Enhancing Defect Detection in Manufacturing with Computer Vision

Abstract

In the field of manufacturing, ensuring product quality is crucial to meeting customer expectations and upholding a company's reputation. Because of the large demand brought by Industry 4.0, manual quality control methods are outdated. This is because they are labor-intensive, time-consuming, and prone to errors.

This thesis explores the use of computer vision, a subset of artificial intelligence, in quality control processes in manufacturing. Utilizing machine learning models and algorithms, computer vision systems offer faster and more accurate defect detection capabilities compared to manual inspection methods. These systems enable continuous operation, consistent results, and the ability to quickly inspect every product produced.

Through investigating vital parts of computer vision and different computer vision methods and defect detection techniques, this study aims to propose a quality control system for one of GE Healthcare’s assembly lines ultimately contributing to improved product quality and manufacturing efficiency.

Tuotteiden laadun takaus on todella tärkeää. Tuotteiden pitää kohdata asiakkaiden odotukset ja virheellinen kappale saattaa vahingoittaa yrityksen mainetta ja kilpailukykyä markkinoilla. Lähivuosina neljännen teollisen vallankumouksen takia lähes kaikkien tuotteiden kysyntä on noussut, ja tämä on tehnyt manuaalisista laaduntarkastusmenetelmistä vanhanaikaisia. Manuaaliset menetelmät vaativat todella paljon työtä, ovat aikaa vieviä ja alttiita virheille ja vaativat hyvät työskentelyolosuhteet. Näitä manuaalisia menetelmiä pyritään jatkuvasti korvaamaan tietokoneilla. Tämä työ tutkii konenäön, tekoälyn alalajin, käyttöä tuotannon laadunvalvontaprosessissa. Koneoppimismalleja ja algoritmeja hyödyntävät konenäköjärjestelmät tarjoavat nopeamman ja tarkemman vian havaitsemiskyvyn verrattuna manuaalisiin tarkastusmenetelmiin. Nämä järjestelmät mahdollistavat myös jatkuvan tasaisen toiminnan ja mahdollisuuden tarkastaa jokainen tuote nopeasti. Työ keskittyy pintavikojen etsimiseen. Näitä ovat esimerkiksi naarmut, lommot ja muut puutteet tuotetun esineen pinnalla. Työssä käydään aluksi läpi minkälaisia konenäköjärjestelmät yleensä ovat ja tämän jälkeen kertoo järjestelmien viisi vitaalia osaa. Viisi osaa ovat kuvan hankkiminen, esikäsittely, segmentointi, ominaisuuksien kerääminen ja luokittelu. Jokaisesta osassa käydään läpi vaiheen käytetyimmät ja hyödyllisimmät teknologiat. Tämän jälkeen työ siirtyy tarkastelemaan itse virheentunnistusteknologioita. Teknologiat ovat jaettu kahteen osaan perinteisiin ja moderneihin. Perinteiset tunnistusteknologiat ovat jaettu kolmeen alaryhmään sen perusteella, mitä ominaisuuksia kukin teknologia kerää. Alaryhmät ovat tekstuuripohjaiset teknologiat, väripohjaiset teknologiat ja muotokohtaiset teknologiat. Modernit virheentunnistusteknologiat käyttävät neuraaliverkkoille tyypillistä syväoppimista oppien tuotettujen kappaleiden tekstuureja, pintakuvioita ja muotoja. Työssä käydään läpi sekä perinteisiä että moderneja koneoppimismalleja. Modernit läpikäytävät mallit ovat YOLO + CNN ja Faster R-CNN. Teoriaosuuden jälkeen työssä esitellään yksi linjaston GE Healthcarelta, joka valmistaa PVX sensoreita. Linjasto käydään läpi taulukkomuodossa, jossa näkyy jokainen arvoa tuova askel ja millä työkaluilla se suoritetaan. Linjaston esittelyn jälkeen työssä pohditaan minkälainen konenäköä hyödyntävä laaduntarkastusjärjestelmä sopisi siihen. Työssä päädytään käyttämään YOLO + CNN teknologiaa loistavan tarkkuuden ja muiden syväoppimisen etujen takia. Tämän jälkeen teoreettinen toteutus, johon kuuluu kameran sijainti ja vaadittava esikäsittely, ja YOLO mallin koulutus käydään läpi. Tutkimalla konenäköprosessien tärkeimpiä osia, erilaisia konenäkömenetelmiä ja vikojen havaitsemistekniikoita, tämä työ pyrkii antamaan perusteellisen pohjatiedon konenäöstä ja ehdottaa laadunvalvontajärjestelmää yhdelle GE Healthcaren kokoonpanolinjoista, mikä parantaa tuotteiden laatua ja valmistustehokkuutta.