuuksia, kuten muoto, koko ja väri, voidaan palauttaa lisäämällä keinotekoisesti simuloidut poikkeavuudet normaaliin harjoitteluun valmisteltuun kuvaan. Parempi kyky palauttaa normaalit kuvat on mahdollistanut epänormaalien alueiden havaitsemisen erittäin tarkasti ilman, että poikkeavuuksia sisältävät kuvat valmistetaan harjoitteludatana. Harjoittelun aikana Fujitsu vertaa normaalikuvaa tekoälyn palauttamaan kuvaan, arvioi kunkin ominaisuuden harjoittelua, kuten likimääräisen muodon, yksityiskohtaisen rakenteen ja tekstuurin, ja hallitsee lisättävien poikkeavuuksien koon, värin ja määrän niin, että AI oppii ensisijaisesti ominaisuuksia, joita ei ole kaapattu. Esimerkiksi, jos tekoäly ei pysty palauttamaan likimääräistä muotoa oikein, se harjoittaa poikkeavia kuvia, joissa on muutamia pieniä poikkeavuuksia, jotka eivät vaikuta normaaliin ulkonäköön. Lisäksi, jos yksityiskohdat ja tekstuuri ovat hieman erilaiset, tekoäly kouluttaa monia epänormaaleja kuvia, jotka ovat riittävän suuria peittämään yksityiskohdat tai lisäämään näkyvän kuvion. Tällä tavalla arvioimalla tekoälyn palauttamisen tila ja harjoittamalla heikkoja alueita, joilla tekoäly ei pysty palauttamaan ominaisuuksia, tuli mahdolliseksi palauttaa normaalit kuvat, jotka sieppasivat kaikki ominaisuudet.

Lisäksi Fujitsu on kehittänyt uuden tekniikan, joka tuottaa erimuotoisia, -kokoisia ja -värisiä materiaaleja yli 5000 erilaisten keinotekoisten esineiden kuvakirjastosta ja lisää poikkeavuuksia muuttamalla todennäköisyydellä poikkeavuuksien määrää ja sijaintia, johon ne ovat lisätään.

tulokset

Kehitetyllä tekniikalla saavutettiin maailman johtava tarkkuus, ja AUROC (3) -pisteet ylittivät 98% tuoteryhmässä, jonka normaalissa ulkonäössä on eroja, kuten matot, joilla on erilaiset turkismallit ja värit yksilöllisesti, ja piirilevyt, joilla on erilainen johdotusmuotoja eri osiin. Lisäksi yksittäisissä tuotteissa, kuten ruuveissa ja muttereissa, ei ole eroja, ja tuotteissa, joissa viallisten tuotteiden ulkonäkö on yhtenäinen, myös perinteisten tekniikoiden (4) vastaava tarkkuus säilyi onnistuneesti.

Tämän tekniikan todellinen tehokkuus todettiin elektronisten laitteiden valmistajan Fujitsu Interconnect Technologiesin Naganon tehtaan tarkastusprosessin aikana. Teknologia onnistui vähentämään piirilevyjen tarkastamiseen tarvittavia työtunteja 25%.

Tulevaisuuden suunnitelmat

Tulevaisuudessa Fujitsu kehittää edelleen tätä ja muita siihen liittyviä tekniikoita tukeakseen Fujitsun tekoälyteknologiasalkua "FUJITSU Human Centric AI Zinrai" ja pyrkii soveltamaan tätä uutta lähestymistapaa Fujitsun valmistusbrändiin "COLMINA", joka tarjoaa digitaalista muutosta (DX ) valmistusteollisuudelle.

(1) maailman johtava tarkkuus:
Tarkkuus saavutettiin AUROC: lle verrattuna tekniikoihin, jotka on lueteltu poikkeavuuksien havaitsemistekniikan vertailuarvoluokituksessa käyttäen MVTec AD: tä kohdeluokassa normaalin ulkonäön vaihteluilla. Yritystiedot 29. maaliskuuta 2021.
(2) vertailuarvo käyttäen julkisia tietoja:
MVTecin tarjoama MVTec-poikkeavuuksien havaitsemisaineisto.
(3) AUROC:
ROC-käyrän alla oleva alue. Mittaa poikkeavuuksien havaitsevan mallin suorituskykyä. 100 prosentin enimmäispisteiden ollessa korkeammat indeksin pisteet, sitä parempi mallin suorituskyky.
(4) perinteinen tekniikka:
MVTec AD: tä käyttävä tekniikka, joka on listattu poikkeavuuksien havaitsemistekniikan vertailuluokituksessa

Tietoja Fujitsusta

Fujitsu on johtava japanilainen tieto- ja viestintäteknologian (ICT) yritys, joka tarjoaa täyden valikoiman teknologiatuotteita, ratkaisuja ja palveluita. Noin 130,000 100 Fujitsun työntekijää tukee asiakkaita yli 6702 maassa. Käytämme kokemustamme ja ICT:n voimaa muovataksemme yhteiskunnan tulevaisuutta asiakkaidemme kanssa. Fujitsu Limitedin (TSE:3.9) raportoitu liikevaihto oli 35 biljoonaa jeniä (3 miljardia dollaria) XNUMX. maaliskuuta päättyneeltä tilikaudelta
1, 2020. Lisätietoja on osoitteessa www.fujitsu.com.

Tietoja Fujitsu Laboratoriesista

Vuonna 1968 Fujitsu Limitedin kokonaan omistaman tytäryhtiönä perustettu Fujitsu Laboratories Ltd. on yksi maailman johtavista tutkimuskeskuksista. Järjestöllä on maailmanlaajuinen laboratorioverkosto Japanissa, Kiinassa, Yhdysvalloissa ja Euroopassa, ja se tekee laajan valikoiman perustutkimuksia ja soveltavaa tutkimusta seuraavan sukupolven palveluiden, tietokonepalvelinten, verkkojen, elektronisten laitteiden ja edistyneiden materiaalien aloilla. Lisätietoja: http://www.fujitsu.com/jp/group/labs/en/.

Lähde: http://www.jcnnewswire.com/pressrelease/65544/3/