인덱서블 인서트의 취급 및 결함 검사

이러한 프로젝트의 성공의 열쇠는 관련된 모든 당사자의 긴밀한 협력, 기술 전문성, 팀의 헌신입니다. Martin Tobias Lithner (Seco IIoT 책임자/데이터 과학자)는 프로젝트 구상 단계부터 Kyle Paulus (Seco 소결 엔지니어)와 함께 프로젝트를 추진하며 핵심적인 역할을 담당했습니다.

어플리케이션

금속 가공, 자동차 및 항공 우주 산업에서 최고의 공정 안정성과 최대 생산성을 보장해야 하는 이 스칸디나비아 기업의 생산 공정에서는 매주 약 120만 개의 인덱서블 인서트가 출고됩니다. 그들은 소결 공정을 사용하여 제조되며, 소결 공정이란 분말 금속, 경합 금속 및 기타 재료를 원하는 형상으로 압축한 다음, 열과 압력 아래에서 결합하는 과정입니다. 이 제품은 분말 금속, 경질 금속 및 기타 재료를 원하는 모양으로 압축한 후 소결(즉, 열과 압력을 가하여 함께 접착)하는 소결 공정을 사용하여 제조됩니다. 이렇게 생성된 강하고 튼튼한 구조로 필요한 절단 및 마모 저항 특성을 달성하기 위해 다양한 속성의 재료를 결합할 수 있습니다. 소결 공정 이후, 인덱서블 인서트의 가장자리는 라운딩 및 그라인딩되고, 표면은 블라스트 처리되고 그라인딩되며 코팅됩니다.

Swabia 지역 엔지니어들이 개발한 로봇 비전 시스템은 제조의 두 번째 단계인 시료화 공정 직후에 사용됩니다. Xactools의 기술 영업 총괄 디렉터인 Marvin Krebs는 시스템의 위치를 설명하면서 “과정 중에 결함을 조기에 발견할수록 그 결함을 수정하는 데 더욱 효과적이고 비용도 저렴해집니다”라고 말합니다. 총 8대의 고해상도 산업용 카메라와 2대의 스파이더 로봇을 사용하여 인덱서블 인서트의 결함을 검사하고 처리하며, 3개의 회전 테이블 네스트와 1개의 핀 팔레트를 각각 감시하고 적재합니다. DENKnet 인공지능은 카메라, 로봇 및 멀티 GPU 컴퓨팅 랙 사이에 복잡한 이미지 프로세싱 시스템의 핵심 역할을 합니다.

요구사항

작은 도구 부품의 어플리케이션만큼 그들의 특성과 형상도 다양합니다. 이 제조업체만 해도 2,800여 종의 제품을 보유하고 있으며, 약 100가지의 기하학 제품군으로 나뉠 수 있습니다. 이 모든 제품의 취급 및 결함 검사를 자동화하는 것이 목표였습니다. "첫 번째 어려움은 가루 압축 공정 내에서의 다양한 색상 변화에서 발생합니다,"라고 Marvin Krebs가 설명합니다. "만약 시간, 압력 또는 위치와 같은 특정한 매개변수가 변한다면, 이는 표면의 색상이나 윤광 수준의 편차 또는 점박이의 다른 분포로 이어질 수 있지만, 이것은 결함이 아닙니다." 사용된 AI 기반 이미지 평가 소프트웨어는 표면의 다양한 색상 편차를 올바르게 인식하고 이를 "OK"로 평가하기 위해 훈련되어야 했습니다. 반면에, 균열, 스크래치, 불순물 또는 다른 이상 현상과 같은 매우 작은 불규칙성들은 인식되어 "NOK"로 분류되어야 합니다. 금속 표면의 검사는 그 텍스처가 무광이거나, 반짝이거나 또는 반사될 수 있기 때문에 표면 검사의 가장 높은 기술 중 하나로 간주됩니다. "이 어플리케이션을 위해 AI는 다양한 변화와 조명 조건에 대한 훈련이 필요했습니다," Marvin Krebs가 강조합니다.

외관 뿐만 아니라 인서트의 기하학적 특성도 중요합니다. 매우 작은 편차 때문에 삼각형, 직사각형, 마름모 또는 정사각형과 같은 카테고리는 무수히 많은 변형에서 발견될 수 있습니다. 그래서 이들을 관리 가능한 하위 카테고리, 즉 기하학 제품군으로 분류합니다. Xactools는 망의 훈련을 위한 사전 선별을 실시했습니다. 거의 100가지의 기하학 제품군이 정의되고 훈련이 진행되었습니다. 힘든 작업처럼 보이는 이 작업은 의외로 시간이 많이 걸리지 않았습니다. "각 기하학 제품군을 가르치기 위해서는 20~30장의 이미지만 필요했습니다," Marvin Krebs가 회상합니다. 이를 위한 DENKnet 팔레타이징 AI는 DENKnet 세분화 및 분류 네트워크를 사용합니다. 고객이 직접 DENK VISION AI Hub를 통해 맞춤형 이미지 분석 솔루션을 학습시켰습니다. 단 몇 달 만에 AI가 생산 라인에 통합되었으며, 금속 부품 테스트에 거의 완벽하게 신뢰할 수 있는 AI 결과를 달성했습니다. "결함으로 식별된 인덱서블 인서트는 결함의 크기와 위치에 따라 분류됩니다." AI 이미지 분석은 생산 오류의 99% 이상을 감지합니다.

