Dirbtinis intelektas nerūdijančio plieno kokybės tikrinimo srityje: automatizuotas defektų aptikimas

Aug 12, 2026

Palik žinutę

AI-pagrįstas defektų aptikimas naudoja gilaus mokymosi modelius (CNN, objektų detektorius ir regėjimo transformatorius), parengtus naudojant fotoaparato vaizdus, ​​kad nustatytų, klasifikuotų ir surastų nerūdijančio plieno paviršiaus defektus realiuoju laiku, gamybos linijos greičiu, o standartinių etaloninių duomenų rinkinių tikslumas paprastai yra 95–99 %.

 

Šeši defektų tipai, dažniausiai naudojami šioms sistemoms lyginti - įskilimas, įtraukimas, lopai, duobėtas paviršius, susuktas-masteliu ir įbrėžimai -, gaunami iš plačiai naudojamos NEU paviršiaus defektų duomenų bazės ir yra glaudžiai susiję su tikrais nerūdijančio plieno defektais, pvz., įdubimais, randais, įtrūkimais ir briaunų žymėmis.

 

Artificial Intelligence in Stainless Steel Quality Inspection

 

Dirbtinis intelektas pakeičia arba papildo rankinį vizualinį patikrinimą ir paprastą slenkstinį-pagrįstą mašininį matymą, kuris sukuria net 15–30 % klaidingų teigiamų rezultatų ir negali išlaikyti viso-greičio, pilno-aprėpties tikrinimo vien žmogaus akimis.

 

Dirbtinis intelektas tikrina tik paviršius - jis nepakeičia dažų skvarbumo bandymų, sūkurinių srovių bandymų ar ultragarso bandymų, siekiant nustatyti paviršiaus defektus, suvirinimo vientisumą ar tūrinius defektus, todėl visa kokybės programa vis tiek derina AI paviršiaus patikrinimą su atitinkamu NDT metodu.

 

ASTM A480 išlieka pagrindiniu paviršiaus apdailos klasifikavimo ir defektų priėmimo kriterijų standartu; Dirbtinio intelekto sistemos yra apmokytos ir patvirtinamos pagal tuos žmogaus -apibrėžtus kriterijus, o ne atvirkščiai, todėl specifikacijos ir galutinio disponavimo įgaliojimai vis tiek priklauso nuo taikomo medžiagų standarto ir pirkimo užsakymo.

 

Kas yra AI{0}}pagrįstas defektų aptikimas?

 

AI-pagrįstas defektų aptikimas naudoja apmokytus giluminio mokymosi modelius, skirtus nerūdijančio plieno paviršių kamerų vaizdams analizuoti ir automatiškai identifikuoti, klasifikuoti ir lokalizuoti defektus realiu laiku, pakeičiant arba papildant rankinį vizualinį patikrinimą ir paprasta taisykle-pagrįstą mašininį matymą - pagrindinis skirtumas yra tas, kad sistema mokosi defektų modelių iš fiksuotų programų pavyzdžių, o ne sekdama programomis.

 

Tradicinis nerūdijančio plieno paviršių tikrinimas priklauso nuo apmokytų žmonių inspektorių, kuriems kartais padeda pagrindinis mašinos matymas, kuris žymi viską, kas yra šviesesnė, tamsesnė ar didesnė už fiksuotą pikselių slenkstį. Abu metodai turi gerai-dokumentuotas ribas: žmonių inspektoriai pavargsta per 8- arba 12-valandų pamainą ir negali išlaikyti viso dėmesio kiekviename judančios ritės metre, o paprastos slenkstinės -regėjimo sistemos sukuria daug klaidingų teigiamų rezultatų, nes jose pateikiami klaidingi šaltiniai. negali atskirti tikro defekto nuo nekenksmingo paviršiaus pokyčio, pvz., atspindžio, riedėjimo žymės tolerancijos ribose arba apšvietimo artefakto.

