Masinnägemine aluste kvaliteedikontroll

Miks just see lahendus?

  • Kohe kasutatavad otsused: OK/WARN/NOK lihtsustab automaatset sorteerimist või peatab liini (NOK‑d õigel ajal).

  • Täpsem tuvastus: klassipõhised minimaalsed/maksimaalsed mõõtud  ja laiuse ning pikkuse suhted, reegel vähendab valepositiiseid defekte.

  • SCADA‑valmis: on REST JSON API (GET /scada) + Ignition SCADA tugi; kiired vastused ja per‑IP rate‑limit.

  • Audit & jälgitavus: tuvastuse visualiseerimine mõõtudega ja kaaludega, tärnid liiga väikeste/suurte puhul, EXIF‑is staatus ja meta. Logifailid.

  • Paindlikkus: klassipõhised warn/nok läved, min/max laius/kõrgus  ja SCADA suuruslävi (mõõtude järgi defekti leidmise korrigeerimine).

  • Tööstuskindel: IP ACL, CORS, logimine, auto‑scan kaustadest, vahemälu ja CPU‑põhine ONNX Runtime (ei eelda GPU‑d).

Kuidas see töötab?

  1. Pildistamine – A/B kaamerad teevad RGB JPEG pilte (toetab ka teisi formaate). Võimalik kaameraid lisada.

  2. Eeltöötlus – arukas crop & skaleerimine; mudelile RGB; töötleme vastavalt inseneri ettepanekutele.

  3. Inferents – ONNX tuvastus  CPU (toetab ka GPU). Klasside näited: crack, corner, debris. Klassid vastavalt kliendi soovile.

  4. Puhastus & koondamine – puhastame tuvastuse tulemus, välistame vastavalt kliendi soovile.

  5. Reeglid –

    • Klassipõhised warn/nok konf‑läved (nt pragu: warn 0.23, nok 0.30).

    • Min/Max laius/H (pikslites), skaleeritav mõõtudega.

    • SCADA suuruslävi: pikim külg ≥ X% väikseimast mõõdust (nt pragu 40%).

    • Laiuse ja kõrguse suhe: vähemalt 1:2 või 1:3 – tuvastame piklikud praod, mitte punktmüra.

  6. Väljund – REST JSON SCADA‑le + overlay JPEG EXIF‑iga; DB‑sse staatus (HTTP või MySQL).

Integratsioon (tootmisliiniga)

  • Ignition SCADA / PLC – kasuta lihtsat GET /scada?fullpath=…&x=…&y=…&z=…

  • Andmebaas / MES – staatus salvestub HTTP endpointi või MySQL‑i (upsert).

  • Failipõhine töövoog – overlay’d ja EXIF kohe kättesaadavad auditiks ja tagantjärgi analüüsiks.

  • Kohandatud integratsioon – teeme integratsiooni vastalt kliendi antud spetsifikatsioonile

Tehnilised näitajad

  • Mudeli formaat: ONNX; Inference: ONNX (CPU ja GPU tugi).

  • Sisend: RGB JPEG, BGR→RGB OpenCV kaudu.

  • API vastused: JSON; pildid: JPEG (EXIF + overlay).

  • Tuvastusklassid: crack, corner, debris (lisatavad ja laiendatav).

  • Läved: CONF 0.23 (globaalne min), klassipõhised WARN/NOK; min/max W/H; crack aspect ratio min 1:2 (konf. 1:3). Seadistatavad.

  • Turve: IP ACL, rate‑limit, CORS.

  • Jälgitavus: /live meta, heartbeat logis.

  • Keskkond: Linux või Windows (kliendi tarkvara töötab igal seadmel, sh mobiilne seade)

Vähenda praaki, standardiseeri otsused ja paranda läbilaskevõimet.

Visioline masinnägemise tarkvara tuvastab toodete defektid reaalajas ning edastab OK / WARN / NOK otsused vajadusel otse SCADA‑sse. Süsteem integreerub tootmisliiniga REST API kaudu, toetab pildil välja toodud märgistamist  ja EXIF‑metat ning annab klassipõhise kontrolli lävede üle , et müra vältida ja päris defektid kindlalt leida.

aluse kontroll

Veebipõhine vaade: tuvastused, otsing ja automaatvärskendus

Operaator näeb kõiki kaameraid ja aluseid brauseris – originaal ja AI‑töödeldud pilt on A/B‑vaates kõrvuti. Tuvastuste sildid ja kastid on pildil kohe näha. Otsing on kiire: filtreeri failinime, kuupäeva vahemiku, staatuse (OK/WARN/NOK) või märgistuse olemasolu (D) järgi. Vaade järjestab uuemad pildid ette, et viimased sündmused oleksid alati esimesed.

Sisseehitatud Auto‑refresh jälgib tänase päeva kausta ja värskendab galeriid automaatselt – niipea kui tekib uus pilt või metaandmed, ilmub see vaatesse ilma käsitsi „Refresh“ vajutamata. See hoiab liini juures tähelepanu ja vähendab klikkimist.

Märgistamine: anna masinale paremaid näiteid

Kui AI vajab täpsemaks tuvastuseks lisatreeningut, saab operaator märgistada defekte otse brauseris (ristküliku kujulised kastid). Valida saab klasse (nt crack, corner, debris, hole, heat, jne), lohistada/skalpeerida kaste ning salvestada need andmebaasi. Märgistatud piltidele lisandub D‑indikaator ja neid saab statistikast eraldi vaadata (otsingust otsida).

