Produktionsintegrerad visuell inspektion baserad på oövervakad maskininlärning
| Diarienummer | |
| Koordinator | Linnéuniversitetet - Linnéuniversitetet Inst för datavetenskap och medieteknik |
| Bidrag från Vinnova | 4 077 165 kronor |
| Projektets löptid | januari 2023 - december 2025 |
| Status | Pågående |
| Utlysning | Avancerad digitalisering - Möjliggörande tekniker |
| Ansökningsomgång | Avancerad och innovativ digitalisering 2022 |
Syfte och mål
Syftet är att införa och förbättra maskininlärningsbaserad bedömning av kvaliteten hos serietillverkade industriella (stål)produkter. Målet är att introducera avvikelsedetektering baserat på normalizing flows i verkliga industriella processer, och stärka upp befintlig End-to-End-lösning inom visuell inspektion. Vi vill lyfta metoden från TRL 3 till TRL 7.
Förväntade effekter och resultat
Projektet förväntas leda ökad flexibilitet och skalbarhet i systemet eftersom den manuella hanteringen skulle minska. Genom att dels vidareutveckla produkter som industrin kan använda för ändamålet och dels processer där metoden används i befintlig utrustning förväntas projektet generera kunskap och erfarenheter som kan komma till nytta. Arbetet förväntas också leda till att metoden möter industrins krav på samtliga relevanta KPI:er, och därmed också förbättra den toppmoderna avvikelsedetekteringen i vidare kontext.
Planerat upplägg och genomförande
Projektet kommer att genomföras med ett testdrivet arbetssätt som tar sin början med en kravanalys av tränings- och detekteringsprocesserna i olika industriella sammanhang hos SKF, Gunnebo och Gimics kunder. Analysen leder till definition och implementering av benchmarking-KPI:erna (framgångsmått) och deras bedömning av de övervakade baslösningarna. Sedan utvecklas och tränas modellerna iterativt, implementeras i produktionsmiljöer och bedöms, innan nästa iteration förbättrar de oövervakade modellerna. Arbetet utökas också när nya data blir tillgängliga.