 

Dirbtinio intelekto defektų aptikimas, dažniausiai sukurtas naudojant konvoliucinius neuroninius tinklus (CNN) arba naujesnes „Vision Transformer“ (ViT) architektūras, yra apmokytas tūkstančiams ar milijonams pažymėtų vaizdų, kad sužinotų vizualines ypatybes, kurios atskiria tikrą defektą nuo įprasto paviršiaus kitimo. Išmokytas modelis daro išvadas dėl tiesioginių kameros vaizdų gamybos linijos greičiu, pažymi ir klasifikuoja defektus ir gali perduoti šią informaciją tiesiai į linijos valdymo sistemas, kad jos realiuoju laiku būtų rūšiuojamos, pažymėtos arba atmetamos -, žmogui nereikalaujant peržiūrėti kiekvieno kadro.

 

Kokius defektus AI sistemos gali aptikti ant nerūdijančio plieno paviršių?

 

AI regėjimo sistemos paprastai yra išmokytos aptikti tas pačias nerūdijančio plieno defektų kategorijas, kurios jau seniai buvo stebimos rankiniu būdu ant nerūdijančio plieno - įbrėžimų, įbrėžimų ir slinkimo žymių, apnašų ir randų, nemetalinių inkliuzų, kraštų įtrūkimų ir dėmių arba oksidacijos spalvos pakitimų - naudojant šešias -paviršiaus defektų, inkliuzijos kategorijas duobėtas paviršius, apvalytas-masteliu, įbrėžimai), kuris yra plačiausiai naudojamas tyrimų ir mokymo etalonas.

Defektų kategorija

Kaip atrodo

Tipinė Priežastis

Kodėl tai svarbu nerūdijančiam plienui

Įdubęs / duobėtas paviršius

Mažos, lokalizuotos įdubos ar ertmės

Užteršimas, netolygus marinavimas, įstrigusios nuosėdos

Suardo pasyvų chromo oksido sluoksnį, sukurdama vietą chloro{0}}sukeltai korozijai

Įbrėžimai / įbrėžimai

Skirtingo gylio linijinės paviršiaus žymės

Prisilietimas prie netinkamai išlygiuotų kreiptuvų, šiukšlių ant ritinėlių, sugadinta tvarka

Kosmetikos atmetimo rizika; gilesni įdubimai veikia kaip įtampos koncentratoriai

Riedėjimo žymės

Paviršiuje įspausti pasikartojantys raštai

Pažeistas arba susidėvėjęs volo paviršius

Nurodo įrangos nusidėvėjimą prieš srovę; dažnai sukelia ritinio pasikeitimą

Susuktas-masteliu / randai

Netaisyklingos liežuvio-arba žuvies-žvyno tamsios dėmės

Valcavimo metu į paviršių įspaustas oksido apnašas

Sunkiai pašalinamas marinuojant; vėliau gali nulupti ir susidaryti duobutes

Inkliuzai

Taško, linijos arba bloko{0}}formos nemetalinės dalelės

Gaminant plieną patekęs šlakas arba ugniai atspari medžiaga

Silpnina vietines medžiagų savybes; veikiant apkrovai gali plisti įtrūkimais

Krašto įtrūkimai

Nuo smulkių iki akivaizdžių plyšių išilgai lakšto arba ritės krašto

Šiluminis stresas dėl netolygaus aušinimo, chemijos problemos

Gali daugintis tolesnio apdorojimo metu; dažnai sukelia ritės atmetimą

Pašėlęs / pleistrai

Smulkių paviršiaus įtrūkimų arba netaisyklingų šviesių/tamsių dėmių tinklai

Paviršiaus įtempimas, netolygus aušinimas, oksidacijos spalva

Visų pirma kosmetinis švelniais atvejais, tačiau nurodo proceso valdymo problemą

Defektų kategorijos, sudarytos iš NEU paviršiaus defektų duomenų bazės (standartinis akademinis plieno paviršiaus defektų klasifikavimo etalonas) ir paskelbtų nerūdijančio plieno gamintojų defektų vadovų. Bet kokio konkretaus defekto tipo ir sunkumo priimtinumo kriterijai turėtų būti susiję su ASTM A480 paviršiaus apdailos reikalavimais ir galiojančiu pirkimo užsakymu.

