
Gjennom M-AI har Applica utviklet en AI-algoritme for automatisk kvalitetsinspeksjon av robotisert sveis.
AI for kvalitetsinspeksjon av sveis
Pioneer Robotics leverer robotiserte sveieløsninger for flere anvendelser. En slik anvendelse er WelderMate: en robotisert sveiseløsning for smelteverksindustrien som står i et tøft arbeidsmiljø inne i smelteverkets hjerte.
Selv om roboten har erstattet store deler av behovet for menneskelige operatør i dette arbeidsmiljøet, må det i dag likevel gjøres en manuell inspeksjon av hver utført sveis. Når en sveiser utfører sitt håndtverk gjør han kontinuerlig justeringer av blant annet hastigheter, avstander, vinkler og bevegelsesmønster, for å kompensere for et stort antall faktorer, som temperatur, fuktighet, gassflyt etc. Dette gjøres både bevisst og ubevisst, basert på lang erfaring.
I dette lille forprosjektet har Applica utviklet en algoritme som vil utføre denne inspeksjonen ved hjelp av maskinsyn og maskinlæring.

WelderMate
Metode
Roboten tar bilde av hver utførte sveis, fra to ulike vinkler. AI-algoritmen som ble tatt i bruk består av et nevralt nettverk av typen Convolutional Neural Network. Denne typen nettverk er inspirert av hvordan menneskelig synsnerver fungerer, og har en rekke anvendelser innen maskinsyn.
I vårt tilfelle ble algoritmen trent opp med bilder av godkjente og underkjente sveisejobber. Oppgaven til nettverket var å skille mellom disse to klassene.

En klassisk problemstilling innen AI, som også rammet dette prosjektet, er mangel på data. Vi klarte å komme rundt dette ved å ta i bruk data-augmentering. Det vil si at for hvert bilde av en utførst sveis, genererte vi 100+ varianter av bildet. Hver variant hadde en liten forvrengning, endring i lysnivå, forstørrelse eller andre justeringer. På denne måten sikrer man seg mot at AI-algoritmen overtilpasses treningsdataen, når datamengden ikke er så stor som man skulle ønske.

Resultater
Med en validering på 203 sveiser oppnådde algoritmen en nøyaktighet på 93%. Vi forventer at dette tallet stiger etter hvert som algoritmen kontinuerlig lærer av ny data blir tilgjengelig.

