IBM Maximo Visual Inspection v praxi: co dokáže a jak připravit úspěšný pilot

Kdy dává IBM Maximo Visual Inspection smysl, co ovlivňuje spolehlivost rozpoznání a jak připravit pilot, který ověří skutečný přínos pro údržbu nebo kontrolu kvality.

Kamera kontroluje kovovou přírubu a systém zvýrazňuje nalezenou povrchovou vadu.

Dokáže kamera spolehlivě rozpoznat poškození, chybějící součást nebo nesprávnou montáž? IBM Maximo Visual Inspection (MVI) umožňuje vytvářet modely počítačového vidění, které vyhodnocují snímky zařízení a výrobků. Výsledek může technika upozornit na podezřelý stav nebo podpořit automatizovanou kontrolu.

Samotné pořízení MVI však ještě nezaručí spolehlivou inspekci. O výsledku rozhoduje především dobře vymezený úkol, reprezentativní obrazová data, podmínky snímání a jasně určený postup po nalezení vady. Proto je vhodné začít omezeným pilotem a předem určit, podle čeho se vyhodnotí jeho úspěšnost.

Co MVI skutečně dělá

MVI využívá umělou inteligenci k analýze obrazu. V prostředí bez nutnosti programování lze připravovat data, označovat požadované objekty nebo stavy, trénovat modely a následně je nasazovat pro vyhodnocování nových snímků.

V praxi se nejčastěji uplatní dva typy úloh:

  • klasifikace obrazu určí, do které předem definované kategorie snímek patří, například vyhovující nebo nevyhovující stav;
  • detekce objektů vyhledá a označí konkrétní objekty nebo vady a určí jejich polohu ve snímku nebo videu.

MVI tedy není univerzální kamera, která sama porozumí každému zařízení. Model se učí řešit konkrétní vizuální úkol podle dat, která dostane. Pokud není rozdíl mezi správným a vadným stavem na obraze dostatečně viditelný, samotná AI jej spolehlivě nenahradí.

Kde může vizuální kontrola pomoci

Vhodným případem může být například:

  • rozlišení správně a nesprávně sestaveného výrobku,
  • kontrola přítomnosti nebo polohy součásti,
  • vyhledání určitého typu povrchové vady,
  • rozpoznání viditelného poškození, koroze nebo úniku,
  • kontrola opakujícího se stavu zařízení,
  • dohled nad bezpečností pracoviště, například blížící se manipulační vozík nebo chybějící ochranná pomůcka,
  • ochrana majetku, například detekce zlodějů na snímcích CCTV kamer,
  • detekce ze snímků infrakamery a heatmap,
  • detekce z RTG snímků,
  • detekce z ultrazvukových snímků,
  • předběžné třídění snímků, které následně posoudí odborník.

Rozhodující není obor ani velikost zařízení, ale opakovatelnost úkolu. Čím přesněji lze popsat, co se hledá a jak vypadá správný a nesprávný stav, tím lépe lze navrhnout data, testování i následný proces.

Naopak obtížný bude případ, kdy vady nejsou na běžném snímku rozeznatelné (nekvalitní snímek) nebo je výsledek závislý na informacích, které kamera nevidí. V takové situaci může být vhodnější kombinace obrazu s měřením, historií zařízení nebo rozhodnutím zkušeného technika.

Mobilní kontrola, nebo automatizace na edge zařízení?

IBM Maximo Visual Inspection umožňuje nasazovat vizuální modely na mobilní i edge zařízení, a to ve dvou odlišných provozních scénářích.

Při mobilní kontrole pořídí snímek technik přímo na místě. MVI Mobile podporuje lokální i vzdálené vyhodnocování modelů pro klasifikaci obrazu a detekci objektů. Maximo Application Suite 9.2 navíc zdůrazňuje lokální inferenci přímo na zařízení. Technik tak může získat výsledek bez odesílání každého snímku ke vzdálenému zpracování. Veřejná produktová stránka IBM v současnosti u aplikace MVI Mobile výslovně uvádí iPhone (Android pouze vzdálené zpracování na serveru); vhodnost konkrétního zařízení je proto nutné ověřit už při návrhu řešení.

MVI Edge je určeno pro opakované nebo průběžné kontroly prostřednictvím připojených kamer, specializovaných zobrazovacích systémů, dronů nebo zařízení umístěných ve vozidlech. Model se spouští blízko zdroje obrazu a může rychle reagovat na zjištěný stav.

Lokální inference však neznamená, že celý životní cyklus řešení funguje bez infrastruktury a konektivity. Stále je nutné řešit přípravu a správu modelů, jejich distribuci, synchronizaci výsledků, zabezpečení a návaznost na provozní proces.

Nejdůležitější část projektu jsou snímky

Model se neučí z popisu v zadání, ale z předložených příkladů. Potřebuje snímky, které odpovídají skutečným podmínkám budoucí kontroly. Nestačí několik ideálních fotografií pořízených na stole, pokud se má řešení používat v hale, venku nebo na zařízení z různých úhlů (ve dne i v noci, ve všech ročních obdobích).

Datová sada by měla zachytit zejména:

  • správné i vadné stavy,
  • běžné varianty zařízení nebo výrobku,
  • rozdílné osvětlení, pozadí, vzdálenost a úhel,
  • nečistoty, odlesky a částečné zakrytí, pokud se v provozu vyskytují,
  • případy, které jsou si podobné, ale mají vést k odlišnému výsledku.

