Fujitsu utvecklar AI för bildinspektion för att upptäcka abnormiteter i produktutseende med världsledande precision i nyckelriktmärke

TOKYO, 29 mars 2021 – (JCN Newswire) – Fujitsu Laboratories tillkännagav idag den framgångsrika utvecklingen av en AI-teknik för bildinspektion som möjliggör mycket exakt detektering av en mängd olika externa avvikelser på tillverkade varor, inklusive repor och produktionsfel. Tekniken utnyttjar en AI-modell tränad på bilder av produkter med simulerade avvikelser, utan att behöva förbereda träningsdata som använder faktiska bilder av defekta produkter som hämtats från inspektionsprocessen i en produktionslinje.

Fig 1. Översikt över utvecklingstekniken

Fig 2. Jämförelse med känd teknik

Denna teknik kan korrekt detektera avvikelser som slitna trådar och defekta ledningsmönster i produkter som varierar individuellt, även om de verkar normala, såsom mattor med olika ull eller färg, eller kretskort med olika ledningsformer beroende på detalj. Den utvecklade tekniken uppnådde framgångsrikt världsledande noggrannhet (1) i ett riktmärke med hjälp av offentliga data (2) som samlats in från externa bilder av olika tillverkade varor.

Fujitsu verifierade effektiviteten av denna teknik under inspektionsprocessen vid Nagano-fabriken i Fujitsu Interconnect Technologies Limited, en fabrik som tillverkar elektronisk utrustning, och bekräftade dess effektivitet när det gäller att minska mantimmar som krävs för att inspektera kretskort med 25 %. Tekniken erbjuder i slutändan potentialen att hjälpa till att minska arbetsbelastningen för arbetare vid fabriker och förbättra produktiviteten, samtidigt som den hjälper till att introducera nya arbetssätt för personal i frontlinjen.

Bakgrund & Utmaningar

På platsen för inspektionsprocessen avgör inspektören om produkten är defekt baserat på egenskaper som dess ungefärliga form, detaljerade struktur och struktur. Till exempel anses ungefärlig form vara viktig i ett formförvrängningstest, och textur anses vara viktigt i ett tillstånds- eller mönstertest. Dessutom, även om produkten verkar normal, om det finns individuella variationer i element som beläggning, färg och ledningsform, undersöks dessa egenskaper för varje artikel, och inspektionen utförs samtidigt som man särskiljer om individuella skillnader eller avvikelser faller inom det acceptabla intervallet . När man tränar AI för att utföra kvalitetskontrolluppgifter är det därför nödvändigt att kunna fånga en mängd olika funktioner som uppstår på individuell basis i en normal bild. Den typiska metoden att träna en AI-modell med hjälp av viktade och summerade index för varje egenskap har dock lett till en tendens att fokusera på endast en egenskap, och det har visat sig svårt att skapa en modell som helt förstår alla egenskaper.

Om den nyutvecklade tekniken

Med denna teknik återställer AI den normala bilden från vilken avvikelsen har tagits bort när en avvikelse upptäcks, och upptäcker den onormala delen genom att fånga skillnaden mellan bilden som ska inspekteras och den återställda normala bilden. Fujitsu har utvecklat en metod för att träna en AI-modell så att en normal bild utan en mängd olika anomalier som form, storlek och färg kan återställas genom att artificiellt lägga till de simulerade avvikelserna till en normal bild förberedd för träning. Den förbättrade förmågan att återställa normala bilder har gjort det möjligt att upptäcka onormala områden med hög noggrannhet utan att förbereda bilder som innehåller avvikelser som träningsdata. Under träning jämför Fujitsu den normala bilden med bilden som återställs av AI, utvärderar graden av träning för varje funktion som ungefärlig form, detaljerad struktur och textur, och kontrollerar storleken, färgen och antalet avvikelser som ska läggas till så att AI lär sig företrädesvis funktioner som inte fångas. Till exempel, om AI:n inte kan korrekt återställa den ungefärliga formen, tränar den med onormala bilder med några små avvikelser som inte påverkar det normala utseendet. Dessutom, om detaljerna och strukturen är något annorlunda, tränar AI med många onormala bilder som är tillräckligt stora för att dölja detaljerna eller lägga till ett iögonfallande mönster. På så sätt, genom att utvärdera tillståndet för AI-restaurering och träning på svaga områden där AI inte kan återställa funktioner, blev det möjligt att återställa normala bilder som fångade alla funktioner.

