
Urządzenie kontroli jakości i optymalizacji wykorzystania materiału dla producentów stali
Projekt
Urządzenie kontroli jakości i optymalizacji wykorzystania materiału dla producentów
stali i/lub urządzeń ze stali nierdzewnej
Połączenie systemów kontroli jakości z aktywnym Nestingiem oraz możliwością znakowania elementów
Korzyści dla nauki i techniki :
- Ograniczenie strat materiału oraz kosztów eksploatacji;
- Dostarczenie skalowalnego rozwiązania, z możliwością adaptacji
do istniejących linii produkcyjnych;
- Wykorzystanie deep learning (uczenie maszynowe) do samodoskonalenia;
- ERP ready – urządzenie gotowe do implementacji wymiany danych
z nadrzędnym systemem (np. ERP);
Cel badawczy projektu
Zamierzamy zbadać możliwości bezpośredniego wbudowania analizy spektralnej opartej na teorii falek do konwolucyjnej sieci neuronowej. Jednym z ważnych pomysłów na wykorzystanie falek jest detekcja krawędzi i różnicy pomiędzy obrazami.
Modelowanie analityczne
W ramach zadania zaplanowano na bazie sformułowanych założeń opracowanie dokumentacji projektowej na potrzeby wykonania prototypu. Zadanie obejmie swoim zakresem dobór metod analizy wyników pomiarów w aspekcie określonych celów.
Zadanie zostanie wykonane przez pracowników B+R Wnioskodawcy oraz pracownika jednostki naukowej, który zostanie zaangażowany w ramach umowy stażowej.
Analiza i opracowanie algorytmów uczenia maszynowego
W ramach zadania zostanie przeprowadzona analiza oraz nastąpi opracowanie algorytmów uczenia maszynowego w kontekście badania zgodności obszarów przy zastosowaniu systemów optyczno-wizyjnych oraz funkcji Nestingu. W trakcie analiz badana będzie możliwość wykorzystania teorii falek (ang. wavelets) do budowy sieci neuronowych (np. typu CNN) i jej wykorzystanie w obszarach rozpoznawaniu obrazów. Jednym z badanych wątków będzie badanie funkcjonalności i skuteczności na wykorzystanie falek w detekcji krawędzi oraz analiza powierzchni badanego materiału. W ramach zadania dokonany zostanie ponowny przegląd aktualnego stanu wiedzy w zakresie rejestracji materiału badawczego nt. analizy obrazów przechwyconych za pomocą systemów wizyjnych, z uwzględnieniem technik zapewniających powtarzalność uzyskiwanych wyników, zarówno pod np. kątem jakości, kolorystyki geometrii lub innych potencjalnie użytecznych w procesie detekcji obiektów badanych. Przeprowadzona zostanie analiza dostępnych na rynku rozwiązań w zakresie aplikacji do rejestracji obrazu w sposób tradycyjny, ewentualnie przystawek optycznych do rejestracji obrazu oraz aktywnego Nestingu.
Opracowane i przetestowane zostaną rozwiązania optyczne umożliwiające najefektywniejszą akwizycję obrazu i weryfikację oraz dalszą wymianę.
Przeprowadzenie testów funkcjonalnych z próbą testową (wykonanie eksperymentu czynnobiernego)
Wskazane zadanie będzie realizowane dwutorowo: przez pracowników B+R naszej firmy oraz jednostkę naukową. Wspólnie z nią przeprowadzone zostaną testy na prototypie z odzwierciedleniem warunków produkcyjnych przy założeniu braku możliwości wnoszenia zmian i korekt do projektu. Testy będą weryfikowane pod kątem zgodności z wymaganiami. Jednostka naukowa zajmie się pracami obejmującymi:
a) opracowanie metodologii procesu testowania;
b) przeprowadzenie testów funkcjonalnych;
c) stworzenie raportu z przeprowadzonego procesu testowania.