 

Kaip iš tikrųjų veikia gamybinė AI vizijos tikrinimo sistema?

 

Gamybinė AI matymo sistema – tai penkių susietų komponentų - valdomas apšvietimas, didelės spartos-kameros arba linijinio-vaizdavimo, išankstinio vaizdo apdorojimo, išlavinto gilaus mokymosi modelio ir sprendimų sluoksnio, kuris grąžina rezultatus į linijos valdymą -, o sistemos tikrasis veikimas-priklauso ne tik nuo visų penkių modelių tikslumo, bet ir iš penkių susietų komponentų.

 

How Does a Production AI Vision Inspection System Actually Work

 

Apšvietimas ir vaizdo gavimas

Nuoseklus, gerai{0}}valdomas apšvietimas yra būtina sąlyga, o ne vėlavimas. Nerūdijančio plieno atspindintis paviršius išties apsunkina apšvietimo projektavimą: netolygus arba nevienodas apšvietimas yra viena iš dažniausiai nurodytų priežasčių, dėl kurių plieno paviršiaus vaizdus sunku patikimai klasifikuoti, kartu su vibracija, judesio neryškumu ir paviršiaus masto triukšmu. Didelio-greičio linijinio-nuskaitymo arba ploto-nuskaitymo kameros fiksuoja judančios juostos ar lapo vaizdus, ​​dažnai iš kelių kampų arba su keliomis apšvietimo geometrijomis, kad užfiksuotų defektus, kurie matomi tik tam tikru atspindžio kampu.

 

Išankstinis apdorojimas ir gilaus mokymosi modelis

Užfiksuoti vaizdai iš anksto apdorojami -, keičiamas dydis, normalizuojamas, kartais filtruojamas siekiant sumažinti triukšmą arba pakoreguoti ne{1}}vienodą apšvietimą -, prieš perduodant juos apmokytam modeliui. Paskelbti tyrimai rodo, kad vien tik šis išankstinio apdorojimo veiksmas gali reikšmingai pagerinti klasifikavimo tikslumą net ir gerai{4}}suderinta CNN architektūra. Pats modelis atlieka vieną ar daugiau iš trijų užduočių: klasifikavimas (koks tai defekto tipas), lokalizavimas (kur jis yra paveikslėlyje) ir segmentavimas (kokia tiksli defekto riba).

 

Sprendimo sluoksnio ir linijos integravimas

Paskutinis sluoksnis modelio išvestį paverčia veiksmu: pažymi defekto vietą tolesniam apdorojimui, suaktyvina automatinį atmetimą, užregistruoja defekto tipą ir sunkumą kokybės duomenų bazėje arba brandesniuose diegimuose defektų dažnio ir modelio duomenis perduoda atgal į ankstesnių procesų valdymo ir priežiūros sistemas (vis dažniau sujungiamas su kompiuterizuotomis priežiūros valdymo sistemomis arba CMMS), todėl jie gali sukelti tolesnius įrangos nuostolių praradimus.

 

Kokios giluminio mokymosi architektūros naudojamos plieno defektams aptikti?

 

Konvoliuciniai neuroniniai tinklai („ResNet“, „MobileNet“, „SqueezeNet“, „EfficientNet“ variantai) išlieka pagrindine plieno paviršiaus defektų klasifikavimo architektūra su objektų detektoriais, pvz., „Faster R{0}}CNN“ ir naujesniais „Vision Transformer“ modeliais, naudojami lokalizacijai ir sudėtingesnėms, netvarkingoms scenoms; paskelbtas standartinių etalonų tikslumas svyruoja nuo maždaug 95 % iki daugiau nei 99 %, nors realus gamybos tikslumas labai priklauso nuo to, kiek mokymo duomenys atitinka faktines linijos sąlygas.

