Inspecties automatiseren met moderne computervisie

In een vorige blogpost hebben we uitgelegd hoe de subset van computervisie, beeldherkenning, wordt aangestuurd door deep learning en meer bepaald door Convolutional Neural Networks (CNN). Vandaag willen we ons concentreren op de waarde van computervisie op een meer praktische manier voor uw bedrijf.
illustration

Ons brein is een prachtige complexe machine, met één blik op deze foto kunnen we direct alle informatie beschrijven die zichtbaar aanwezig is. Bekijk eens de foto hieronder.

Als je wordt gevraagd waar de afbeelding over gaat, zou je me waarschijnlijk vertellen dat er een hond is, meer specifiek een beige mopshond, met een chirurgisch gezichtsmasker dat op een blauwe achtergrond ligt. Het is waarschijnlijk ook gerelateerd aan het coronavirus als concept van bescherming tegen de ziekte.

We zijn nog ver verwijderd van de dag dat een computer dit niveau van precisie zal bereiken. Maar we dichten de kloof gestaag en er zijn al enkele praktische use-cases waarbij computervisie zeer waardevol blijkt.

Wat is computervisie?

Computervisie is het gebied van de informatica dat zich richt op het creëren van digitale systemen die visuele gegevens (afbeeldingen of video’s) op dezelfde manier kunnen verwerken, analyseren en interpreteren als mensen. Het concept van computervisie is gebaseerd op het leren van computers om een ​​beeld te verwerken en te begrijpen. Omdat afbeeldingen en video’s een heel specifiek soort gegevens zijn, zijn AI-computervisie-technieken geëvolueerd tot een specifieke niche binnen machine learning. Technisch gezien proberen machines visuele informatie op te halen, ermee om te gaan en resultaten te interpreteren door middel van algoritmen.

Een eenvoudige weergave van hoe computer visie werkt.

Verschillende vormen van computervisie

Hier zijn een paar veelvoorkomende taken waarvoor computervisie kan worden gebruikt.

Object classificatie

De computer vertaalt de visuele inhoud en classificeert het object op een foto / video in de gedefinieerde categorie. De computer kan bijvoorbeeld onze hond vinden tussen allerlei objecten in een afbeelding. Lees meer informatie hierover in onze vorige blogpost.

Object classification heeft een zeer gegevensgestuurde benadering om afbeeldingen in verschillende categorieën te classificeren. In plaats van te proberen te specificeren hoe elk van de afbeeldingscategorieën eruitzien, rechtstreeks in code, voorzien we de computer van veel voorbeelden van elke afbeeldingsklasse en ontwikkelen we leeralgoritmen die naar deze voorbeelden kijken en leren over het visuele uiterlijk van elke klasse.

Beeldclassificatie met een CNN

In een notendop: we verzamelen eerst een trainingsdataset met gelabelde afbeeldingen en sturen deze vervolgens naar de computer om de gegevens te verwerken. De meest populaire architectuur die wordt gebruikt voor beeldclassificatie zijn Convolutional Neural Networks (CNN’s). Een typische use case voor CNN’s is waar je de afbeeldingen invoert en het netwerk voor jou de gegevens classificeert.

Object classificatie wordt reeds gebruikt in b.v. medische toepassingen voor onder meer de detectie van borst- en huidkanker. Met deze beelddetectietechnieken kunnen artsen kleine verschillen detecteren tussen CT-scans. Hierdoor kunnen ze sneller werken en nauwkeurigere diagnoses stellen voor de patiënt.

Veel fabrikanten gebruiken het nu als een hulpmiddel voor automatische kwaliteitscontrole om zodoende de algemene tevredenheid van de consument te vergroten. Zie onze use case hieronder voor meer informatie.

Object identificatie

Het systeem vertaalt visuele inhoud en identificeert een bepaald object op een foto / video. Het systeem kan bijvoorbeeld een gezichtsmasker op de hond in de afbeelding vinden.

De taak om objecten in afbeeldingen te definiëren omvat meestal het uitvoeren van selectiekaders en labels voor individuele objecten. Dit verschilt van de classificatie / lokalisatietaak door classificatie en lokalisatie toe te passen op veel objecten in plaats van slechts één dominant object. Er zijn slechts twee klassen van objectclassificatie, dat wil zeggen object begrenzende kaders en niet-object begrenzende kaders. Bij autodetectie moet u bijvoorbeeld alle verschillende auto’s in een bepaalde afbeelding kunnen detecteren met hun selectiekaders.

Image credit: Priya Dwivedi

ML2Grow heeft ervaring met deze techniek bij het detecteren van voertuigen op parkeerterreinen of verkeersstroomanalyse.

Object volgen

Het systeem verwerkt de video en vindt het object (of de objecten) die voldoen aan de zoekcriteria en volgt de beweging ervan.

