Электронные системы уже умеют засекать дефекты и контролировать качество работы сотрудников на фабриках. В эпоху пандемии коронавируса технология становится особенно востребованной.
Автор: Уилл Найт
Публикуется с сокращениями
Британская компания P2i производит и монтирует водоотталкивающие нанопокрытия для смартфонов и других гаджетов. Обычно их инженеры работают на фабриках заказчиков, выявляя и решая проблемы качества на месте.
Но в современном мире, с ограниченными авиаперелётами, закрытыми границами и ужесточением безопасности это плохой вариант. Поэтому компания теперь использует компьютерную систему для поиска даже самых незначительных дефектов.
«За последние четыре месяца нам пришлось пересмотреть сервис» — рассказывает Нил Харкридер, главный операционный директор P2i.
Компания использует разработку стартапа Instrumental. Камеры, расставленные вокруг аппаратов P2i, проверяют смартфоны после их обработки, и алгоритм выдает предупреждение, если выявляет недостатки.
«Эта система сейчас является нашей основной методологией контроля качества» — говорит Харкридер. Компания может на лету и удалённо корректировать допустимые погрешности, «что раньше звучало как фантастика».
Пандемия заставила многие компании переосмыслить сложившуюся практику. В некоторых местах дистанционный контроль и машинное обучение заменяют работу живых сотрудников. Пока речи о полной замене человека на производстве не идёт, но системы, подобные той, что используется P2i, показывают, как ИИ может помочь машинам занять свою нишу.
По словам Харкридера, до Covid-19 большинство компаний неохотно разрешали посторонним лицам, в том числе своим партнерам, подключаться к своему производственному оборудованию по соображениям безопасности. Теперь же многие дозволяют дистанционно контролировать продукцию.
Брюс Лоулер (Bruce Lawler), управляющий директор программы MIT Machine Intelligence for Manufacturing and Operations, говорит, что пандемия стала толчком к широкому внедрению технологий автоматизированного контроля, которые уже были разработаны. «Одна из больших проблем в производстве – выявление места возникновения проблемы» — говорит он. «Если вы можете проводить проверки чаще и на каждом шаге, то эффективность растёт».
Машинное обучение изменило сферу компьютерного зрения и быстро внедряется в производственные циклы. Алгоритм, использующий многие тысячи примеров изображений, может научиться идентифицировать собак или кошек на картинках или обнаружить конкретного человека. Его также можно научить распознавать отклонения от нормы на изображениях винтов, печатных плат или экранов.
Компания Instrumental была основана бывшими инженерами Apple с целью внедрения машинного обучения в мониторинг производственных линий. «Традиционные системы не очень подходят для обнаружения и решения проблем, потому что они в конечном счете основаны на правилах» — говорит Анна-Катрина Шедлецки, генеральный директор компании. «Это действительно хорошее время для внедрения ИИ, потому что существует огромный запрос на это».
Создатели традиционных систем компьютерного зрения, таких как Cognex, все чаще рекламируют машинное обучение в своих продуктах. Некоторые стартапы предлагают готовые системы, которые обещают быть простыми в развертывании и использовании.
На заводе Toyota в Индиане, выпускающем сотни автомобилей в день, контроль качества имеет решающее значение. Поместите неправильный виджет в неправильную приборную панель, и производство может остановиться. Рабочие обычно сканируют штрих-код на каждой части, чтобы убедиться в правильности. Но сейчас завод готовится к развертыванию роботизированной системы, которая перемещает камеру вокруг удерживания сотрудником объекта. Он смотрит на деталь с разных сторон и использует искусственный интеллект для идентификации компонента, прежде чем подтвердить установку.
Робот-инспектор, предлагаемый стартапом Elementary Robotics, не выглядит особенно футуристичным, его камера способна перемещаться горизонтально и вертикально вдоль Н-образных стержней. Поместите объект перед камерой, и он осмотрит его с нескольких точек зрения. Эта машина – отличный пример того, как рабочие-люди и автономные системы могут работать вместе на некоторых производственных линиях.
«Автоматизация — это классически очень хрупкая среда, в которой приходится проектировать и внедрять действительно сложные решения» — подчёркивает Карло Круз, старший инженер Toyota, курирующий тестирование системы. Он говорит, что хотел бы внедрить эту технологию в других областях, включая инспекцию и контроль качества. «Мы видим большой потенциал» — отмечает специалист.
Оригинал: Wired
