Dla każdego dekoru trenowana jest osobna sieć neuronowa. Dzięki temu Edge InspectiON zna typowy wygląd oraz dopuszczalne struktury danego wzoru i może precyzyjnie wykrywać wszelkie odchylenia.

Takie podejście dedykowane dla konkretnego dekoru wiąże się na początku z większym nakładem pracy wdrożeniowej niż w przypadku czysto geometrycznej kontroli 3D. Jednocześnie stanowi ono fundament pod znacznie bardziej kompleksową ocenę jakości: Edge InspectiON ocenia nie tylko odchylenia kształtu czy wysokości, ale rzeczywisty, widoczny wygląd krawędzi meblowej.

W ten sposób można wykrywać na przykład wyszczerbienia, otwarte spoiny klejowe, nadmiary i niedomiary materiału, wgniecenia czy uszkodzenia, jak również wady powierzchni oraz folii dekoracyjnej – nawet jeśli nie powodują one istotnej zmiany geometrii elementu.

Właśnie w przypadku różnorodnych kolorów, wzorów i powierzchni ocena oparta na sztucznej inteligencji umożliwia niezawodną kontrolę jakości, idealnie dopasowaną do danego zastosowania.

W kontroli krawędzi kluczowe znaczenie ma nie sama zasada pomiaru, lecz to, które istotne wady są niezawodnie Wykrywane.

Systemy 3D rejestrują geometrię lub profil wysokości krawędzi. Wady takie jak wyszczerbienia czy nadmiary materiału mogą zostać wykryte, o ile powodują odpowiednią zmianę geometryczną.

Edge InspectiON ocenia natomiast bezpośrednio widoczny wygląd krawędzi. Pozwala to na wykrywanie zarówno typowych wad krawędzi (jak wyszczerbienia, otwarte spoiny klejowe czy nadmiary materiału), jak i uszkodzeń niepowodujących istotnych zmian geometrycznych – na przykład uszkodzeń folii powierzchniowej lub dekoracyjnej.

Dodatkowa ocena oparta na sztucznej inteligencji umożliwia odróżnienie złożonych wzorów (dekorów) i dopuszczalnych struktur powierzchni od rzeczywistych defektów, co pozwala na skuteczną redukcję liczby pseudobłędów.

Dla nowych dekorów wykonywane są zdjęcia, a następnie system jest uczony w ramach zautomatyzowanego procesu. Do uczenia wykorzystuje się wyłącznie elementy prawidłowe (dobre). W procesie produkcyjnym błędy są wykrywane jako odchylenia od wyuczonego stanu docelowego. Najczęściej wystarcza ok. 20–30 zdjęć.

Do nauczenia systemów wzorzystych lub ustrukturyzowanych dekorów wymagana jest baza treningowa w postaci 40 metrów wolnej od wad krawędzi.

Dane te nie muszą być generowane osobno. Edge InspectiON automatycznie rejestruje obrazy podczas normalnej produkcji i przypisuje je do danego dekoru. Gdy tylko dostępna jest wystarczająca długość krawędzi, można rozpocząć proces uczenia.

W przypadku jednokolorowych lub bardzo jednolitych dekorów z reguły wymagana jest znacznie mniejsza ilość danych obrazowych, ponieważ struktura powierzchni jest w tym przypadku o wiele prostsza.

Dzięki temu baza danych powstaje praktycznie w tle, bezpośrednio w trakcie bieżącego procesu produkcyjnego.

Tak. Wymagane dane obrazowe nie muszą być gromadzone w ramach jednej ciągłej partii produkcyjnej.

Edge InspectiON automatycznie zapisuje i sortuje zarejestrowane obrazy krawędzi według konkretnego dekoru. Wymagana długość krawędzi może być zatem zbierana stopniowo, na przestrzeni wielu różnych zleceń i partii produkcyjnych.

Dzięki temu system doskonale sprawdza się również w zakładach o wysokiej różnorodności wariantów oraz w produkcji jednostkowej (batch size 1).

Gdy dostępna jest wystarczająca ilość danych obrazowych, wystarczy jedynie uruchomić proces uczenia w oprogramowaniu. Właściwe szkolenie sieci trwa około 12 godzin i przebiega w pełni automatycznie w tle.

Alternatywnie firma HECHT może wykonać proces uczenia w ramach usługi serwisowej. W takim przypadku – po przekazaniu wymaganych danych obrazowych – nowa sieć jest z reguły gotowa do użycia w czasie krótszym niż 48 godzin.

Nie ma potrzeby programowania cech kontrolnych ani ręcznego uczenia poszczególnych typów wad.

Nie. Do nauczenia systemu nowego dekoru nie są wymagane żadne zdjęcia wad.

Edge InspectiON uczy się na podstawie wolnych od wad krawędzi, jak wygląda prawidłowy, normalny wygląd danego dekoru. Wszelkie odchylenia od tego wzorca są następnie wykrywane i oceniane zgodnie z ustalonymi progami jakościowymi.