Dit kan bijvoorbeeld worden gebruikt om patronen te herkennen tussen beweging van het menselijk lichaam en over meerdere frames in videobeelden of realtime videostreams. Ons onderzoek is bijvoorbeeld gebruikt om zwemmers te volgen wanneer ze door het water bewegen. Die video-opnames kunnen worden gebruikt om de prestaties van de atleten te beoordelen zonder de lichaamsdelen in elk videoframe handmatig te analyseren.

Of in de landbouw waar we automatisch de groei van gewassen kunnen volgen. Object-tracking maakt het mogelijk om continu en op een onschadelijke manier de plantengroei en de reactie op voedingsbehoeften te volgen.

Deze technologie kan ook in de detailhandel worden gebruikt om klanten binnen een winkel te volgen. Strategisch geplaatste sensoren in een winkel kunnen gegevens verzamelen over waar klanten hun tijd doorbrengen, en voor hoelang. Dit kan dan worden gebruikt om de optimalisatie van de winkellay-out te verbeteren.

Een sociale afstandsdetector die gebruikmaakt van objecttracking. Credit: Basile Roth

Hoe kunnen we deze technologie toepassen op uw bedrijf?

Computervisie heeft nu reeds een enorme impact op bedrijven, van de detailhandel tot de landbouw. Het is vooral handig voor problemen waarbij we een menselijk oog nodig hebben om de situatie te beoordelen.

Use case

Laten we met een praktijkvoorbeeld illustreren hoe de implementatie van onze geavanceerde machine learning een klant heeft geholpen enkele van hun belangrijkste problemen aan te pakken.

Een in Vlaanderen gevestigde fabrikant was geïnteresseerd in de implementatie van een geautomatiseerd kwaliteitscontrolesysteem in zijn productielijn.

Het probleem

De visuele kwaliteitscontrole van de gefabriceerde goederen gebeurt door middel van een controletafel die wordt bestuurd door een operator. De operator heeft geen technische hulpmiddelen ter beschikking, en fouten in de gefabriceerde goederen moet hij/zij dus visueel gaan detecteren. Dit gaat met een bepaalde snelheid. Het proces bestaat er grofweg uit dat de operator het originele moederstaal met de vervaardigde exemplaren handmatig controleert.

De klant wilde zijn machinepark moderniseren om de efficiëntie en snelheid van het controleproces te verhogen. De adoptie van onze technologie zou hen in staat stellen hun productieproces verder te automatiseren.

Een voorbeeld van een werkende camerabrug voor het inspecteren van weeffouten. Credit: Shuang Mei, Yudan Wang, Chuan Wu

Onze oplossing

Ons belangrijkste doel is om het project volledig in handen te nemen en de klant volledig te ontzorgen tijdens de implementatie van de nieuwe technologie. We zullen de meest geschikte camera installeren en onze AI-oplossing zorgvuldig uitrollen om de visuele gegevens te verwerken. We creëren een beveiligde data-opslag en cloud-omgeving voor het opslaan van de data en ontwikkelen een feedbacksysteem voor de machine-operator. Het is ook onze taak om het personeel te trainen om met deze nieuwe technologie te werken. Hun feedback is voor ons ook zeer belangrijk om het systeem verder te optimaliseren.

Voorbeeldarchitectuur van een AI-model voor het opsporen van gebreken in een productielijn. Credit: Shuang Mei, Yudan Wang, Chuan Wu

Wat zijn de voordelen?

Eerst en vooral gaan de menselijke operators geholpen worden door technologische systemen waarmee ze efficiënter en sneller kunnen werken. Belangrijk is dat het ook de werkomstandigheden van het personeel zal verbeteren door zeer repetitieve taken te elimineren.

Computervisie brengt echte efficiëntie in het kwaliteitscontrole- en monitoringproces. Een deep learning-model analyseert afbeeldingen van goederen op de productielijn, gebruikmakend van de kennis die is verzameld uit trainingsgegevens die zijn gebaseerd op de inzichten van onze deskundige labelers. Dit minimaliseert de hoeveelheid weggegooide goederen en slechte producten die op de markt komen.

Kortom, dit zal het aantal retouren van eindgebruikers verminderen.

Deze video van BMW laat perfect zien wat er mogelijk is met computervisie in allerlei productielijnen.

De resultaten

Het geautomatiseerde kwaliteitscontroleproces dat we voor onze klant hebben geïmplementeerd, beschermt de merkreputatie door fouten in productielijnen te minimaliseren en stelt de operators in staat zich te concentreren op zinvollere taken en minder repetitief werk.

Wij leveren projecten van A tot Z, afgestemd op uw wensen.

Geïnteresseerd? Contacteer ons nu en breng uw bedrijfsprocessen naar een hoger niveau.