کاهش اشتباهات در تولید محصول به کمک حسگرهای بینایی ماشینی
کاهش اشتباهات در تولید محصول با حسگرهای بینایی ماشینی، راهکار تازه کارخانجات برای کاهش هزینه، وقت و انرژی و دست یافتن به محصول نهایی مرغوب است. دادههای خوب، البته حجم زیادی از دادههای خوب، کلید موفقیت سیستمهای تولید، بازبینی و بستهبندی مبتنی بر هوش مصنوعی و یادگیری ماشینی هستند. الگوریتمها میتوانند دادهها را تحلیل کرده و تصمیماتی بگیرند که به عملکرد هوشمندانهتر افراد و ماشینها کمک میکنند. سیستمهای بینایی سهبُعدی حکم «چشم» رباتها را دارند و در فرآیند مرتبسازی و بستهبندی محصولات یا پالتهای بار، به آنها کمک میکنند. هرچه مقدار دادهها بیشتر باشد، تصمیمات، هوشمندانهتر خواهند بود.
کاهش اشتباهات در تولید محصول با حسگرهای بینایی ماشینی، شامل تمام مراحل تولید میشود؛ اپراتورها میخواهند محصولاتشان قبل از بستهبندی، کاملاً مرتب و عالی باشند؛ اینجاست که هوش مصنوعی و یادگیری ماشینی وارد کار میشوند و بر این مهم نظارت میکنند. جیسون پرینس، مدیر عملیات شرکت Golden State Foods، میگوید: «به زودی، هوش مصنوعی و یادگیری ماشینی کاربرد بیشتری در بهبود کیفیت و ثبات محصولات پیدا خواهند کرد. برای مثال، این سیستمها میتوانند با استفاده از چندین متغیر، همچون دما یا چگالی محصولات، فشار محصولات را به صورت خودکار تغییر دهند تا به وزن یا ضخامت خاصی برسند. بدین ترتیب، میتوان مطمئن شد تغییر خواص مواد خام روی محصول نهایی تأثیری نمیگذارد. این تغییرات به صورت تقریباً لحظهای انجام میشوند و به همین خاطر، مدتزمان لازم برای کنترل کیفیت و حجم کارهای دستی اپراتورها را کاهش میدهند.»
به گفتهی جف هاوکینز، مدیر مشتریان بینالمللی FESTO، هوش مصنوعی در حال حاضر برای تعیین الگوی تغییر وزن محصولات به کار میرود. اما به عنوان یک مرکز گزارشدهی غیرساختاری نیز میتوان از این فناوری استفاده کرد. برای نمونه میتوان به حسگرهایی اشاره کرد که بر فرآیند تولید شکلات نظارت دارند. وقتی توزیع میلیونها نمونه (نقطهداده) رسم شود، ترند خاصی به دست میآید.
سپس، دادهها و ترندهای به دست آمده به زبان ساده ارائه میشوند و در نهایت، چنین گزارشی به دست میآید: «طبق یافتههای هوش مصنوعی/یادگیری ماشینی، رنگ بیرونی شکلات میتواند بر اندازه و وزن شکلاتها تأثیر داشته باشد.» بدین ترتیب، تولیدکننده میداند برای تضمین کیفیت محصولاتش میبایست رنگ شکلات را به دقت تنظیم کند. در این مرحله نیز سیستم بینایی علاوه بر اندازهگیری ابعاد فیزیکی شکلاتها، بر تغییرات رنگ آنها هم نظارت میکند. کاهش اشتباهات در تولید محصول با حسگرهای بینایی ماشینی در مراحل تولید، ضامن کیفیت محصول خواهد بود.
هاوکینز معتقد است که بزرگترین نقطهضعف هوش مصنوعی، تلاش آن در تحلیل بیش از حد دادههاست که باعث میشود در نهایت، هیچ نتیجهی به دست نیاید، چون دیتاست آنقدر بزرگ شده است که دیگر قابل کاربرد نیست.
بازبینی سیستمهای بستهبندی
مؤلفهی کلیدی هوش مصنوعی/یادگیری ماشینی در سیستمهای بستهبندی چیست؟ مسئولین یکپارچهسازی سیستم (SI)، همچون کرگ سوزر از شرکت JLS Automation، احتمالاً در پاسخ به سیستمهای بینایی اشاره میکنند. امروزه، یادگیری عمیق در برخی سیستمهای دوربینی تعبیه شده است. سوزر میگوید: «محصولات هوش مصنوعی/یادگیری ماشینی کنترل کیفیت در سیستمهای بازبینی را بهبود میبخشند و شمار محصولات ارجاعی که در اصل مشکلی ندارند را کاهش میدهند.»
