Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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