Система распознавания ориентации годовых колец ламелей за счёт глубокого обучения (Deep Learning) нейронных сетей от немецкой компании SICK – эффективная высокотехнологичная оптимизация процессов производства мебельных щитов и клеёного бруса.

Довольно часто современные предприятия по производству мебельных щитов из клеёного бруса сталкиваются с проблемой контроля ориентации ламелей, учитывая необходимость соблюдения соответствующего направления волокон древесины при формировании стека.

Как правило, перед склейкой ламели визуально сортируют только по качеству, без учёта места их выпиловки из бревна. Однако устойчивая форма щита при эксплуатации обеспечивается именно за счёт различного направления волокон древесины в смежных слоях, т. к. это снижает влияние неодинаковости физических свойств древесины в различных направлениях.

Так, например, при производстве клеёного бруса, контролируя укладку ламелей, необходимо обеспечить их сборку таким образом, чтобы в качестве лицевых не использовались сердцевинные доски, ориентированные сердцевиной наружу.

Данная процедура позволяет уменьшить уровень напряжения в стеке, что в дальнейшем положительно  сказывается на качестве щита при его эксплуатации – отсутствуют трещины и прочие недостатки.

Таким образом, задача оптимизации процесса сортировки ламелей, учитывающая ориентацию годовых колец, становится весьма актуальной, а её решение позволяет существенным образом повысить качество продукции.

На сегодняшний день задача по контролю ориентации годовых колец при сортировке ламелей успешно решается благодаря разработкам немецкой компании SICK AG.

Решения на базе камер машинного зрения SICK – один из наиболее высокотехнологичных и востребованных инструментов, позволяющих эффективно оптимизировать различные процессы, в том числе и в деревообрабатывающей промышленности. А в связке с технологиями машинного обучения нейросетей данный инструментарий приобретает всё больше возможностей, особенно для оптимизации обработки неструктурированных данных.

Полагаясь на глубокое обучение (Deep Learning, далее DL), как один из методов машинного обучения, который предполагает самостоятельное выстраивание (тренировку) общих правил в виде искусственной нейронной сети, представляется возможным обучить такую сеть на конкретных примерах с предварительно определёнными для них результатами.

Компания SICK предоставляет набор приложений и услуг для реализации технологий глубокого обучения на базе машинного зрения. Таким образом, стало возможным решение многих нестандартных задач, которые ранее не поддавались автоматизации и могли решаться, полагаясь только на людские ресурсы.

Устройства с поддержкой глубокого обучения SICK DL радикально упрощают процесс анализа данных, позволяя выполнять классификацию изображений с помощью нейросети непосредственно на самой камере.

Именно благодаря глубокому обучению программируемые устройства SICK автоматически принимают решения с использованием специально оптимизированных нейронных сетей и проводят точные и надёжные инспекции, которые ранее были чрезвычайно сложными или невозможными в высокоскоростных автоматизированных процессах.

Приложение DL Starter App предназначено для простой настройки пользователями начального уровня, а готовое к использованию приложение SICK Intelligent Sensor Inspection обеспечивает быструю и лёгкую интеграцию с большим набором настраиваемых инструментов машинного зрения.

Более опытные программисты и интеграторы также могут создавать и настраивать свои собственные приложения для датчиков DL с помощью программной платформы SICK AppSpace.

Нейронные сети SICK обучаются на примерах изображений, то есть так же, как и люди, чтобы в дальнейшем проводить соответвующие инспекции на предмет того, какие вариации можно допустить.

Нет необходимости в трудоёмкой разработке с использованием набора правил и алгоритмов для выявления дефектов, поиска узоров или краёв, что может быть особенно трудоёмким для предметов, которые трудно анализировать и оценивать.

В рамках первоначального выпуска серии устройств с поддержкой глубокого обучения DL от SICK стали доступны камеры технического зрения SICK Inspector P621 и контроллер SICK SIM 1012, который обычно работает в связке с потоковыми камерами SICK Picocam или Midicam.

В долгосрочной перспективе поддержка глубокого обучения DL будет доступно в том числе и для других интеллектуальных 2D-­ и 3D-­камер машинного зрения SICK.

Благодаря устройствам SICK с поддержкой DL обработка   изображения осуществляется непосредственно на самом устройстве за короткое и предсказуемое время, без необходимости в дополнительном ПК, а результат выводится в систему управления, в том числе с возможностью вывода дискретного сигнала, по результатам того или иного события в ходе классификации.

Поскольку обучение системы проводится в облаке – нет необходимости в отдельном обучающем оборудовании или программном обеспечении, что позволяет сэкономить время и средства на внедрение.

Пользователи следуют интуитивно понятному графическому интерфейсу онлайн-сервиса SICK dStudio, чтобы выбрать и обучить свою нейронную сеть за несколько простых шагов: после настройки устройств SICK пользователям предлагается собрать изображения для проверки в реальных производственных условиях, а затем отсортировать их на классы.

Используя SICK dStudio, предварительно отсортированные изображения загружаются в облако, где процесс обучения изображений завершается нейронной сетью. Затем пользователь может применить дополнительные производственные изображения для оценки и настройки системы.

Когда это будет выполнено, нейронная сеть может быть загружена на устройство SICK с поддержкой DL, и процесс автоматического вывода результатов инспекции начнётся без необходимости дальнейшего подключения к облаку.

Решение на базе камеры SICK InspectorP621 с поддержкой глубокого обучения позволяет оценивать ориентацию годовых колец ламелей в соответствии с их типом.

Оценка формируется на основе выводов из обученной сети и настраивается с помощью приложения Intelligent Inspection SensorApp. Это позволяет правильным образом классифицировать и ориентировать ламели, автоматизируя процесс и обеспечивая воплощение дальнейшей производственной технологии надлежащим образом.