Baza danych z wcześniej znanymi wadami nie jest zatem wymagana.

Nie. Odpowiednia metoda kontroli zależy od konkretnego dekoru.

W przypadku ustrukturyzowanych, wzorzystych lub wymagających wizualnie dekorów przetwarzanie obrazu oparte na AI oferuje szczególne korzyści, ponieważ potrafi nauczyć się typowej struktury danego wzoru i odróżnić ją od rzeczywistych wad.

Przy jednokolorowych lub bardzo jednolitych krawędziach już klasyczne przetwarzanie obrazu zapewnia bardzo dobre rezultaty. W takich przypadkach uczenie sieci AI nie jest wymagane.

Firma HECHT nie ogranicza się zatem sztywno do jednej technologii, lecz dobiera metodę najbardziej optymalną dla danego zadania kontrolnego.

Klasyczne przetwarzanie obrazu bardzo dobrze sprawdza się w przypadku jasno zdefiniowanych i jednolitych cech. Przy dekorach jednokolorowych (Uni) lub prostych strukturach pozwala ono uzyskać bardzo niezawodne wyniki kontroli.

W przypadku dekorów wzorzystych i ustrukturyzowanych kontrola oparta na klasycznych regułach szybko staje się jednak skomplikowana, ponieważ konieczne jest odróżnienie naturalnych struktur dekoru od rzeczywistych wad.

W tym miejscu kontrola oparta na sztucznej inteligencji oferuje kluczową przewagę: uczy się ona prawidłowego wyglądu danego dekoru i dzięki temu potrafi znacznie lepiej oceniać złożone struktury.

Dlatego Edge InspectiON łączy klasyczne przetwarzanie obrazu z AI tam, gdzie każda z tych metod przynosi największe korzyści.

Edge InspectiON ocenia nie tylko pojedyncze cechy geometryczne, ale rzeczywisty, widoczny wygląd krawędzi.

W przypadku ustrukturyzowanych dekorów system musi wiedzieć, które przejścia tonalne i wzory stanowią element prawidłowej powierzchni. Dzięki procesowi uczenia Edge InspectiON potrafi odróżnić zamierzoną strukturę dekoru od rzeczywistych odchyleń jakościowych.

Przy prostych lub jednokolorowych dekorach nakład pracy jest odpowiednio mniejszy, a w niektórych przypadkach – dzięki zastosowaniu klasycznego przetwarzania obrazu – konieczność trenowania sieci może zostać całkowicie wyeliminowana.

Edge InspectiON pracuje z rozdzielczością obrazu ponad 200 dpi (około 8 pikseli na milimetr), co pozwala na rejestrowanie bardzo małych nieregularności. Z technicznego punktu widzenia system jest w stanie wykryć wady już od wielkości $0,016\text{ mm}^2$.Dla zastosowań przemysłowych kluczowa jest jednak nie teoretyczna, minimalna wielkość błędu, lecz to, które odchylenia są rzeczywiście istotne z punktu widzenia wymagań jakościowych klienta.Jako praktyczny punkt odniesienia można przyjąć wartość około $1\text{ mm}^2$. Wartość ta opiera się na doświadczeniach z ponad 20 zainstalowanych skanerów inline HECHT 4i, które wykorzystują tę samą podstawową technologię AI. Doświadczenia te zostały zgromadzone we współpracy z renomowanymi producentami z branży mebli kuchennych, biurowych oraz mieszkaniowych.Dopuszczalna wielkość błędu może być ustawiana indywidualnie dla każdego dekoru, zgodnie z konkretnymi wymaganiami jakościowymi klienta.

Tak. Progi jakościowe można elastycznie dostosowywać do wymagań konkretnego produktu oraz dekoru.

Można na przykład precyzyjnie określić, od jakiej wielkości wykryta nieregularność jest rzeczywiście klasyfikowana jako błąd.

Dzięki temu to nie system kontrolny arbitralnie decyduje, co jest „dobre”, a co „złe”. Klient samodzielnie definiuje własne standardy jakościowe – a Edge InspectiON pilnuje ich w sposób powtarzalny i niezawodny.

Nie. Cały proces jest w znacznym stopniu zautomatyzowany.

Zdjęcia krawędzi powstają podczas normalnej produkcji i są automatycznie zapisywane według dekoru. W przypadku ustrukturyzowanych wzorów wystarczająca ilość danych jest z reguły dostępna już po przejechaniu około 40 metrów wolnej od wad krawędzi. Przy prostych dekorach jednokolorowych (Uni) wymagana jest znacznie mniejsza ilość danych lub można zastosować klasyczne przetwarzanie obrazu.

Uczenie sieci jest uruchamiane jednorazowo, po czym przebiega automatycznie w tle.

Dzięki temu Edge InspectiON łączy wysoką precyzję kontroli z niewielkim nakładem pracy przy wdrożeniu – również w przypadku dużej różnorodności wariantów produkcyjnych.