Djupinlärningsbaserat datorseende inom produktion

Viktiga resultat som projektet gav

Detta projekt syftade till att förbättra kvalitetskontrollen i Scanias hyttmontering med hjälp av djupinlärning för inspektioner av frontpluggar, som för närvarande görs manuellt och är benägna att göra fel. Det fokuserade på att automatisera denna process med datorseende, bedöma effektivitet, fördelar, utmaningar och beredskap för produktionsintegration. Målen var bland annat att automatisera inspektioner, förbättra noggrannheten, minska slöseriet och förbättra arbetsmiljön.

Långsiktiga effekter som förväntas

Projektet uppfyllde sina huvudmål och bedömde djupinlärningens beredskap för kvalitetskontroll vid hyttmontering och identifierade integrationskrav. Man undersökte fördelarna med minskat avfall, ergonomi och tillförlitlighet, samtidigt som man lyfte fram utmaningar som behovet av mänsklig tillsyn. Tekniken visade sig vara effektiv när det gällde att känna igen komponentvarianter, anpassa sig snabbt med minimalt med data, förbättra kvalitetskontrollens frekvens och noggrannhet, minska den kognitiva belastningen och förbättra arbetsmiljön.

Upplägg och genomförande

I projektet användes en plattform från ett nystartat företag för att ta bilder och träna en deep learning-modell med ett team på 12-15 personer, inklusive fabriksarbetare och ingenjörer. Data samlades in vid Cab Assembly Oskarshamn och fokuserade på inspektion av frontpluggar. Modellen förfinades iterativt med input från produktions- och kvalitetspersonal. Implementeringen visade resultaten på en skärm och markerade korrekta, saknade eller felaktigt monterade delar och skyddstejp, vilket gav effektiv vägledning till produktionspersonalen.