Vizuální kontrola čočky

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F27041867%3A_____%2F23%3AN0000014" target="_blank" >RIV/27041867:_____/23:N0000014 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Vizuální kontrola čočky

Popis výsledku v původním jazyce

Výsledkem je výzkum a vývoj technologie pro ověření softwarové podpory pro vizuální kontrolu čočky s využitím neuronových sití a strojového učení. Pro potřebu ověření technologie byly použity kromě získaných reálných snímků s anotacemi vad také dva druhy pomocných anotací: 1. Sada ukázkových vad, ručně označených, v počtu několik jednotek kusů na každou vadu. 2. Anotace strojově nasnímaných dat na úrovni sady snímků. Pro zvýšení kvality procesu strojového učení bylo dále přistoupeno k vytvoření syntetické datové sady čoček s vadami.Hardwarovou část technologie tvoří kontrolní buňka, která zajišťuje manipulaci s čočkou a její automatickou kontrolu od okamžiku ukončení výroby, až po uložení kusu mezi OK nebo NOK díly. Buňka je koncipována tak, aby ověřování technologie mohlo být zajištěno bez zásahu do stávající výrobní linky.

Název v anglickém jazyce

Visual control of the lens

Popis výsledku anglicky

The result is research and development of technology to verify software support for visual lens control using neural sitting and machine learning. In addition to real images with defect annotations, two types of auxiliary annotations were also used for the need to verify the technology: 1. A set of sample defects, manually marked, in the number of units of pieces for each defect. 2. Annotation of machine -captured data at a set of images. To improve the quality of the machine learning process, the synthetic data set of lens with defects has been created. The chart's part of the technology consists of a control cell that ensures the handling of the lens and its automatic control from the time of the production, The cell is designed to verify the technology without interference with the existing production line.

Druh

Z_tech - Ověřená technologie

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

<a href="/cs/project/EG19_263%2F0018762" target="_blank" >EG19_263/0018762: Technologie a materiály pro Průmysl 4.0</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Interní identifikační kód produktu

TCHMTVK01

Číselná identifikace

—

Technické parametry

Pro strojového učení byla zvolena segmentační konvoluční neuronová síť typu U-Net 1 s následnou analýzou segmentovaných oblastí. Segmentační a klasifikační systém byl vyvíjen v jazyce Python za pomocí knihovny Pytorch pro metody hlubokého učení. Aplikace nasazená ve výrobním procesu je psaná v jazyce C#. Pro potřeby integrace byl zvolen formát ONNX, do kterého je exportována segmentační síť z prostředí Pytorch. Ta je následně volána pomocí knihovny ML.NET, používané pro strojové učení v jazyce C#.Harware tvoří kolaborativní robot, 2 kamery, 3 druhy osvětlení, ionizačníh ofuk , lineární dopravník a další příslušenství.

Ekonomické parametry

Na základě technicko – ekonomického vyhodnocení návratnost vychází kolem 2 let podle zvolené varianty.

Kategorie aplik. výsledku dle nákladů

—

IČO vlastníka výsledku

27041867

Název vlastníka

Moravskoslezský automobilový klastr, z.s.

Stát vlastníka

CZ - Česká republika

Druh možnosti využití

A - K využití výsledku jiným subjektem je vždy nutné nabytí licence

Požadavek na licenční poplatek

A - Poskytovatel licence na výsledek požaduje licenční poplatek

Adresa www stránky s výsledkem

—