کاهش اشتباهات در تولید محصول با حسگرهای بینایی ماشینی، فرایندی خودکار است که به بازبینی محصول و ضبط ویژگیهای آن سرعت میبخشد. الگوریتمهای یادگیری عمیقی که در سیستمهای دوربینی مدرن، به ویژه سیستمهای سهبُعدی، تعبیه شدهاند، امکان اجرای تحلیلی کیفیتر را فراهم آورده و به جای تکنیسینهای آموزشدیده، پارامترها را تغییر و تطبیق میدهند. به گفتهی سوزر، مزیت اصلی این سیستمها، عملکرد پیوستهی آنهاست، در حالیکه تکنیسین تنها تصویری از ویژگیها و مشخصات را برای مدتزمانی نامشخص مشاهده میکند. بنابراین میتوان گفت سیستمهای مذکور راه خوبی برای اصلاح پارامترهای دیداری پیش رو گذاشتهاند تا محصولات و بستههای مناسب پذیرفته شوند، چون بیش از حد سختگیرانه بودن معیارها و محدودیت تکنیسین میتواند به مرجوع شدن همین بستههای سالم بیانجامد. به بیان دیگر، از آنجایی که ماشینها میتوانند به صورت تقریباً لحظهای، ویژگیهای لازم را تغییر دهند، مقادیر این ویژگیها دیگر مثل قبل اهمیت حیاتی در فرآیند بازبینی نخواهند داشت.
کاربرد سیستمهای بینایی در کنار رباتیک از جمله حوزههایی است که مسئولین SI باید مورد توجه قرار دهند؛ البته کاربرد این سیستمها به برداشتن و جایگذاری محصولات و بستهها محدود نمیشود، بلکه شامل بازبینی و کنترل کیفیت نیز میباشد. کاهش اشتباهات در تولید محصول با حسگر بینایی ماشینی، در فرایند بازبینی کیفیت محصول، تأثیر مهم دارد؛ گرگوری پاورز، مدیرعامل شرکت Gray Solutions، میگوید: «در همهی مسائلِ تکرارپذیری که با تشخیص و تحلیل الگو سروکار دارند میتوان برای افزایش کارآیی از سیستمهای بینایی استفاده کرد. سیستمهای بینایی با تکیه بر تعداد زیادی نمونه، الگوها را میآموزند و سپس، بر همین اساس، پارامترها را تغییر و تطبیق میدهند.»
کاربرد سیستمهای دیداری با هوش مصنوعی/یادگیری ماشینی در مسائل «برداشتن و جایگذاری» رواج بیشتری دارد؛ در گذشته، اپراتورها به صورت دستی و با زحمت فراوان فرآیند بازبینی را انجام داده و سپس، محصولات را در بستهها میگذاشتند.
پاورز ادامه میدهد: «طی چند سال گذشته، سیستمهای بینایی به طرز چشمگیری پیشرفت کردهاند. انتظار میرود این مسیر رو به جلو ادامه داشته باشد. برای مثال، در حال حاضر، مشغول کار روی فناوریهایی هستیم که بتوانند در سیستمهای بینایی تعبیه شوند و به تشخیص ناهنجاریهایی کمک کنند که با چشم غیرمسلح قابل مشاهده نیستند.»
هوش مصنوعی و یادگیری ماشینی مزایای بیشماری دارند؛ برای مثال، با کاهش زمان استراحت ماشینها، بهبود کیفیت محصولات و صرفهجویی بیشتر، بازده و کارآیی را به مقدار قابلملاحظهای افزایش داده و مزایای بیشتر و بیشتری پیش روی شرکتهای امروزی میگذارند. بنابراین کاهش اشتباهات در تولید محصول با حسگرهای بینایی از جنبههای مهمی موجب کارایی تولید میشود.
کاربرد هوش مصنوعی/یادگیری ماشینی در رباتیک و فرآیند بازبینی روز به روز آسانتر میشود. پاورز در این مورد میگوید: «هوش مصنوعی/یادگیری ماشینی، به ویژه سیستمهای بینایی، بیش از پیش حالت اتصال-اجرا پیدا کردهاند.» با پیشرفت برنامهنویسی، الگوریتمها ارتقاء یافتهاند و پیادهسازیشان آسانتر شده است. در حال حاضر، شماری از شرکتهای نرمافزاری پیشرفته قصد دارند با نصب دستگاههای خود روی تجهیزات، نظارت مستقیم بر مشکلات بالقوه را امکانپذیر سازند. ارائهدهندگان تجهیزات نیز همین رویکرد را در پیش گرفتهاند.
با این همه، داده و دسترسی به آن امری مشکلزاست. همانطور که پاورز خاطرنشان میکند: «امنیت سایبری یکی از بزرگترین دغدغههای شرکتهای امروزی است. استخراج داده از نیروگاهها از این هم سختتر است. گروههای IT کارخانجات نسبت به بازگشایی کانالهایی برای جمعآوری داده از تجهیزاتشان تردید دارند. بسیاری از شرکتها تا کنون از کمک متخصصان داده برای تصمیمگیری در مورد تجهیزات استفاده کردهاند، اما دسترسی مستقیم به پارامترهای این تجهیزات و تغییر آنها امری است که هنوز چندان مورد استقبال قرار نگرفته است.»