Architektūros šeima

Tipiškas vaidmuo

Praneštas našumas (tyrimų etalonai)

CNN klasifikatoriai („ResNet-50“, „MobileNetV2“, „EfficientNetB3“, „SqueezeNet“)

Viso-vaizdo arba apkirpto-lopo defektų klasifikacija

Paprastai nurodomas tikslumas nuo maždaug 95 % iki 99 %+, priklausomai nuo duomenų rinkinio ir architektūros; Viename SqueezeNet{3}}pagrįstame tyrime nustatyta, kad 100 % bandymo rezultatai buvo švarūs, o 97,5 % – pridėtas triukšmas, suliejimas ir apšvietimo pokyčiai

Objektų detektoriai (greitesnis R{0}}CNN ir variantai)

Kelių defektų lokalizavimas ir klasifikavimas viename paveikslėlyje

Nurodytas vidutinis tikslumo patobulinimas, maždaug 0,1–0,15, palyginti su pradiniu Faster R-CNN po architektūros pakeitimų, pagal NEU-DET etaloną

Regėjimo transformatoriai (ViT)

Klasifikavimas ir lokalizavimas, stipresnis ilgo{0}}atstumo vaizdo konteksto fiksavimas nei CNN

Neseniai paskelbtame tyrime nustatytas bendras maždaug 96 % tikslumas pagal šešių -kategorijų plieno paviršiaus gedimų klasifikaciją

Skaičiai, sudaryti iš paskelbtų recenzuotų{0}}ir iš anksto spausdintų tyrimų, naudojant NEU ir susijusius plieno paviršiaus defektų duomenų rinkinius. Tai yra tyrimų-palyginimo rezultatai, negarantuojamas gamybos našumas - realiems diegimams reikalingas patvirtinimas pagal konkretų produktą, fotoaparato sąranką ir atitinkamos linijos defektų populiaciją.

 

Vienas iš praktinių šiuolaikinių lengvų CNN architektūrų pranašumų yra išvadų greitis: keli paskelbti diegimai veikia gerokai daugiau nei 100 kadrų per sekundę viename pramoniniame GPU, kuris yra pakankamai greitas, kad neatsiliktų nuo judančios ritės ar lakšto linijos, netapdamas proceso kliūtimi.

 

Kaip dirbtinio intelekto matymas lyginamas su tradiciniais NDT metodais, tokiais kaip dažų įsiskverbimo ir sūkurinės srovės testavimas?

 

IŠVADA

DI matymas yra tik paviršiaus{0}}patikrinimo metodas ir nepakeičia dažų skverbimosi, sūkurinių srovių bandymų ar ultragarso bandymų, kuriais aptinkami paviršiaus-lūžimo ir požeminiai trūkumai, kurių fotoaparatas tiesiog nemato - visa nerūdijančio plieno kokybės programa naudoja AI matymą aukštam{}, viso{3} paviršiaus ekranui. NDT metodai suvirinimo vientisumui, įtrūkimų aptikimui ir tūriniams trūkumams nustatyti.

Metodas

Ką aptinka

Greitis / Automatika

Geriausiai tinka

AI-pagrįstas mašininis matymas

Tik paviršiaus{0}}matomi defektai (įdubimai, įbrėžimai, apnašos, paviršiuje matomi intarpai, dėmės)

Visas{0}}greitis, visa-aprėptis, nuolatinis automatinis patikrinimas

Didelio-tūrio plokščio-valcavimo lakštų, juostelių ir ritinių paviršiaus ekranavimas

Dažų įsiskverbimo bandymas (PT)

Paviršiaus-lūžimo įtrūkimai ir poringumas, įskaitant ne-feromagnetinį nerūdijantį plieną