Dessutom har Fujitsu utvecklat en ny teknik som genererar material av olika former, storlekar och färger från ett bibliotek av bilder av mer än 5000 sorters konstgjorda föremål, och lägger till abnormiteter genom att sannolikt ändra antalet avvikelser och positionen till vilken de är tillagda.

Utkomster

Den utvecklade teknologin uppnådde världsledande noggrannhet, med en AUROC (3) poäng som översteg 98 % i en klass av produkter som har variationer i sitt normala utseende, såsom mattor med olika pälsmönster och färger på individuell basis och kretskort med olika ledningsformer på olika delar. Dessutom finns det ingen variation i enskilda produkter som skruvar och muttrar, och i produkter där icke-defekta produkter har ett enhetligt utseende bibehölls också med framgång en noggrannhet motsvarande den för konventionella tekniker (4).

Den verkliga effektiviteten av denna teknik verifierades under inspektionsprocessen vid Nagano-fabriken hos Fujitsu Interconnect Technologies, en tillverkare av elektronisk utrustning. Tekniken har lyckats reducera mantimmar som krävs för att inspektera kretskort med 25 %.

Framtida planer

I framtiden kommer Fujitsu att vidareutveckla denna och andra relaterade teknologier för att stödja Fujitsus portfölj av AI-teknologier, "FUJITSU Human Centric AI Zinrai", och syftar till att tillämpa detta nya tillvägagångssätt på Fujitsus tillverkningsvarumärke "COLMINA", som levererar digital transformation (DX) ) för tillverkningsindustrin.

(1) världsledande noggrannhet:
Noggrannheten uppnåddes för AUROC i jämförelse med de teknologier som listas i benchmark-rankningen av anomalidetekteringsteknologi med MVTec AD i målklassen med variationer i normalt utseende. Företagsdata per den 29 mars 2021.
(2) benchmark med offentliga data:
MVTec Anomaly Detection Dataset som erbjuds av MVTec.
(3) AUROC:
Område under ROC-kurvan. Ett mått på prestandan hos en modell som upptäcker avvikelser. Med en maximal poäng på 100 %, ju högre poäng på indexet, desto bättre prestanda är modellen.
(4) konventionell teknik:
Teknik listad i benchmark-rankningen av anomalidetekteringsteknik med MVTec AD

Om Fujitsu

Fujitsu är det ledande japanska företaget inom informations- och kommunikationsteknologi (IKT) som erbjuder ett komplett utbud av tekniska produkter, lösningar och tjänster. Cirka 130,000 100 Fujitsu-anställda stödjer kunder i mer än 6702 länder. Vi använder vår erfarenhet och kraften i IKT för att forma samhällets framtid med våra kunder. Fujitsu Limited (TSE:3.9) rapporterade konsoliderade intäkter på 35 biljoner yen (3 miljarder USD) för räkenskapsåret som slutade den XNUMX mars
1, 2020. För mer information, se www.fujitsu.com.

Om Fujitsu Laboratories

Fujitsu Laboratories Ltd. grundades 1968 som ett helägt dotterbolag till Fujitsu Limited och är ett av de främsta forskningscentren i världen. Med ett globalt nätverk av laboratorier i Japan, Kina, USA och Europa bedriver organisationen ett brett utbud av grundläggande och tillämpad forskning inom områdena nästa generations tjänster, datorservrar, nätverk, elektroniska enheter och avancerat material. För mer information, se: http://www.fujitsu.com/jp/group/labs/en/.

Källa: http://www.jcnnewswire.com/pressrelease/65544/3/