Selline „human‑in‑the‑loop“ töökorraldus kogub kvaliteetseid näiteid, millega treenime mudeli järgmise versiooni. Soovi korral saame lisada kinnitusringi (double‑check), märgistuse juhendid ja ekspordi ZIP/XML‑ina treeningtorusse – tulemuseks on järjepidev märgistus ja pidevalt paranev täpsus.

Laiendused ja integreerimine: teeme tarkvara teie protsessi järgi

Meie lahendus on modulaarne ja kohandatav – teeme vajaduse korral custom arenduse teie tehase töövoo järgi.

  • Integratsioonid: REST/JSON API, webhookid, CSV/Excel eksport, vajadusel OPC‑UA/MQTT sildad; ühendused SCADA, MES ja ERP süsteemidega (nt töökorraldused, NOK‑ticketid, partiilogid).

  • Kasutajad ja õigused: rollipõhine ligipääs (operaator/meister/kvaliteedijuht), SSO (AD/LDAP/Azure AD), auditilogid.

  • Raportid ja analytics: perioodistatistika, klasside trendid, NOK‑põhjused; ühendused Power BI / Grafanavaadetesse.

  • Reeglid ja loogika: kohandatavad läved (OK/WARN/NOK), klassipõhised suurus‑ ja vormipiirangud, automaatsed teavitused.

  • Keskkond: on‑premises paigaldus, töötab sisevõrgus (IP või DNS), mitme kaamera tugi, offline‑sõbralik.

Kui sul on erisoovid – erilahendused UI‑s, täiendavad defektiklassid, automaatne otsustuspõõsas või eriline andmevoog – teeme selle valmis.

Masinnägemise mudel ja keelemudel, masinõpe

Me treenisime masinnägemisel põhineva kvaliteedikontrolli mudeli (AI/masinõpe) päris­tootmise andmetel, keskendudes defektide tuvastamisele tööstuslikes tingimustes, kus valgustus, taust ja kaamerad võivad erineda; see teeb lahenduse täpsemaks kui keelemudeli tuvastus.

Kasutasime SSD  detektorit ning käsitsi märgistust  (ristküliku kujulised kastid), et hoida märgistamine kvaliteedi kontrollile (või opreaatorile) lihtne ja üheselt mõistetav. Andmestik koguti mitmest kaamerast ja eri vahetustest (andmed mitmetest aastatest); tegime tasakaalustuse klasside lõikes ning augmentatsiooni (heledus/kontrast, kerge liikumishägu, skaleerimine ja pöörded), et mudel üldistaks ka muutuvates tingimustes ning tunneks ära ka neid defekte, mida ta ei ole näinud. Treeningus hoidsime valideerimis- ja testikomplektid ajaliselt/kaamerati eraldatuna (andmeleke välistatud), optimeerisime mAP/Recall tasakaalu ning kasutasime varajast peatamist ja veaanalüüsi.

Produktsioonis rakendame klassipõhiseid lävesid: üldine confidence 0.23ja NMS IoU 0.45, lisaks klassidele warn/nok tasemed (nt crack 0.23/0.30, corner 0.28/0.31, debris 0.28/0.31) ning mõõdufiltrid, mis välistavad liiga väikesed/ebareaalsed tabamused (nt crack ≥ 20×20 px; corner ja debris ≥ 70×70 px; pragude piklikkuse nõue). See kombinatsioon vähendab valepositiivseid ja jätab pildile ainult olulised objektid, mis omakorda teeb raporti ja otsused usaldatavaks.

Inimene juhendab süsteemi, (human‑in‑the‑loop) märgistus brauseris toob jooksvalt uusi näiteid, mis lähevad järgmiste treeningtsüklite sisendiks; nii püsib mudel iseõppiv ja kohandub kiiresti uute mustritega. Kogu inference töötab on‑premises / sisevõrgus madala latentsusega, mis sobib tootmise liinile; tulemused on jälgitavad ja tuunitavad (läved, klassid, reeglid).

Tulemuseks on stabiilne, kiire ja selgitatav visuaalse kvaliteedikontrolli süsteem, mis vähendab NOK‑riski, säästab operaatori aega ja kasvatab tootmise läbilaskevõimet – just seda otsivad ettevõtted, kes guugeldavad “kvaliteedikontroll AI”, “tehisnägemine tööstuses”, “defektide tuvastus reaalajas”.

Korduma kippuvad küsimused (KKK)

Kas vajame GPU‑d?

Ei. Lahendus töötab efektiivselt CPU‑l (mitte ainult, toetab ka GPU).

Kas reegleid saab muuta?

Jah, klassipõhised läved (warn/nok, min/max W/H, aspect ratio, SCADA suurusfraktsioon) on konfitavad.

Kuidas näiteks defekti nõu „piklikkus” on tagatud?

Näiteks prao  puhul kehtib aspect ratio reegel: min 1:2 (soovi korral 1:3). See välistab liiga ümarad/kompaktsed leiud. Saab seadistada.

Kuidas päringuga (näiteks SCADAlt) antud mõõt mõjutab otsust?

SCADA saadab X/Y/Z mõõdud; nende põhjal arvutatakse size_scale ja läved skaleeritakse vastavalt. Saab seadistada.

Kas pildi peale läheb ka selgitus?

Jah. Pildile joonistatakse tuvastused, näitab klassi, kindluse astet  ja mõõte; EXIF‑is on staatus ning meta (läbipaistvaks auditiks). Saab seadistada.

Kas tuvastamine toimib ka brauseris?

Jah, olenevalt lahendusest.