Rankinis, kelių{0}}veiksmų procesas (taikyti, pasilikti, pašalinti, kurti, patikrinti)

Suvirinimo ir liejimo paviršiaus{0}}įtrūkimų tikrinimas, kai geometrija ar medžiaga neleidžia naudoti kitų metodų

Sūkurinės srovės bandymas (ECT)

Paviršiniai ir artimi{0}}paviršiniai įtrūkimai laidžiose medžiagose; rezultatai pasiekiami beveik akimirksniu

Gali būti automatizuotas ir masyvus, tačiau jautrus suvirinimo šiurkštumui ir geometrijai

Vamzdžiai, plonesnės suvirinimo siūlės ir paviršiaus{0}}trūkimų tikrinimas ant laidžių nerūdijančio plieno gaminių

Ultragarsinis tyrimas (UT)

Paviršiaus ir tūriniai defektai, sienelės storis, korozija, suvirinimo vientisumas gylyje

Reikalingi apmokyti operatoriai arba automatizuotos fazinės{0}}masyvo sistemos; ne paviršiaus{1}}vaizdo metodas

Storesnės suvirinimo siūlės, sienos{0}}storio patikrinimas ir vidinių defektų aptikimas

Sudaryta iš paskelbtos NDT ir mašininio{0}}matymo literatūros. Metodas turėtų būti pasirenkamas pagal taikomą tikrinimo standartą ir konkrečią gaminio formą (plokščias -valcuotas lakštas, palyginti su suvirintu siūlu ir vamzdžiu), o ne pagal numatytuosius nustatymus bet koks atskiras metodas.

 

Kokie yra AI defektų aptikimo apribojimai ir įgyvendinimo iššūkiai?

 

AI defektų aptikimą riboja tie patys veiksniai, kurie riboja bet kurį treniruojamą modelį: jam reikalingi dideli, reprezentatyvūs, tiksliai pažymėti mokymo duomenys; ji kovoja su retais defektų tipais, kurių tuose duomenyse nepakanka (klasių disbalansas); jį gali apgauti realios{0}}pasaulio sąlygos, pvz., vibracija, judesio susiliejimas ir ne{1}}vienodas apšvietimas, kuris skiriasi nuo treniruočių vaizdų; ir vis dar reikia žmogaus priežiūros, kai reikia atlikti kraštutinius atvejus, pristatyti naujus produktus ir priimti galutinius sprendimus.

 

Duomenų ir ženklinimo našta: modelis yra toks geras, koks yra jo mokymo rinkinys, o tiksliai pažymėti tūkstančius defektų vaizdų -, ypač retų ar subtilių defektų tipų -, yra didelė išankstinė investicija, kol sistema pasiekia gamybos{2}}patikimumą.

Klasės disbalansas: kai kurių tipų defektai (ritės-skilimo briaunos įtrūkimai) duomenyse atsiranda daug rečiau nei įprasti (smulkūs įbrėžimai), o tai moksliniai tyrimai nuolat įvardija kaip pagrindinį plieno paviršiaus defektų aptikimo iššūkį, nes modelis, daugiausia apmokytas dėl bendrų defektų, negali aptikti retų, bet rimtų defektų.

 

What Are the Limitations and Implementation Challenges of AI Defect Detection

 

Realaus-vaizdo kintamumas: vibracija, judesio neryškumas, nenuoseklus apšvietimas ir paviršiaus mastelio triukšmas literatūroje yra konkrečiai pažymėti kaip veiksniai, dėl kurių realius gamybinius-linijinius vaizdus sunku tiksliai klasifikuoti nei švarius laboratorinius etaloninius vaizdus.

 

Klasių ir gaminių keitimas: modelis, apmokytas naudoti vieną gaminio formą, matuoklį ar apdailą, gali būti neperkeltas į kitą be papildomų mokymo duomenų ar mokymosi perkėlimo, todėl modelio priežiūra yra nuolatinė programa, o ne vienkartinis{0}}diegimas.

