人工智能在空调焊接产线中的应用

作者介绍

牛小明为四川长虹电器股份有限公司的资深专家，在读工程博士；

曾在 52CV 发表 “最新图文识别技术综述”，研究领域涉及图像、语音、文本信号处理和机器人等，身处传统产业领域，致力于AI技术在工业生产中的落地开花。
Email:xiaoming1.niu@changhong.com
Tel:15882855846
0
1
背景介绍
我国已经成为制造大国，但仍然不是制造强国。我国制造业大而不强，存在的突出问题如下：
(1)产品质量问题突出，国家监督抽查质量不合格率高达10%，制造业每年直接质量损失超过2000亿元。
(2)资源利用效率低，单位国内生产总值的能耗约为世界平均水平的两倍。
我国制造业面临前所未有的调整。
全国政协委员李彦宏提出“实现转型升级，最需要依靠的就是人工智能技术。随着人工智能技术逐步成熟，谁率先在应用上实现突破，谁就有可能在智能时代的竞争中占据优势。
”预测显示在2020年年底之前，制造市场上25%的商品生产线将由取放机器人占据，2020年底，25%的制造业的管理者将利用人工智能改进其生产管理系统，截至2021年底，50%的制造企业将以某种形式应用人工智能。
对于制造业而言，将人工智能技术嵌入生产流程环节中，使得机器能够在更多复杂情况下实现自主生产，从而全面提升生产效率。对于简单重复的劳动完全可以用机器去代替人力，这一做法很好的缓解了我国未来人口老年化及人力成本上涨的影响。
目前的制造业工厂中还存在着大量的人力重复生产劳动，工厂中的作业环境也存在可能的潜在危险，越多的工人代表着越多的生产风险，而中国各大制造企业依然无法降低制造过程中的人工介入，其主要原因就是生产过程中遇到了传统自动化生产流程中难以处理，需要人工进行介入的环节。对人工智能技术的使用还比较少。
0
2
问题阐述

四川长虹电器股份有限公司作为中国制造业的一员，同样存在生产智能化低，人工介入比较大，资源利用率低的问题。

比如，在空调底座焊接自动化生产线之中，空调外机底座支脚在流水线上的焊接合格性需要进行二次检查，存在瑕疵的空调外机底座如果流入到消费市场，一个是影响了消费者的使用，无法固定空调外机；另一个是将对企业的产品口碑造成影响，降低企业的品牌影响力。

目前焊接后空调外机底座采用人工筛查的方式，每天生产大约17000片/天，量大、耗时且为重复性工作，而且没有办法全部检测；为了提高检测效率和准确率，降低人工的介入成本，可通过人工智能方法降低人工介入、提高能效；同时，为了降低改造成本，在已有的生产线上进行增量式、智能化改造。
目前生产线存在的问题主要有：
  1. 空调底座焊接产线老旧、相对固化，存在大量非结构化因素，限制了产线改造的灵活性，产线无法进行运动-暂停-运动的连续间断工作模式，只有连续工作和持续暂停模式，对整体智能化改造带来了困难。
  2. 空调底座在产线上的移动速度较快，由于问题(1)的存在，需要视觉相机在运动中能够正确、快速的抓拍目标图片、低延时传输、上位机快速完成识别；500ms内需要完成对4张图片的拍照、传输及识别。
  3. 由于问题(1)的产生，需要增加模块对运动的空调底座进行检测，判别空调底座是否进入了拍照范围；
  4. 运动、光线、噪声的影响会导致获取图片不一致问题；
  5. 底座的缺陷检测完全由人工介入，降低了产线的智能化程度，也增加了人工成本。
  6. 重复枯燥的肉眼判别，容易引起操作人员的疲劳，导致人工误检与漏检。
  7. 工作环境相对恶劣。
0
3
解决方案

3.1 系统解决方案

针对第二部分的问题阐述，我们在现有的生产线基础上进行增量式智能改造。
首先，产线增加光电传感器，用于探测移动中的空调底座是否移动到相应位置；
其次，当光电传感器探测到空调底座时发出信号给PLC，紧接着PLC发送拍照信号给两路工业相机进行快速抓拍；
再次，工业相机通过TCP协议将拍照后的图片传入到工控机，并通过人工智能深度学习方法对支脚的合格性进行检查。
根据检测结果，对PLC发送控制信号，发出警报信号和相应的产线流程处理。为了更好的展现和解释空调底座焊接产线的增量式智能改造；
图1展现了空调底座焊接产线智能改造系统流程图，
图2展现了空调底座焊接产线智能改造结构框图。

图1 空调底座焊接产线智能改造系统结构图

图2 空调底座焊接产线智能改造系统流程图

通过构建的智能化检测系统取代了线上的人工肉眼检测，不仅节约了人工成本、提高了检测效率，同时降低人员在生产过程中发生生产事故的可能性。

3.2 基于深度学习的图像识别

传统的机器视觉方法对某一条件下的图像识别效果较好，而且成熟的机器视觉方案大多采用美国Cognex的VisionPro和德国MVTec的Halcon机器视觉软件，存在license费用；
开发具有中国自主知识产权的工业视觉软件迫在眉睫，再加上运动、光线、噪声的影响导致获取图片不一致问题，本项目采用基于深度学习的图像识别方案，其网络架构具体如下：

图3 深度学习网络架构图

3.3 深度学习模型优化

基于深度学习的图像识别网络虽然具有较高的识别率，但为了取得较好的实时推理效果，一般运行于GPU显卡中，因此增加了部分硬件费用；

为了节约GPU显卡的费用，我们借助了Intel的深度学习优化工具OpenVINO对推理模型进行进一步优化，使得优化后的模型运行在CPU中即可。

这样既节约了硬件费用，同时又获得了较高的识别率，具体优化流程如下：

图4 深度学习模型优化

0
4
实施效果

空调外机底座支脚存在漏焊、焊反以及选型错误(进料盘混入了其它样式的支脚)。其中图5为空调外机底座图片；图6为部分支脚样式图；图7为基于深度学习的图像识别结果。

图5 空调外机底座图

(a)为正常焊接

(b)为正常焊接

(c)为反焊接

(d)为反焊接

图6 部分支脚样式图片

图7 深度学习图像识别结果

0
5
致谢
感谢毕可骏(总)、吕代表(总)对该项目的大力支持，感谢同事杨厚易和王勤的全力推进；另外，感谢武汉百灵趋势信息技术有限公司的饶总提供的硬件及光学设备以供仿真研究，感谢Intel的赵总(老同学)对深度模型优化给予的指点以及阿里的田总(老同学)给予的协助！

END

在看，让更多人看到

赞 (0)

相关推荐