Automatische probleemherkenning
Van theorie naar praktijk
Als producent krijg je vaak te maken met problemen bij apparatuur en infrastructuur. Een visuele inspectie helpt dan om het exacte probleem vast te stellen. Door gebruik te maken van beeldherkenningstechnologie, eventueel gecombineerd met camerabeelden gemaakt met drones, kan je een afwijkingsrapport generen. Dit verlaagt je onderhoudskosten, vermindert de (machine)stilstand en verhoogt uiteindelijk de veiligheid binnen je bedrijf.
Toepassingen
Visuele inspectie is een essentieel onderdeel van het onderhoud van machines. Echter bemoeilijken bepaalde aspecten een visuele inspectie vaak. Eén zo een aspect is dat een technieker fysiek aanwezig moet zijn om het probleem vast te stellen. Een technieker is echter niet altijd aanwezig, en wanneer deze aanwezig is wil je deze zo efficiënt mogelijk inzetten. Met behulp van AI kun je dit eerste aspect aanpakken.
AI kan door middel van beeldherkenning visueel zichtbare defecten van apparatuur automatisch vaststellen. Een werknemer zonder kennis van de technische aspecten van de machine neemt dan bijvoorbeeld een foto van het defect. De AI analyseert dan automatisch over welk type defect het gaat en roept dan de meest geschikte technieker op. Dat spaart de technieker heel wat tijd uit om de controle in te plannen en uit te voeren, terwijl deze in de eerste plaats misschien niet eens de meest geschikte persoon was. Gelijkaardig kun je problemen met gewassen automatisch herkennen, zoals de aanwezigheid van ongewenste insecten (zie ook de toepassing slimme landbouw).
Een tweede aspect is dat problemen zich vaak pas opdringen wanneer de problemen ver genoeg gevorderd zijn. Enerzijds kan dat zijn omdat er visueel weinig waarschuwing is dat de machine stuk gaat gaan. In sommige gevallen zijn deze afwijkingen zelfs nog niet ver genoeg gevorderd om deze met het blote oog te kunnen waarnemen. Omdat je met AI met verschillende soorten camera’s kan werken, zoals bijvoorbeeld thermografische infrarood camera's, kun je bepaalde fouten in een vroeger stadium herkennen, waardoor problemen sneller en accurater behandeld worden. Voor meer informatie over problemen met machines vroeg herkennen, zie de toepassing predictief onderhoud.
Anderzijds kan dat zijn omdat een machine niet continue door een persoon opgevolgd kan worden, waardoor visuele waarschuwingen die er zijn niet altijd tijdig worden opgemerkt. Het in de gaten houden van breuken in de productieband, of het vaststellen van corrosie op machines. Dat kan je heel wat kosten uitsparen om je onderhoudsploeg te bemannen. Dat kan natuurlijk ook verder gaan dan problemen met de machines zelf. Eén van de risico's bij voedselproductie is wanneer onbekende voorwerpen per ongeluk in het product belanden, wat kan leiden tot verstikking of gebroken tanden. Met behulp van speciale camera's zoals röntgencamera's kan AI dergelijke problemen automatisch herkennen. Zie ook de toepassing kwaliteitscontrole.
Vereisten
Data
- Geannoteerde beelddata – afhankelijk van use case
- ~Beelden met en zonder te detecteren problemen
- Optioneel: Geannoteerde sensordata
- ~Vochtigheid, temperatuur...
- Optioneel: Voorgaande relevante gebeurtenissen in geanalyseerde omgeving
Hardware
- Camera
- Drone of voertuig
- Optioneel: Sensoren
Algoritme
- Classificatie-algoritme voor herkenning van beelddata
- ~Convolutional neural networks
- ~~Recurrent neuraal netwerk
Aandachtspunten
- De toepassing bepaalt het type algoritme. Voor binaire of categorische beslissingen (wel/niet oogsten, planten, bemesten besproeien) is de uitkomst van je algoritme een label en hoor je een classificatie algoritme te gebruiken. Indien de beslissing het vaststellen van een locatie (coördinaten op een beeld) is, heb je behoefte aan een regressie-algoritme.
- Mobiliteit is een factor. Afhankelijk van het type toepassing kan je voldoende hebben aan een statische camera die bijvoorbeeld een machine of een productielijn monitort. IN een alternatieve setting wil je echter dynamischer zijn in je detectie en wil je een camera of sensoren installeren op een voertuig (drone, robot...) In dit geval moet er naast het herkennen van het probleem ook een routeringsvraagstuk opgelost worden. Dit kan een voorgeprogrammeerde of zelfs een willekeurige route zijn. De selectie van het voertuig wordt in dit geval in ieder geval eveneens een overweging in je uiteindelijk ontwerp van een oplossing.
- Er zijn gespecialiseerde algoritmes voor het verwerken van beelddata. Indien je de herkenning voornamelijk op beelddata uitvoert, heb je nood aan een variant van een convolutional neural network. Wanneer je echter ook rekening wilt houden met een sequentie van voorgaande events, dan kan het zijn dat je een hybride netwerk met kenmerken van een recurrent netwerk nodig hebt. Indien je geen beelddata gebruikt, maar enkel sensor data of tabulaire data, dan wil je wellicht gebruik maken van een decision tree of een klassiek neuraal netwerk.
- Gebruik een relevante dataset voor training. Algoritmes voor beeldherkenning moeten getraind worden op beelden zoals ze die in de praktijk zouden te zien krijgen. M.a.w. beelden zijn idealiter gemaakt vanuit het standpunt van het voertuig, met een camera die dezelfde specificaties heeft als de camera(‘s) in dat voertuig.
- Toepassingen uit andere velden kunnen je oplossing een boost geven. Algoritmes voor beeldherkenning kunnen gebruik maken van transfer learning. In transfer learning train je geen volledig algoritme vanaf nul, maar start je van een model dat reeds getraind is op een andere toepassing. Vervolgens voer je verdere trainingsiteraties uit om het model bruikbaar te maken voor je eigen case.
Stappenplan
- Bepaal setting waarin probleem herkend moet worden
- ~Indien mobiele/dynamische setting: Bepaal voertuigspecificaties en selecteer voertuig
- Verzamel beelddata van bevestigde problemen en bevestigde niet-problemen
- Voorbereiden van beelddata
- ~Annotaties toevoegen met verwachtte voorspelling per beeld
- ~Opsplitsen in training en test set
- ~Normaliseren van beelddata
- Trainen van beeldherkenningsalgoritme
- ~Downloaden van pre-trained middel voor beeldherkenning
- ~Verder trainen van model op training set
- ~Finetunen van model a.h.v. validatieset
- ~Evalueren van performantie
- Deployen van getraind model in voertuig
- ~Deployen van model
- ~Beslissing integreren met aansturingsmechanisme
- Monitoren van performantie
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