 

Tik paviršius-aprėptis: kaip aprašyta aukščiau, dirbtinio intelekto matymas negali matyti požeminių ar tūrinių trūkumų, todėl nereikia atlikti skvarbos, sūkurinių srovių ar ultragarso bandymų, kai tokie trūkumai kelia susirūpinimą.

 

Žmogaus--ciklo reikalavimas: galutinis išdėstymas pagal medžiagos specifikaciją, pvz., ASTM A480, ir įvertinimas dėl ribinių ar naujų defektų pateikimo, vis tiek naudingas, jei apmokytas kokybės inžinierius peržiūri pažymėtus rezultatus -, ypač ankstyvuoju laikotarpiu po įdiegimo.

 

Kaip gamintojas turėtų įvertinti IG prieš pradėdamas dirbtinio intelekto patikrinimą?

 

Įvertinkite dirbtinio intelekto patikros IG pagal keturis išmatuojamus veiksnius, - sumažintą klientų pabėgimų ir pretenzijų skaičių, tikrinimo darbuotojų perskirstymą, linijos pralaidumo padidėjimą pašalinus rankinį patikrinimą kaip greičio kliūtis ir pačių defektų duomenų vertę, kad būtų galima tobulinti procesą -, o ne pagal defekto-aptikimo tikslumą atskirai.

 

Tikslumo skaičiai iš mokslinių darbų yra atskaitos taškas, o ne verslo atvejis. Svarbesni -sprendimui svarbūs klausimai yra šie: kiek klientų skundų ar grąžinimų šiuo metu siejama su praleistais paviršiaus defektais ir ko verta daugumą jų pašalinti; kiek tikrinimo darbuotojų šiuo metu skiriama vizualiniam paviršiaus patikrinimui ir ar ta komanda galėtų būti perskirstyta į aukštesnės-vertės kokybės inžinerinį darbą; ar rankinis patikrinimas šiuo metu riboja linijos greitį ir ko vertas šis pajėgumas, jei jis pašalinamas; ir ar sistemos sugeneruotus defektų klasifikavimo ir vietos duomenis galima susieti su ankstesnio proceso parametrais (ritinimo būklė, ėsdinimo linijos nustatymai, temperatūros profiliai), kad būtų sumažintas defektų dažnis šaltinyje, o ne tik greičiau užfiksuotas linijos pabaigoje.

 

Vienos linijos ar gaminių šeimos bandomoji programa, palyginta su esamais neautomatinio tikrinimo rezultatais per nustatytą laikotarpį, yra patikimiausias būdas patvirtinti tikslumo teiginius ir našumo bei darbo prielaidas prieš pradedant visiškai įdiegti.

 

Dažnai užduodami klausimai

 

Kl.: Ar AI defektų aptikimas gali visiškai pakeisti žmogaus kokybės inspektorius?

A: Ne visiškai. Dirbtinio intelekto sistemos atlieka didelės-sparios, visos aprėpties{2}} paviršiaus patikrinimą daug nuosekliau nei pavargę inspektoriai, tačiau galutinis sprendimas dėl medžiagos specifikacijos, ribinių ar naujų defektų sprendimas ir paties modelio priežiūra vis tiek reikalauja apmokyto kokybės inžinieriaus. Dauguma gamybinių diegimų atliekami žmogaus-su-ciklu-, o ne visiškai savarankiški.

 

Kl.: Kas yra NEU paviršiaus defektų duomenų bazė ir kodėl ji taip dažnai pasirodo šioje srityje?

A: NEU (Šiaurės rytų universiteto) paviršiaus defektų duomenų bazė yra plačiai naudojamas, viešai prieinamas pažymėtų plieno paviršiaus vaizdų rinkinys, apimantis šešias defektų kategorijas - įtrūkimai, įtraukimas, lopai, duobėtas paviršius, valcuotas-mastelis ir įbrėžimai. Tai tapo standartiniu akademiniu etalonu mokant ir lyginant plieno paviršiaus defektų aptikimo modelius, todėl tiek daug paskelbtų tikslumo duomenų nurodo jį.

