Laboratorní testovací pracoviště pro kontrolu vad výkovků
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F27696057%3A_____%2F23%3AN0000005" target="_blank" >RIV/27696057:_____/23:N0000005 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
čeština
Název v původním jazyce
Laboratorní testovací pracoviště pro kontrolu vad výkovků
Popis výsledku v původním jazyce
Funkční testovací pracoviště zrealizováno z hliníkových profilů a uzpůsobeno k vytvoření a optimalizaci testovací rutiny pro výkovky o velikosti 200x200x100 mm (šířka x délka x výška) a maximální hmotnosti dílce do 10 kg. Sběr snímků pro vyhodnocení povrchových vad využívá 7 PoE kamer. Pro zvýraznění povrchu a kontrolovaných hran výkovku je v pracovišti použito celkem 6 typů světel (dome light, pruhová světla, backlight) s PWM modulací. Klasifikace vad řešena pomocí hluboké neuronové sítě EfficientNet.
Název v anglickém jazyce
Laboratory test facility for inspection of forgings defects
Popis výsledku anglicky
Functional test bench made of aluminum profiles and adapted to create and optimize test routines for forgings with a size of 200x200x100 mm (width x length x height) and a maximum part weight of up to 10 kg. Image acquisition for surface defect evaluation uses 7 PoE cameras. A total of 6 types of lights (dome light, strip light, backlight) with PWM modulation are used in workstation to highlight surface and inspected edges of the forgings. Defect classification is solved using EfficientNet deep neural network.
Klasifikace
Druh
G<sub>funk</sub> - Funkční vzorek
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/EG20_321%2F0023805" target="_blank" >EG20_321/0023805: Robotizované kamerové pracoviště pro měření a kontrolu tvarových vad výkovků a obrobků s využitím umělé inteligence</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
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.
Údaje specifické pro druh výsledku
Interní identifikační kód produktu
CV-20805_FV2023
Číselná identifikace
CV-20805_FV2023
Technické parametry
Laboratorní testovací pracoviště je ovládáno řídicím počítačem, který zajišťuje také vyhodnocování snímků. Řízení světel je realizováno pomocí speciálně vyvinutého kontroléru, který zajišťuje napájení světel a také řídí jejich intenzitu. Tento kontrolér umožňuje nezávislé ovládání až 6 světel. Intenzitu všech světel je možné řídit analogově případně pulsně šířkovou modulací (PWM). Komunikace kontroléru s řídicím počítačem probíhá po sériové lince. Testovací pracoviště je osazeno 7 PoE (Power over Ethernet) kamerami vyhovujícími standardu IEEE 802.3af. Pro napájení kamer je použit 1Gbit PoE switch. Pro snímání jsou použity následující kamery a objektivy: • horní barevná kamera 12 Mpx s objektivem 16 mm, • boční monochromatická kamera 12 Mpx s objektivem 16 mm, • čelní monochromatická kamera 12 Mpx s objektivem 25 mm, • 4 monochomatické kamery 5 Mpx s objektivem 25 mm pro izometrické pohledy. Pro každou pozici testovaného výkovku je pořízeno 9 snímků: • 4 isometrické pohledy • 1 horní pohled (půdorys) • 2 čelní pohledy (s rozptýleným světlem a silueta s backlight) • 2 boční pohledy (s rozptýleným světlem a silueta s backlight) Základem vyhodnocovacího algoritmu je implementovaná hluboká neuronová síť pro detekci anomálií, protože v praxi je většinou problém získat dostatek NOK vzorků všech typů vad. Aplikace využívá předtrénovanou neuronovou síť Efficient Net pro extrakci příznaků. V trénovací fázi, která využívá pouze OK kusy, je pro každý výřez vytvořen model Gaussovského rozdělení. Při testování výkovku je pak míra anomálie vypočtena jako vzdálenost mezi aktuálním testovacím vzorkem a Gaussovským modelem. Tím, že se aplikace se učí z obrazových dat pouze bezvadných produktů, se snaží rychle získat „zkušenosti“, které kontroloři získávají až v průběhu několika let. Pro implementaci sítě je využit framework Pytorch. Grafické uživatelské rozhraní využívá PySide6 framework. Aplikace vyžaduje GPU na grafickém adaptéru s CUDA architekturou, kde je obraz zpracováván vysoce paralelně. Vyhodnocovací metody umožňují nejen určit, zda testovaný výkovek vyhovuje požadavkům, ale také určit míru vady: velikost přesazení, rozměr, oblast, kde došlo k nedotečení materiálu apod.
Ekonomické parametry
Pořizovací náklady laboratorního pracoviště jsou 380 000 Kč. Hlavními přínosy jsou ověření různých typů výkovků mimo sériové pracoviště. Hodinová sazba testovacího pracoviště je stanovena na 1200 Kč. Pro odladění testovací rutiny je potřebný čas 80 h na jeden výkovek, tedy 96 000 Kč. Návratnost laboratorního pracoviště při předpokládané přípravě 5 ks/ rok je 10 měsíců.
Kategorie aplik. výsledku dle nákladů
—
IČO vlastníka výsledku
—
Název vlastníka
CV Machining s.r.o
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
—