어떻게 시스템이 작동하는 것인가요?

5~30 MP 해상도의 카메라 여덟 대가 인덱서블 인서트의 실시간 이미지를 제공하며, 이들은 자석 또는 교체 가능한 그리퍼에 의해 위치가 조정됩니다. 예를 들어, 한 카메라는 각각의 인덱서블 인서트를 아래에서부터, 또한 위에서부터 기록하여 표면 결함을 확인합니다. 두 대의 다른 카메라는 절단 모서리를 확인합니다. 1 x 1 m 크기의 조명 스크린이 팔레타이징 스테이션에서 매우 강한 조명을 제공합니다. "이 시스템은 1000분의 1밀리미터 범위의 결함도 감지합니다."라고 Marvin Krebs는 강조합니다. 이는 나중에 가공될 고급 표면에 손상이 발생하지 않도록 보장합니다. "균일하지 않거나 결함이 있는 밀링 공정은 수익성과 경쟁력을 저하시킬 수 있기 때문입니다.” 라고 Seco의 데이터 과학자 Martin Tobias Lithner는 이야기 합니다.

"이 솔루션의 가장 큰 장점은 아주 작은 결함이나 불규칙성을 조기에 감지할 수 있다는 점입니다.” 인간과 달리 AI는 한 번 학습을 받으면 피로감이나 일관성을 잃지 않기 때문에 Seco의 인서트는 매번 동일한 높은 수준으로 검사됩니다. 경쟁력 측면에서 보면 그 영향은 상당합니다. Seco는 향후 더 높은 품질 표준과 운영 효율성 향상, 상당한 비용 절감 효과를 제공할 수 있을 것입니다. 본질적으로 혁신 주기를 가속화할 수 있는 역량을 확보하여 개선된 제품을 더 빨리 시장에 출시함으로써 경쟁업체를 앞설 수 있게 되었다고 Martin Tobias Lither는 강조합니다.

이러한 일이 생산 과정 중에 발생하는 것을 방지하고 최대한의 주의를 기울이기 위해 시스템은 표면 및 가장자리를 검사한 후 패널의 윤곽과 위치의 이미지도 기록합니다.

인덱서블 인서트가 어디에 위치하고 회전 위치가 어디인지 정확히 파악하여 자석 그리퍼가 최종적으로 핀 팔레트 위에 놓을 수 있도록 합니다. 이를 위해 인덱서블 인서트가 부착된 그리퍼는 아래에서 구멍의 정확한 위치를 감지하는 카메라 위로 이동합니다. 동시에, 인덱서블 인서트의 윤곽과 그리퍼의 외부 가장자리가 감지되어 인덱서블 인서트의 위치를 보정하고 필요한 경우 핀에 맞출 수 있습니다. 또한, 각 개별 핀 위치가 감지되어 휘어지거나 깨진 핀을 인식하여 처음부터 분리합니다.

99% 피킹 효율을 가진 고성능 AI 이미지 분석

Marvin Krebs에게 전통적인 이미지 프로세싱과 비교한DENKnet 시스템의 가치는 명백합니다: "AI가 없었다면 부품군을 생성하고 결함을 감지하는 것은 상상도 할 수 없었을 것입니다. 규칙 기반 이미지 프로세싱을 사용하면 로봇도 표준 범위 내의 부품을 NOK로 인식하여 분류했을 것입니다.” 게다가 Vision AI Hub 덕분에 하드 코딩이 필요하지 않으며, 네트워크의 유연성은 지능형 DENKnet 소프트웨어의 또 다른 선택 기준이었습니다.. "우리는 API를 통해 DENKnet 팔레타이징 AI와 결함에 대한 객체 클래스를 자체 Xactools 이미지 프로세싱 소프트웨어에 쉽게 통합할 수 있었습니다," Marvin Krebs가 말합니다.

이 솔루션의 성능은 거의 독보적이며 유일합니다. 전체 검사 프로세스는 4초의 사이클 타임으로, 거의 100%에 가까운 피킹 효율로 진행됩니다. DLL(동적 링크 라이브러리)을 통해 8대의 카메라에서 실시간 이미지를 분석하려면 막대한 컴퓨팅 성능이 필요합니다.

"DENKnet와 협력하는 데는 이유가 있습니다. 성능이 다른 업체들과 비교할 수 없을 만큼 정말 탁월합니다," Marvin Krebs가 강조합니다. "이런 규모의 다양한 변형으로 인공 지능을 사용하는 것은 이전에 없었습니다." 현재 구멍 감지를 더욱 간단하게 만들기 위한 추가적인 변형이 테스트 중입니다.