Počet snímků nelze určit jedním univerzálním číslem. Záleží na složitosti vady, proměnlivosti prostředí a požadované spolehlivosti. Důležitější než vysoký počet téměř stejných fotografií je dostatečně pestrý a správně označený soubor příkladů.

Přesnost sama o sobě nestačí

Výsledek pilotu nelze hodnotit pouze jedním procentem přesnosti. V provozu mají různé chyby rozdílné důsledky:

  • přehlédnutá vada může způsobit odstávku, reklamaci nebo bezpečnostní riziko;
  • falešné upozornění zvyšuje počet zbytečných kontrol a postupně snižuje důvěru uživatelů.

Před trénováním je proto nutné určit, která chyba je pro daný proces závažnější. Model se následně ověřuje na oddělených snímcích, které při učení nepoužil. MVI 9.2.0 rozšířilo práci s životním cyklem modelu mimo jiné o validaci natrénovaného modelu proti uživatelským referenčním datům „ground truth“.

Ani dobře otestovaný model by neměl být považován za neměnný. Nový typ výrobku, jiné osvětlení, výměna kamery nebo změna prostředí mohou jeho výsledky ovlivnit. Součástí provozu proto musí být sledování chyb, verzování modelů a řízené doplňování nových příkladů.

Co se má stát po nalezení vady

Rozpoznání vady není konečným výsledkem. Skutečný přínos vzniká až tehdy, když na něj naváže srozumitelná akce. Podle závažnosti může být výsledkem například:

  1. upozornění technika a jeho potvrzení,
  2. doplnění výsledku inspekce,
  3. předání snímku specialistovi,
  4. založení požadavku na zásah nebo pracovního příkazu,
  5. zastavení či vyřazení výrobku podle pravidel konkrétního procesu.

Ne každé rozpoznání musí automaticky vyvolat práci. U méně jistých nebo kritických případů je vhodné zachovat kontrolu člověkem. Automatizovat lze až rozhodnutí, pro která jsou známá pravidla, ověřená spolehlivost a jasně určená odpovědnost.

Jak připravit smysluplný pilot

První pilot by měl ověřit jeden přesně vymezený případ, nikoliv všechny vizuální kontroly organizace současně.

Praktický postup může vypadat takto:

  1. Vymezit rozhodnutí. Co přesně má model poznat a co se má po zjištění stát?
  2. Prověřit viditelnost. Dokáže požadovaný rozdíl spolehlivě rozlišit člověk na snímku pořízeném zamýšleným zařízením?
  3. Připravit data. Shromáždit a správně označit reprezentativní snímky včetně hraničních případů.
  4. Oddělit testovací sadu. Model musí být hodnocen na obrazech, které při trénování neviděl.
  5. Stanovit přijatelné chyby. Určit požadavky na zachycení vady i toleranci falešných upozornění.
  6. Ověřit provozní scénář. Vyzkoušet skutečné zařízení, osvětlení, konektivitu, rychlost odezvy a práci uživatelů.
  7. Navrhnout návaznost. Rozhodnout, kam se výsledek uloží, kdo jej potvrdí a jak vznikne další úkol.

Úspěšný pilot nemusí skončit okamžitým plošným nasazením. Jeho hodnotou může být i včasné zjištění, že je potřeba změnit způsob snímání, doplnit data nebo zvolit lépe ohraničený případ použití.

Instalace a provoz jsou součástí řešení

MVI je součástí IBM Maximo Application Suite a jeho serverové komponenty se provozují v kontejnerovém prostředí platformy. Edge scénář přidává zařízení u zdroje obrazu a napojení kamer. Před instalací je proto potřeba znát očekávaný objem snímků, způsob trénování a vyhodnocování, požadovanou odezvu, dobu uchování dat i bezpečnostní omezení.

Technickou architekturu není vhodné určit dříve než samotný případ použití. Mobilní kontrola několika zařízení denně má jiné požadavky než nepřetržité vyhodnocování výrobní linky několika kamerami. Vedle instalace je nutné počítat také se správou oprávnění, aktualizacemi, zálohováním, dohledem a postupem pro bezpečné vydávání nových verzí modelu.

MVI 9.2.0 přineslo mimo jiné přístup k datům Visual Inspection podle rolí a další zlepšení použitelnosti a životního cyklu modelů.

Začněte problémem, ne kamerou

IBM Maximo Visual Inspection může urychlit opakované kontroly, sjednotit jejich vyhodnocování a dostat podporu AI přímo k technikovi nebo ke zdroji obrazu. Největší přínos ale nevzniká samotným natrénováním modelu. Vzniká propojením spolehlivého rozpoznání s konkrétním rozhodnutím a procesem údržby nebo kvality.

V 12servis s.r.o. pomáháme posoudit vhodnost konkrétní kontroly, připravit pilot, navrhnout architekturu a propojit výsledek s prostředím IBM Maximo. Prvním krokem může být jednoduché ověření: zda je hledaný stav na dostupných snímcích skutečně rozpoznatelný a zda jeho včasné zjištění přinese měřitelnou provozní hodnotu.

Zdroje