Produktionsintegrerad visuell inspektion baserad på oövervakad maskininlärning
| Diarienummer | |
| Koordinator | Linnéuniversitetet - Linnéuniversitetet Inst för datavetenskap och medieteknik |
| Bidrag från Vinnova | 3 883 951 kronor |
| Projektets löptid | januari 2023 - december 2025 |
| Status | Avslutat |
| Utlysning | Avancerad digitalisering - Möjliggörande tekniker |
| Ansökningsomgång | Avancerad och innovativ digitalisering 2022 |
Viktiga resultat som projektet gav
Projektet utvecklade ny kunskap om hur AI kan hitta fel i industribilder. Bildkvalite har varit en utmaning genom hela projektet. Den första tekniken Normalizing Flows, höll inte i verkliga fabriker, vilket ledde till arbete med andra metoder. En ny metod, GLASS, vidareutvecklades vilket resulterade i en fungerande prototyp som testades i industrimiljö och på edge‑hårdvara. Projektet gav också publikationer, öppna dataset och nya samarbeten som stärker framtida utveckling inom svensk industri.
Långsiktiga effekter som förväntas
Projektet visar att akademiska AI‑metoder ofta brister i industrin på grund av datakvalitet och för lite validering mot verkliga dataset. Genom öppna dataset och nya samarbeten skapas bättre förutsättningar för robusta metoder. På sikt kan resultaten minska manuellt arbete, höja kvaliteten och ge ny kunskap och nya lösningar för att överkomma dagens begränsningar i anomalidetektering. En förutsättning är att industri och akademi arbetar tillsammans och teoretisk och praktisk kunskap utvecklas.
Upplägg och genomförande
Under projektets gång har konsortiet arbetat nära tillsammans med projektmöten en gång i månaden för att lyfta lärdomar och utmaningar. Forskarna har främst fokuserat på att utvärdera befintliga metoder och arbeta fram nya fungerande lösningar, medan industriparterna har arbetat med datainsamling med förbättrad kvalité, testat och validerat metoder i praktiken. Stort förtroende, högt engagemang och drivkraft hos partnerna har varit en framgångsfaktor. Tillsammans gör vi skillnad!