Automatisering af Kvalitetskontrol

Som forbrugere kender vi alle skuffelsen over at have købt et produkt, men efterfølgende opdage at kvaliteten ikke var hvad vi havde håbet.

På mange måder er vi dog heldige her i vesten, hovedparten af de varer vi kan købe er lavet efter høje kvalitets-standarder.

Faktisk lige siden W. Edwards Deming i 1980’erne fik spredt ideen om at fokus på kvalitet over tid vil føre til lavere omkostninger, men at fokus på omkostninger vil føre til lavere kvalitet - så har de fleste produktionsvirksomheder accepteret at vedholdende fokus på kvalitet giver de bedste resultater.

Kvalitetskontrol er for mange produktionsvirksomheder en mærkbar post i budgettet, og derfor er der også en indbygget risiko for at en virksomhed føler sig fristet til at slække på det, måske med begrundelse i at det jo alligevel er sjældent at der faktisk er fejl i det producerede. Uheldigvis er kvalitetskontrol en af den slags ting som du først sætter rigtig pris på når du har oplevet hvor galt det kan gå uden.

En måde at sænke omkostningerne og samtidigt holde en høj standard, eller måske endda forbedre kvaliteten - er ved at automatisere processen.

Automatisering af kvalitetskontrol kan ske med mange metoder, det behøver ikke være kompliceret. Der er dog nogle typer produktion hvor det er virkelig svært at automatisere med traditionelle metoder. Det er her at machine learning teknikker i højere grad kan hjælpe.

Et fokusområde for machine learning forskning i de senere år har været at genkende og forstå hvad billeder indeholder. Den forskning har ført til at det i dag er en af de mest velafprøvede og robuste metoder inden for machine learning.

Et eksempel på at bruge disse teknikker i praksis er kvalitetskontrol af appelsiner. En række forskere fra universitetet i Valencia har demonstreret hvordan billede-baserede teknikker kan være med til at detektere uhensigtsmæssige pletter på appelsiner. Den viden vil man i produktionen kunne bruge direkte til at sortere de grimmeste appelsiner fra (som så sikkert bliver til juice).

I billederne ovenover ser du først kamerabilledet som er input til systemet, derefter et billede hvor man manuelt har markeret pletterne for at have et sammenligningsgrundlag til vurdering af systemet, og til sidst kan ses de områder systemet har detekteret som pletter. Man kan se at det er ikke fejlfrit, der er 2 falske pletter for meget og 2 små pletter der ikke bliver opdaget - overordnet er præcisionen dog god og vil helt sikkert kunne forbedre gennemsnits-kvaliteten af de appelsiner som ikke bliver sorteret fra.

Et andet eksempel er inspektion af vævede tekstiler. Tekstilvævning foregår typisk i lavtløns-lande, men selvom lønnen er lav er det stadigt svært som menneske ikke at lave fejl hvis du skal kigge på vævet stof hele dagen. En automatiseret kvalitetskontrol vil til gengæld kunne foregå 24 timer i døgnet og med rette implementering sandsynligvis være mere præcis og robust end et menneske.

Herunder ses detekterede fejl fra et system udviklet af folk fra Haute Alsace universitetet i Frankrig. De røde markeringer viser forskellige slags fejl som systemet detekterer på sort vævet stof. I deres forsøg viste deres system sig endog meget effektivt, 100% af defekter over 1.2mm blev detekteret. Med tanke på at det var tilbage i 2012, og at udviklingen går utroligt hurtigt, må man næsten betragte defekt-detektering i vævede stoffer som et løst problem.

Det er ikke kun i forhold til algoritmerne at udviklingen går hurtigt, der er også mange nye sensorer og specielle slags kameraer som kommer på markedet.

En af de vigtigste nyskabelser i forhold til kvalitetskontrol er 3d-kameraet. Du kender det måske fra Microsofts Kinect udvidelse til Xbox, og takket være den slags masseproducerede enheder, så er 3d-kameraer blevet så billige at det i hvert fald ikke er prisen som holder en tilbage.

Et 3D kamera kan udover at optage farven for hver pixel i billedet også optage dybden. Det gøres med et specielt infrarødt mønster som man ikke kan se med det blotte øje, men som kameraet opfanger og som kan bruges til at give dybden i billedet.

Billedet herunder viser et eksempel hvordan det kan være nyttigt. Det er fra produktionen af æbler, og kameraet bruges til at opdage hvis der skulle mangle et eller flere æbler i en kasse.

Jeg har her valgt nogle eksempler hvor der bruges kameraer, blandt andet fordi det er mere interessant at kigge på - men man kan selvfølgelig bruge machine learning til mange andre typer sensorer.

Nogle andre interessante sensorer til brug ved kvalitetskontrol er :

• Vibrations-sensorer til at detektere uønskede frekvenser i gearkasser, motorer og andet.

• Ultralyds-sensorer til blandt andet at detektere revner i metal og keramik.

• Røntgen fotografering til at opdage fremmedlegemer i fødevareindustrien.

• Laser målinger til at måle form og overflade i produkter.

• NIR spektrometer til at måle på fødevarer, f.eks. modnings-niveau for æbler.

At bruge disse intelligente teknikker i produktionen giver fordele med hensyn til arbejdsbyrde og forudsigelighed i processen - men det giver også nogle interessante muligheder i forhold til at processerne ved at blive digitaliserede også kan kommunikere den aktuelle status til brug ved central opsamling. Det betyder at virksomhedens processer og overvågning kan ske real-time og informationer om defekter kan hurtigt kommunikeres til rette ansvarlige.

Ved at integrere til virksomhedens øvrige systemer og eventuelt også udvikle nye applikationer hvor man løbende kan få grafer og overblik over de vigtigste parametre, så muliggører man helt nye og langt mere fleksible processer.

Derfor ser jeg også kvalitetskontrol som et af de virkeligt spændende brugs-scenarier for machine learning, det vil potentielt være et skridt på vejen til helt nye måder at drive en produktions-virksomhed på.