W punkcie B1 zaznaczono, że począwszy od modelowania analitycznego Wykonawca wspiera się pracownikami B+R Wnioskodawcy (w tym pracownikami nowo zatrudnianymi posiadającymi doświadczenie w realizacji prac B+R) oraz pracownikiem jednostki badawczej (w ramach umowy stażowej). Na końcowym etapie JB jako niezależna instytucja będzie w stanie przeprowadzić obiektywne i bezstronne testy funkcjonalne, które potwierdzą osiągnięcie założonego w projekcie poziomu funkcjonalności maszyny.
Ponadto Wnioskodawca założył zatrudnienie nowych pracowników, którzy posiadają doświadczenie w realizacji prac B+R realizowanych na jednostkach naukowych, a tym samym można wskazać, że będziemy wykorzystywać potencjał typowy dla jednostki badawczej. Zlecanie całości usługi badawczej nie jest jednak zasadne w tym przypadku, ponieważ Wnioskodawca zamierza zbudować własny potencjał badawczy i wdrożyć CBR, a więc docelowo samodzielnie prowadzić prace badawcze przewidziane w chwili obecnej dla jednostki badawczej. Kolejne zlecenie weryfikacji wyników zewnętrznej jednostce badawczej ma na celu między innymi stwierdzenie, czy proces badawczy przeprowadzony własnymi środkami został dokonany prawidłowo, a zatem czy wytworzona przez Wnioskodawcę substancja zaplecza B+R osiągnęła wymagany do samodzielnego prowadzenia badań poziom rozwoju.
Z kolei nasi pracownicy B+R będą realizować testy dokonywać odpowiednich nastaw urządzenia, opracowanie dokumentacji oraz udzielanie niezbędnych informacji wymaganych przez jednostkę do przeprowadzenia testów na wymaganym poziomie dokładności.
Etap ten przeznaczony zostanie na realizację prac finalizujących proces kreowania nowego rozwiązania. Przeprowadzone zostaną kompleksowe testy w warunkach laboratoryjnych odwzorywujące rzeczywiste warunki operacyjne. Efektem prac przeprowadzonych w ramach tego zadania będzie w pełni funkcjonalny demonstrator wraz z dokumentacją wykonawczą, umożliwiający powielenie w warunkach produkcyjnych.
Centrum Badawczo-Rozwojowe Visacom
Oferujemy dostęp do najnowocześniejszych technologii badawczych
oraz zapewniamy naszym Klientom współpracę z wykwalifikowaną kadrą specjalistów.
Zakres działalności naszego centrum obejmuje kompleksowe badania
z obszaru analizy obrazu, wirtualnej rzeczywistości, monitorowania kondycji, zarządzania produkcją, zarządzania zasobami przedsiębiorstwa oraz wiele innych.
Bibliografia:
Salem Said, Lionel Bombrun, Yannick Berthoumieu, Jonathan Manton, Riemannian Gaussian Distributions on the Space of Symmetric Positive Definite Matrices, IEEE Transactions on Information Theory (Volume: 63 , Issue: 4 , April 2017).
Shin Fujieda, Kohei Takayama, Toshiya Hachisuka, Wavelet Convolutional Neural Networks, https://arxiv.org/abs/1805.08620.
Habibi Aghdam, Hamed, Jahani Heravi, Elnaz, Guide to Convolutional Neural Networks, Springer 2017.
Publikacje: [1] Shin Fujieda, Kohei Takayama, Toshiya Hachisuka, Wavelet Convolutional Neural Networks, https://arxiv.org/abs/1805.08620 [2] Pengju Liu; Hongzhi Zhang; Wei Lian; Multi-Level Wavelet Convolutional Neural Networks, Wangmeng Zuo, https://ieeexplore.ieee.org/document/8732332
[3]Yixiao Liao; Xueqiong Zeng; Weihua Li, Wavelet transform based convolutional neural network for gearbox fault classification, https://ieeexplore.ieee.org/document/8079274 [4] Moonheum Kim; Junghyun Lee; Jechang Jeong, A despeckling method using stationary wavelet transform and convolutional neural network, https://ieeexplore.ieee.org/document/8369651