Deep Learning與機器視覺提高Velux公司的生產效率

Velux公司專門生產高品質窗戶及相關配件。為了始終能夠提供最佳解決方案，該企業軟體部門開發出了一項應用程式，用於實現生產與品質管理的自動化。此外，Velux還採用了圖像處理技術，打造更高效的生產與安裝流程——並且在SICK的人工智慧與Deep Learning助力下，效率得到進一步提高。

Lasse Hedeby是Velux A/S首席自動化程式設計師，負責帶領機器視覺解決方案開發團隊。他是位熱愛工作且知識淵博的程式設計師，深知開發基於規則的圖像處理解決方案的軟體是一個非常耗時的流程。

Deep Learning——提高效率，並更有效地發揮員工的作用

當Lasse Hedeby得知SICK推出了Deep Learning解決方案時，他就設想：如果公司那些高素質的員工不用再負責完成單調的工作任務，就能更有效地發揮他們的作用，提高公司的效率。

Deep Learning是人工智慧的分領域，它以神經網路為基礎，可模仿人類的視覺、感知及決策行為。近年來，與之相關的技術在使用便利性方面有了大幅度提高，並且擺脫了對複雜的計算機基礎設施的依賴。在過去，正是這樣的基礎設施讓大多數企業無法應用相關的解決方案。如今，Deep Learning解決方案在緊凑型工業控制器上就能運行——因此對於工業用途而言更加便捷，也更加重要。

200工時節省至20工時

過去，Velux Danmark A/S是由人工檢查所生產窗戶的零件，以確保產品品質。盡管這項制度一直順利發揮了作用，卻存在若干局限。根據員工熟練程度不同，對元件的評估可能存在偏差。員工需要快速工作，並且一整天都執行這些檢測，這其中也蘊含著員工「眼前一成不變」的風險。面對這些局限，Lasse Hedeby決定採用攝影機檢查，幫助操作人員完成這項人工勞動。

然而這對Hedeby意味著額外的工作量大幅增加，因為Velux A/S擁有大量分流程，必須對這其中每個流程開發出用於新機器視覺系統的新軟體。為所有流程編寫一個基於規則的軟體，輕輕鬆鬆就要耗費多達200工時。採用基於SICK AppSpace的Deep Learning解決方案後，Hedeby成功將新軟體的開發所用時間縮短為原來用時的一個零頭（20小時）。

在最近的一個專案中，該企業採用了SICK的智慧型解決方案，檢查百葉窗的一個部件——鋁合金型材是否充分填充有聚乙烯泡沫。檢查並不是件易事，因為泡沫在噴射到型材內時膨脹並不均匀。對填充程序的評估並不能簡單地說是好或差。

開展密切合作解決問題

訓練軟體辨識準確填充的型材的工作很快就完成，並取得了滿意的結果，但流程本身卻不盡如人意。型材又長又薄，因此利用攝影機檢查型材時，與評估相關的資訊僅佔圖像的很小一部分。解決方案要求調整標準型SensorApp，將SICK圖像處理感測器的圖像分為三個獨立圖像，以提高Deep Learning演算法的效率。

Velux A/S與SICK的軟體工程師在解決方案開發過程中互幫互助，這項合作使雙方團隊受益。Lasse Hedeby說他「從來沒有見過哪家供應商像SICK這樣靈活配合並提供有力支援」。反過來，SICK團隊則非常高興能與這樣一位積極進取的夥伴開展合作，並感恩自己擁有這位滿意度高的客戶。

邁向工業自動化的未來

Lasse Hedeby已經在著手處理下一個任務，即藉助人工智慧確保在夾具中安裝並擰緊螺絲釘。基於規則的普通機器視覺難以完成這項任務，因為金屬及螺絲釘都會呈現大相徑庭的表面並伴隨大量光反射。不過初步方案看起來大有前途。SICK的Deep Learning解決方案能夠輕鬆解決一系列此類複雜問題，這讓人們看到，Deep Learning將是實現未來基於攝影機的檢查與工業自動化的途徑。

更多文章

Intelligent Inspection SensorApp：為感測器帶來Deep Learning能力

閲讀詳細內容

每一項操作都看在眼中：RIBE Anlagentechnik公司推出攝影機監控型安裝設備

閲讀詳細內容

Deep Learning是成就高效率的未來

閲讀詳細內容