 

Kl.: Ar AI matymo tikrinimas pakeičia sūkurinių srovių ar ultragarso suvirinimo siūlių bandymus?

A: Ne. AI matymas yra paviršiaus{1}}vaizdo metodas ir negali aptikti požeminių ar tūrinių trūkumų. Sūkurinių srovių bandymai tebėra standartu greitai aptikti paviršinius ir beveik paviršiaus įtrūkimus ant laidžių medžiagų, o ultragarsinis bandymas išlieka standartu nustatant požeminius defektus, sienelės storį ir suvirinimo vientisumą gylyje. Šie metodai papildo AI regėjimą, o ne ja pakeičiami.

 

Kl.: Kiek tikslios yra AI defektų aptikimo sistemos realioje gamyboje, o ne tik tyrimų etalonuose?

A: Paskelbtų tyrimų etalonų tikslumas paprastai siekia 95–99 % ir daugiau, tačiau šie skaičiai gaunami iš kuruojamų duomenų rinkinių. Tikrasis gamybos tikslumas priklauso nuo to, kiek įdiegta kamera, apšvietimas ir gaminio sąlygos atitinka mokymo duomenis, o tiekėjai, kurių specializacija yra pramoninis diegimas, nurodo pasiekiamą 95 %+ gamybos tikslumą, kai sistema tinkamai suderinta su konkrečia linija -, todėl patvirtinta bandomoji programa yra svarbesnė nei vien etaloninis skaičius.

 

Kl.: kokius duomenis gamintojas turi turėti prieš pradėdamas dirbtinio intelekto tikrinimo projektą?

A: Reprezentatyvus, tiksliai pažymėtas vaizdų rinkinys, apimantis defektų tipus, kuriuos gamina linija, idealiu atveju įtraukiant retų defektų tipų pavyzdžius, o ne tik įprastus, ir vaizdus, ​​užfiksuotus tikroviškomis gamybos sąlygomis (ne tik švariais laboratoriniais pavyzdžiais), kad modelis išmoktų valdyti vibraciją, apšvietimą ir triukšmą, kurį jis iš tikrųjų matys eksploatuojant.

 

Santrauka

 

AI-pagrįstas defektų aptikimas iš akademinių tyrimų perėjo į praktinį, įdiegiamą nerūdijančio plieno paviršiaus kokybės tikrinimo įrankį, o CNN ir Vision Transformer modeliai dabar praneša apie 95–99 %+ tikslumą pagal standartinius etalonus ir veikia pakankamai greitai, kad galėtų tikrinti judančią liniją realiuoju laiku. Jis tiesiogiai pašalina du metodų, kuriuos jis pakeičia, trūkumus: žmogaus inspektoriaus nuovargį ir nenuoseklumą bei didelius klaidingai teigiamus paprasto slenksčio-pagrįsto mašininio matymo rodiklius.

 

Tai nepakeičia NDT metodų - dažų įsiskverbimo, sūkurinių srovių ir ultragarso bandymų -, kurie aptinka požeminius ir tūrinius trūkumus, kurių AI vizija nemato, ir nepakeičia reglamentuojančio medžiagų standarto ASTM A480, kaip galutinio žodžio dėl priėmimo kriterijų. Gamintojai, gaunantys didžiausią naudos iš šios technologijos, traktuoja ją kaip vieną gerai{4}}integruotą platesnės kokybės sistemos sluoksnį, patvirtintą pagal realius gamybos duomenis, o ne kaip vieną technologiją, pakeistą rankiniu būdu didmeninei patikrai.

 

Siųsti užklausą
Ateik pas mus
Ir pradėkite savo RFQ dabar.
Susisiekite su mumis