Камера контроля качества на базе AI своими руками

Проверка и контроль качества продукта — утомительная задача, если выполнять ее вручную. Это требует правильной зрительно-моторной координации, которая может утомлять после длительной работы, что приводит к серьезным ошибкам и, таким образом, влияет на точность процесса.

Итак, чтобы решить эту проблему и сделать процесс более надежным, сегодня вы научитесь создавать камеру контроля качества на основе AI, с помощью которой вы сможете создать модель ML для обнаружения дефектов в деталях/производственных дефектах продукции на заводской сборочной линии. В камере используется плата SBC, которая запускает предварительно обученную модель для целей мониторинга.

Спецификация

Начните с покупки следующих компонентов. 

Наборы данных для фидов 

Для создания модели ML вы можете использовать различные платформы, такие как TensorFlow, Google’s Teachable Machine, Lobe, Edge Impulse и т. д. Поскольку здесь используется Edge Impulse, ниже приведены команды для его установки:

curl -sL https://deb.nodesource.com/setup_12.x | судо баш -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
Конфигурация npm устанавливает пользователя root && sudo npm install Edge-impulse-linux -g --unsafe-perm

После установки запустите Edge Impulse, используя следующую команду в терминале: 

Edge-impulse-linux

После этого вы увидите экран входа в систему для запуска Edge Impulse из Интернета GUI. При входе в систему вам будет предложено выбрать проект для подключения. Затем указывается имя проекта и его URL-адрес, чтобы вы могли начать подачу набора данных для обучения и тестирования модели ML. 

Если вы подключили камеру RPi к плате Raspberry Pi, то вы сможете просмотреть видеовыход камеры, открыв ссылку. Теперь соберите перед камерой правильные объекты или части и пометьте их. Обязательно передайте набор данных. 

Повторите тот же процесс и загрузите изображения деталей с производственными дефектами. Здесь я использовал детали Lego для обучения и тестирования. 

Обучающая модель ML 

Далее перейдите в меню «Поезд». Выберите изображение для обработки и Keras для обучения. 

Затем создайте функцию и параметр для модели ML для изучения. Получив возможность добавлять уровни для нейтральных сетей и модели мобильной сети SSD, используйте модель мобильной сети SSD v2 для обучения и тестирования модели ML. После получения возможности настройки модели выбираем плату; здесь т. е. RPI 4, и используйте модель. 

Развертывание 

После тестирования модели разверните ее, перейдя в меню развертывания и выбрав плату. Поскольку здесь используется плата RPi, выберите плату Linux. После этого наша модель будет готова к развертыванию. Вы также можете подключить дисплей HDMI LCD или SPI LCD к RPI. Чтобы просмотреть результат, выполните следующую команду: 

edge-impulse-linux-runner

Теперь появится новый GUI, который будет отображать результаты с видеопотоком с камеры. 

Рекомендуется: AI Инженерные проекты.

Тестирование 

Когда вы запустите Impulse, вы получите URL-адрес. Когда он открывается в веб-браузере RPi, видеопоток с камеры в реальном времени отображается на экране LCD. Направьте камеру на сборочную линию для проверки производственного дефекта.