Hvordan lærer man en robot at finde ridser? Med kunstig intelligens

En ny robot skal ved hjælp af kunstig intelligens automatisk finde ridser og fejl på komponenter – og give kvalitetskontrol, der er mere effektivt end det menneskelige øje. I et forskningsprojekt i MADE er VOLA og B&O ved at udvikle en prototype i samarbejde med Teknologisk Institut.

Rustfrie vandhaner og aluminiumsbelagt hi-fi-udstyr. Det er alle produkter med blanke og reflekterende overflader, som ikke må være præget af ridser eller andre ujævnheder.

Hos armaturproducenten VOLA – der netop producerer produkter med disse blanke overflader – har man altid haft fokus på kvalitet og konsistens. I dag bliver kvalitetskontrollen udført af operatører, der manuelt efterser de emner, virksomheden producerer.

- Det er afgørende for os at være med i sådan et projekt, fordi vi slår os op på kvalitet og design. Udfordringen er, at kvalitetskontrollen er manuel i dag, siger Peter Krogh, Technical Manager i VOLA og fortsætter.

- Du kan godt give mennesker nogle retningslinjer, når de inspicerer emner, men det vil stadig altid være en individuel fortolkning. Vi håber, at vi kan opnå en større ensartethed på emnerne, når løsningen er implementeret. Der er et stort potentiale.

Derfor forsøger Teknologisk Instituts robotvision-specialister nu at udvikle en metode, der kan gøre netop det.

Det sker i et MADE-projekt sammen med VOLA og B&O, hvor man i kraft af produkternes blanke og reflekterende karakter bliver nødt til at gå længere end inspektionsmetoder med traditionel og simpel kamerateknologi. Projektet udspringer af MADE-forskeren Anne Juhler Hansen arbejde på AAU.

Teknologisk Institut gør derfor blandt andet brug af en helt særlig visionteknologi, som kaldes deflektometri.

Lys, kameraer og robotter

Deflektometri er en måde, hvorpå man effektivt kan inspicere blanke og reflekterende emner. Her anvendes lys, kameraer og robotter til at håndtere emnet nøjagtigt under inspektionen.

- Det går konceptuelt ud på, at man projicerer et kendt mønster ned på emnet med en projektor, og så filmer man med et almindeligt kamera, hvordan det mønster tager sig ud på emnet, fortæller Thomas Giselsson.

- Hvis der er små fordybninger, huller, hakker eller ridser, så vil man kunne se de her defekter ved at processere det datamateriale, man genererer, tilføjer han.

Deep learning skal automatisere kvalitetssikringen

Fordelene ved det nye system stopper ikke her. Ikke nok med, at man ved hjælp af deflektometri kan få tydeliggjort defekter i emner, som man ellers ville have svært ved at identificere – man kan nemlig også automatisere hele processen med at evaluere kvaliteten og finde defekterne. Og en af metoderne til dette er 'deep learning'.

- Operatøren hjælper i første omgang systemet ved at markere, hvor fejlen er tydelig. Når man har gjort det for en stor mængde data, vil man på et tidspunkt være i stand til at lave et deep learning-system, der kan lave de samme annoteringer på nye emner, systemet ikke har set før, fortæller Thomas Giselsson.

- Vi skal ikke fortælle computeren, hvordan den skal bygge systemet op. Det kan den selv finde ud af. Systemet vil så være i stand til at se mange af de fejl, vi i dag bruger mennesker til at identificere, tilføjer han.

- Det her foregår stadig på forsøgsstadie – og kvalitetskontrol er et led i VOLA’s udvikling og implementering af nye automationsløsninger, ligesom vores nye selvkørende robotter, der nu klarer dele af den interne logistik på fabrikken i Horsens, forklarer Peter Krogh.

Projektet med VOLA, B&O og Teknologisk Institut er del af MADE-forskningen inden for temaet Sensor Technology and Production Data, der er finansieret af Innovationsfonden. I juni 2020 er der aftalt session hos VOLA, hvor Teknologisk institut vil konkretisere muligheden for at indføre et automatiseringsanlæg i VOLA’s fabrik i Horsens.

Hvornår er noget en fejl?

Projektet udspringer af MADE-forskeren Anne Juhler Hansen fra AAU, der arbejdede med at undersøge visuel kvalitetskontrol for B&O, VOLA og LEGO.

- Der er mange aspekter, der går igen på tværs af brancher, men der er også mange ting, der er forskellige. Det gælder om at oprette et fælles sprog og se på, hvilke standarder der er på området, forklarer Anne Juhler Hansen.

I hendes i ph.d-afhandling studerede hun, hvordan man kan kvantificere fejl og oprette grænseværdier. Med andre ord, hvornår er noget en fejl – og en grim fejl, der skal føre til kassering af et emne?

- Vi mennesker er fejlbehæftede, og vi har forskellige meninger. Måske kan vi se en fejl i dag, som vi så ikke ville se i morgen. Derfor er det en stor udfordring at definere, hvornår en fejl er en fejl.

Et samspil mellem mennesker og maskiner

Systemet, som Anne Juhler Hansen igangsatte, er tænkt som et samspil mellem mennesker og maskiner.

- I første omgang tænker jeg ikke fuldautomatiske løsninger, men at give personale, der arbejder med visuel kvalitetskontrol, hjælp til at træffe beslutninger og forbedre kvalitetskontrollen.

Forskeren fra Aalborg Universitet er begejstret for, at GTS’er og produktionsvirksomheder nu viderefører hendes idéer og metoder, så det kan komme flere til gavn.

- Det bliver enormt spændende at følge fremadrettet, hvordan virksomheder vil forsøge at implementere det her. Vi kalder det æstetisk kvalitetskontrol, og det er virkelig svært at definere.

I det videre arbejde gælder det om, at computeren skal lære at tænke som mennesker og opleve fejl, ligesom vi gør.

- Jeg har arbejdet med det her område i flere år, så jeg er meget begejstret for at se videreudviklingen. Der er et stort potentiale for at udbrede løsningen til andre. En automatiseret kvalitetskontrol kan sikre ensartethed og overtage kedeligt, gentagende arbejde, som kræver skarpt fokus hele tiden, lyder det fra Anne Juhler Hansen.

​