کاربرد آسانتر نرمافزارها
پیادهسازی هوش مصنوعی/یادگیری ماشینی روزبهروز آسانتر میشود، اما همچنان وابسته به تلاش فراوان برنامهنویسها و مهندسهاست تا مسئولین SI و کاربران نهایی مجبور به کدنویسی نباشند. شرکت Pleora Technologies، کدها و الگوریتمهایی مینویسد که قابلیت استفاده با سیستمهای دوربینی را دارند.
Pleora چندین نرمافزار هوش مصنوعی برای بخش بستهبندی، برچسبزنی و بازبینی محصولات طراحی کرده است. طبق توضیحات اد گافین، مدیر بازاریابی شرکت Pleora، یکی از مشتریان این نرمافزارها، کارخانهای است که فرآیند دستی پردازش و بازبینی نهایی محصولاتش را به سیستم بینایی بازبینی مجهز به هوش مصنوعی تجهیز کرده است.
یکی از دغدغههای این کارخانه، حفظ ظاهر برندش است تا بتوانند از جایگاه خود در بازار محافظت کند. کارخانهی مذکور که نوشیدنی تولید میکند، در طراحی بطریاش از یک بطری شیر قدیمی الهام گرفته و البته از برچسب متمایزی استفاده میکند.
برچسب اصلی و برچسب روی سر بطری (که به صورت ماشینی روی آن قرار میگیرند)، سه مؤلفه اصلی برند را نشان میدهند. یک نفر هم وظیفه دارد لوگوی نشان را در جای درست نصب کند تا از نظر بصری، با سایر مؤلفههای برند همخوانی داشته باشد و ظاهری یکپارچه و دلنشین به ویترین مغازه و قفسههای فروشگاه بدهد. به گفتهی گافین، با توجه به تعدد محصولات و کوتاهی دورههای تولید، برای کارخانه به صرفه نیست تا تمام فرآیند الصاق برچسب را خودکار کند.
مدیر کنترل کیفیت و اپراتور این کارخانه توانستهاند بدون دانش برنامهنویسی، به نرمافزار بازبینی سیستم هوش مصنوعی آموزش دهند تا از تصمیمات مربوط به فرآیند برچسبزنی پشتیبانی کند؛ بدین صورت که سیستم، تنها با استفاده از یک تصویر از محصولی خوب (یا همان «مرجع طلایی»)، مؤلفههای کلیدی برند روی بطری را تشخیص میدهد. در مرحله بعد، با شخصیسازی نرمافزار، لایهای گرافیکی روی لایهی دیداری قرار میگیرد تا هم لوگوی نشان را بیشتر در معرض دید قرار دهد و هم به نصب آن در محل درست کمک کند.
کاهش اشتباهات در تولید محصول با حسگر بینایی ماشینی در این کارخانه کیفیت محصولات آن را بالا برده است؛ بازبینی دیداری مبتنی بر هوش مصنوعی، ثبات و اعتبار برند را برای این کارخانه تضمین میکند و از طرفی هم، هزینههای آن را کاهش میدهد، چون دیگر نیازی نیست به خاطر خطای انسانی، برچسبها برداشته و دوباره متصل شوند. کارخانه مذکور کاربرد دیگری هم برای این فناوری پیدا کرده است و آن، آموزش اپراتورها به نحوی است که بتوانند به سرعت موقعیت درست مؤلفههای برند روی بطری و تفاوت بین محصولات «خوب و بد» را بفهمند. در کل، هوش مصنوعی توانسته است با پشتیبانی پیوسته از کارهای دستی، خطای انسانی و به تبع هزینهها را کاهش دهد و سرعت تولید را بالا ببرد.
کاربردهای هوش مصنوعی/یادگیری ماشینی به بستهبندی و بازبینی محدود نمیشوند. برک بیراند، بنیانگذار و مدیرعامل Fero Labs، معتقد است یادگیری ماشینی را میتوان در شرایطی به کار برد که در آنها، محصولات غذایی طی چند مرحله پردازش میشوند و هر یک از این مراحل بر کیفیت و ترکیب شیمیایی آنها تأثیر میگذارند. در این شرایط، هوش مصنوعی/یادگیری ماشینی دیگر بر یک ماشین یا واحد کاری تمرکز ندارند و در تمام مراحل تولید نقش ایفا میکنند. بدین منظور، کافیست از تمام ماشینهای حاضر در فرآیند، داده جمعآوری و پردازش شود و فرآیند کلی بهینه گردد تا بهترین محصول غذایی ممکن به دست آید.
کاهش اشتباهات تولید محصول با حسگرهای بینایی ماشینی، ضامن سلامت کیفیت محصولات ارائه شده در کارخانهها و تولیدیها و از سویی دیگر راهکاری برای کاهش هزینه، وقت و انرژی در فرایند تولید است.
با افزایش عملکرد CPU و حافظه و همچنین گسترش دسترسیپذیری انواع حسگرهای سیمدار و بیسیم، پیشرفت نرمافزارهای هوش مصنوعی/یادگیری ماشینی شتاب میگیرد، طوری که تنها مانع پیش رو، محدودیت خلاقیت انسانها باشد.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید