Nincs két egyforma zsemle – ezt kellett megtanulnia a neurális hálónak
Egy német pékárugyártó a Siemens mélytanulásra épülő rendszerét tanította meg arra, amire eddig csak az emberi szem volt képes.
A fogaskerékkel viszonylag könnyű dolga van a kamerának és a mögötte dolgozó gépi látásnak: vagy pontosan olyan, mint a minta, vagy megy a selejtbe. Kedvenc reggeli péksüteményünk esetében azonban ez nem működik, mert a mérete és a bevágása mindig kicsit más, ráadásul még az időjárás is belejátszik a formájába.
A fagyasztott, készre sütött zsemléket is gyártó Coppenrath & Wiese a németországi Mettingenben működik. Nyolc zsemlegyártó során naponta akár 4,5 millió darab készül, és a kapacitást tovább bővítenék. A Siemens 2025 végén kiadott esettanulmánya szerint
a cég fiatal mérnökcsapata a tortáktól és desszertektől a zsemlékig minden termékcsoportnál a gyártás teljes folyamatára keres digitális megoldásokat.
Monoton munka, szubjektív döntés
A zsemlék minőségét eddig emberek ellenőrizték, szemrevételezéssel. A dolgozókat betanították, a munkaállomásukon pedig képek mutatták a minőségi elvárásokat és a lehetséges hibákat. A végső döntés ennek ellenére mindig szubjektív maradt. A munka még úgy is monoton és fárasztó volt, hogy a dolgozók kétóránként váltották egymást az ellenőrzésnél.
Egy automatizált rendszer azonban nem fárad el, és mindig ugyanazon minőségi szempontok szerint dönt. A cég ettől egységesebb, valós idejű ellenőrzést várt. A munkatársainak pedig értékesebb feladatokat szánt.
Szabálykönyv helyett példák
A kamerás minőségellenőrzés „agya” a gépi látás: az a szoftver, amely a felvételeket kiértékeli, és eldönti, jó-e a termék. Hagyományosan szabályok alapján dolgozik. A mérnök előre rögzíti, mekkora, milyen alakú és milyen színű lehet a hibátlan darab, a program pedig minden képen ezeket méri le.
Ha a termék mindig ugyanolyan, ez megbízható módszer. A zsemlénél viszont olyan sok a természetes eltérés, hogy szinte lehetetlen minden esetre előre szabályt írni.
A mélytanulásnál a szoftver előírások helyett példákat kap: képeket jó és hibás darabokról, amelyeken ember jelölte meg, melyik a megfelelő és melyik a félresikerült. Ezekből tanul, és maga ismeri fel, mi különbözteti meg a kettőt.
Ehhez úgynevezett neurális hálót használ. A kifejezés az emberi agyra utal. Ahogy ott idegsejtek milliárdjai adják tovább egymásnak a jeleket, úgy a neurális hálóban is rengeteg egyszerű számolóegység kapcsolódik össze. Egy-egy egység csupán annyit tesz, hogy a kapott számokból újabb számot állít elő, és továbbadja.
A számolóegységek rétegekbe rendeződnek, és a kép adatai egymás után haladnak át ezeken, akár egy válogatósor állomásain. A „mély” jelző arra utal, hogy nagyon sok ilyen réteg épül egymásra. Az első rétegek jellemzően egészen egyszerű dolgokat ismernek fel a képen, például éleket és színátmeneteket. A következők ezekből raknak össze összetettebb formákat, a zsemlénél mondjuk a bevágás ívét vagy a héj, vagyis a ropogós külső kéreg mintázatát.
A tanulás abból áll, hogy a háló minden tévedés után kicsit módosítja, melyik kapcsolat mekkora súllyal számítson. Így a gép válaszai lépésről lépésre egyre pontosabbak lesznek.
Lényegében így tanultak a Coppenrath & Wiese emberi ellenőrei is a fentebb említett mintaképekből, a többit pedig a gyakorlat adta hozzá.
„Mindig hiányzott valami”
A projekt az esettanulmány kiadása előtt nagyjából két évvel indult, kétnapos „design thinking” workshoppal. A design thinking olyan csoportos ötletelési módszer, amely a felhasználók valós problémáiból indul ki. Eredetileg más alkalmazási területről lett volna szó, a figyelem azonban gyorsan az AI-alapú minőségellenőrzésre terelődött. A Coppenrath & Wiese addigra már több kamerás és képfeldolgozó rendszert is kipróbált.
„A tesztelt megoldásokból mindig hiányzott valami. Az eredmények nem elégítettek ki minket, ezért voltunk nyitottak a Siemens AI-megoldására” – idézte fel Christian Struck, a Coppenrath & Wiese automatizálási és robotikai mérnöke.
A Siemens mellett a korábbi közös projektek jó tapasztalatai szóltak. Ezenkívül a vállalat szakértelme is számított a mesterséges intelligencia, a gépi látás és az automatizálás, valamint az ipari edge computing, vagyis az adatok helyben, a gépek mellett történő feldolgozása terén. A workshopból kísérleti projekt lett: az AI-alapú ellenőrzést először egy fehér zsemlét gyártó soron tesztelték. A próbaüzemet Christian Struck a Siemens munkatársával, Astrid Pennerrel közösen valósította meg.
Kamera a futószalag fölött
A megoldás alapja a Siemens Visual Inspection Cockpit (VIC) nevű rendszere, amely a mélytanulást a klasszikus, szabályalapú gépi látással ötvözi. A képeket speciális megvilágítású ipari kamera készíti, közvetlenül a futószalag fölött. Minden zsemléről több felvétel készül, a rendszer pedig azonosítóval követi, hol tart éppen az adott darab a szalagon. A több felvétel és a pontos nyomon követés együtt biztosítja a megbízható eredményt.
A képfeldolgozás helyben, a gyártósor mellett zajlik, egy SIMATIC IPC BX-59A típusú ipari számítógépen. Az ilyen, a gépek közvetlen közelében működő eszközök neve edge (perem-) eszköz. A számításokat Nvidia grafikus processzor (GPU) végzi. Ezek a chipek eredetileg számítógépes grafikához készültek, de a neurális hálók műveleteit is nagyon gyorsan hajtják végre. Az eszköz a gyártósort irányító SIMATIC S7-1500 vezérlőhöz kapcsolódik.
Biztonsági okokból az üzemi gépeket összekötő hálózatot fizikailag elválasztották az irodai informatikától: nem lehetséges külső hozzáférés, például felhőn keresztül. A rendszer ettől még gond nélkül illeszkedik a meglévő Siemens-automatizálásba. A frissítéseket és a bővítést központilag, az Industrial Edge platformon és az Edge Hubon keresztül kezelik.
A VIC kezelőfelülete a gyártócsarnokból és az irodákból is elérhető. A Siemens ezt lépésnek tekinti afelé, hogy a gyári gépek világa és az irodai informatika közelebb kerüljön egymáshoz. A telepítésben és az integrációban a Coppenrath & Wiese informatikai osztálya is végig részt vett.
Ami a fogaskeréknél működik, a zsemlénél nem
A Siemens szerint a VIC-et kifejezetten a nem szabványos termékek gyártás- és minőségellenőrzésére fejlesztették. A vállalat ezt valódi piaci résnek tartja, mert a legtöbb ilyen rendszer merev, mindig azonos darabokra készül, például fogaskerekekre. A zsemléknél viszont minden darab kicsit más, még a héj szerkezete is, igaz, csak bizonyos határokon belül.
A VIC betanításához kevés kép is elegendő, így annál fontosabb a pontos tanítás és a beállítások gondos finomhangolása. A mesterséges intelligenciának rugalmas tűréshatárokkal kell dolgoznia, vagyis az elfogadható eltérés mértéke a körülményekhez igazodik. Számolnia kell az évszakonként változó tényezőkkel, például a hőmérséklettel és a páratartalommal, valamint a nyersanyagok kisebb ingadozásaival. A hibás zsemléket pedig mindezek mellett is megbízhatóan ki kell szűrnie.
„Meg kellett tanítanunk a mesterséges intelligenciát arra, hogy úgy lásson, ahogy dolgozóink tapasztalt szeme. Egy olyan természetes terméknél, mint a zsemle, ez komoly kihívás.” – magyarázta Struck.
Minden fehérzsemle-sorra kiterjesztik
„A Siemens megoldása pontosan az, amit elképzeltünk” – mondta Struck az eredményről. A kedvező tapasztalatok és a könnyű bővíthetőség miatt a VIC-et most a Coppenrath & Wiese összes fehérzsemle-gyártósorára telepítik. Mivel ezeken a gyártási folyamat és az ellenőrzött termék is azonos, a bevezetés minimális ráfordítással megoldható.
Új pékárunál vagy más termékcsoportnál, például tortáknál és süteményeknél már módosításokra, mindenekelőtt a mesterséges intelligencia újratanítására lenne szükség.
Ezt a cég saját csapata is el tudja végezni. A rendszer nyitott csatlakozási pontjainak, úgynevezett interfészeinek köszönhetően a belső mérnökök maguk kezelik a bővítést, a beállításokat és a továbbfejlesztést, új minőségi szempontok bevonásakor is. Ehhez a Python programozási nyelvvel és az OpenCV nevű, nyílt forráskódú képfeldolgozó programkönyvtárral szerzett tapasztalatukra építenek. Az eredményes próbaüzem után a Coppenrath & Wiese már olyan jól ismeri a rendszert, hogy saját erőből viszi tovább az új ellenőrzési szempontokat és a további sorokra való kiterjesztést.
„Munkatársaink kezében most kiváló eszköz van arra, hogy önállóan optimalizálják a folyamatainkat. Ez hatékonyságot hoz, és a csapatban a személyes felelősségvállalást is erősíti” – mondta Struck.
Tompa kés, egyenetlen sütő
A VIC egyelőre „csak” válogat, az általa gyűjtött adatok azonban további felhasználásra is alkalmasak. Ezek alapján a termékminőség számszerűen is értékelhető, és visszamenőleg is követhetők a trendek, a visszatérő hibák és a gyártási tételek közötti eltérések. A Siemens szerint ez az alapja a zárt hurkú gyártásnak.
A hagyományos gyártásban a minőséget többnyire a sor végén ellenőrzik. A zárt hurkú rendszer viszont valós időben avatkozik be: a cél az, hogy korán észlelje az eltérést, és a gyártás megfelelő pontján automatikusan korrigáljon, mielőtt a hiba kialakulna vagy továbbterjedne.
Jó példa erre a bevágás. A nem tiszta bevágás tompa késre utalhat, ám ezt a VIC képein ma csak a tapasztalt pékek veszik észre. Elképzelhető, hogy a rendszert egyszer erre is betanítják, a pontos időpont és a gyártási környezet rögzítésével. Így követhető lenne, mikor és milyen gyakran jelentkezik az eltérés, és összefügg-e bizonyos gyártási körülményekkel, például a késcsere esedékességével. Zárt hurkú rendszerben ez az információ automatikusan eljuthatna a karbantartáshoz vagy a gyártásirányításhoz. Ott még azelőtt kicserélhetnék a késeket, hogy eltompulnának, vagy módosíthatnák a vágási beállításokat.
Hasonló a helyzet a barnulással. Az egyenetlen barnulás a kemence egyenlőtlen hőeloszlására utalhat. Megfelelő tanítás után a mesterséges intelligencia hamarosan felismerheti ezeket a mintázatokat, és szólhat a technikusoknak, hogy állítsanak a sütőn. Hosszabb távon az AI-modellek a visszajelzésen túl maguk is beavatkozhatnának a gyártás irányításába, és önműködően módosíthatnák a beállításokat.
A VIC egészen más területeken is dolgozik: a Procter & Gamble gyáraiban például percenként akár 2400 ellenőrzést végez, ahogy erről korábban részletesen írtunk.