Cégvilág

Gódi Attila, Terrán és Herbály István, RG-Net
Gódi Attila, Terrán és Herbály István, RG-Net
Forrás: ITB
Tetőcserép mesterséges intelligenciával

A gép nem unja el magát

A mesterséges intelligencia egy olyan, egyszerűnek mondható termék gyártásában is szerephez juthat, mint a tetőcserép. A Terrán számára kifejlesztett magyar megoldás a maga területén egyedülállónak mondható.

Fél másodperc – ennyi áll rendelkezésére a bólyi központú Terrán Tetőcserép Gyártó Kft. minőségellenőrző munkatársainak, hogy megállapítsák, hibás-e a gyártósorról lekerülő darab. Fél másodperc alatt kell eldönteni, hogy az adott cserép nem sérült-e, van-e rajta anyaghiba, illetve a színezése megfelel-e a minőségi követelményeknek. Könnyű belátni, hogy napi nyolc órában ezt a munkát megbízhatóan, egyenletes színvonalon, minden hibás darabot kiszűrve nem lehet csinálni.

A gyáraiban naponta közel 300 ezer darab tetőcserepet gyakorlatilag emberi beavatkozás nélkül, automata sorokon előállító Terrán már régóta próbálkozott azzal, hogy a minőségellenőrzést is automatizálja. Kísérleteztek például hagyományos kamerás ellenőrzéssel, de az ebben az ipari környezetben használhatatlannak bizonyult. A vállalatot végül a Baranya megyei iparkamara kötötte össze 2018 nyarán a pécsi RG-Net Kft.-vel, amelynek évtizedes tapasztalata van ipari rendszerek fejlesztésében. „Mi sem tudtunk azonnal megoldást kínálni, de néhány hónappal később egy szakmai kiállításon láttuk, milyen fejlődésen mentek keresztül a képalkotó eszközök, és milyen fejlett mesterséges intelligencia rendszerkomponensek érhetők már el a piacon. Úgy ítéltük meg, ezeket felhasználva kifejleszthető egy automatikus ellenőrző rendszer a Terrán számára. Megállapodtunk egy pilotprojekt elindításában, hogy kiderítsük, milyen potenciál rejtőzik a technológiában, és 2019 nyarán nekiálltunk a fejlesztésnek” – idézi fel az együttműködés kezdeteit Herbály István, az RG-Net ügyvezető igazgatója.

 

Járatlan utakon

A technológia újszerű jellege miatt nem is szoftverfejlesztésről, hanem sokkal inkább összetett kutatás-fejlesztési projektről volt szó, amelyben számos kérdésre nem adódtak egyszerű válaszok. Első lépésben azt a képi adatbázist kellett létrehozni, amellyel aztán be tudták tanítani a mesterséges intelligencián alapuló képfelismerőt. Az egyik gyártósoron építettek egy „ketrecet”, ahol elhelyezték a kamerarendszert. Már a képrögzítést módja sem volt magától értetődő: az erősen rázkódó, poros gyártási környezetben nem volt egyszerű megtalálni a kamera vagy a megvilágítás ideális elhelyezését.

A tavalyi év végére elkészült mintegy 1,5 millió kép és az az egyszerűen kezelhető szoftver, amely segítségével a Terrán szakemberei megkezdhették a rendszer tanítását. Január végére mintegy tucatnyi különféle hibatípust kategorizáltak mintegy 3 ezer képen. Az azonosított hibák birtokában kerülhetett sor a modell betanítására. Az algoritmus a példák alapján kiértékelte a képi adatbázisba feltöltött fotókat és igyekezett megtalálni a hibás példányokat. „A megfelelő modell megtalálása és betanítása volt az egyik legnehezebb és a legtöbb időt igénylő feladat.  Nem volt kitől kérdeznünk, hiszen ezen a területen mi tapostuk ki az utat, az MI ilyen gyakorlati felhasználásával még nem találkoztunk” – említi az egyik leküzdendő nehézséget Herbály István.

A mesterséges intelligenciát alkalmazva igazán sokoldalú rendszert sikerült kifejleszteni. A kialakított megoldás az első lépésben megkeresi a cserepet a gyártósoron – akkor is megtalálja, ha az mondjuk éppen keresztben áll a szalagon. Utána kategorizálja a terméket, felismeri, hogy a gyártásban lévő tucatnyi cserép közül éppen melyikről van szó, majd a harmadik lépésben ellenőrzi, hogy találhatók-e rajta hibák. Mindezt pedig a folyamatosan mozgó szalagon, poros ipari környezetben teszi.

Az RG-Net megoldása minden olyan hibát képes észlelni, amely vizuálisan azonosítható, legyen szó hiányzó vagy éppen oda nem illő festékről, anyaghiányról, anyagfeleslegről, nem homogén felületekről. Még olyasmivel is megbirkózik a rendszer, amelyet korábban nem is nagyon reméltek. A Terrán például mediterrán stílusú tetőcserepeket is gyárt, amelyeknek nem egyenletes a színezése; a megoldás azt is észreveszi, ha valamelyik szabálytalan formában fröccsentett szín hiányzik.

Mindezeken túl a hiba elhelyezkedését és kiterjedését is meg tudja határozni a rendszer. Ez azért fontos, mert bizonyos típusú hibákat át lehet engedni. Ha például a cserép felső harmadában van kisebb festési hiba, attól még első osztályú marad a darab, mert a következő réteg festék eltakarja az eltérést.

 

Folyamatosan tanítva

A márciusban sikeresen lezárt pilot után most a rendszer prototípusának beüzemelése van soron, említi a következő feladatot Herbály István. Itt már éles sorozatgyártásban fog működni a rendszer (egyelőre egy gyártósoron), és ténylegesen fél másodperc alatt kell eldöntenie, hogy hibás-e a cserép vagy sem, majd erről jelzést adni a kezelőnek. Ha az első gyártósoron jól működik a prototípus, a Terrán az összes gyár összes gyártósorán alkalmazni szeretné az RG-Net megoldását.

A rendszer tanítása természetesen folytatódni fog. A gyanúsnak ítélt cserépről készült képet betöltik a tanító szoftverbe, ahol a Terrán munkatársai ellenőrzik, hogy tényleg hibáról van-e szó, és ha igen, kategorizálják azt. Ezek után az új hibával bővítik a repertoárt, és a későbbiekben azt is fel fogja ismerni a rendszer. Herbály István szerint elgondolkodtak az öntanuló rendszer készítésén, de annyiféle cserép és annyiféle hiba van, hogy ezt végül elvetették – öntanulással nem tudtak eljutni a kívánt hatékonysági szintre. A rendszer most az előforduló hibák 90 százalékát 99 százalékos pontossággal felismeri, ami messze jobb a korábbi emberi teljesítménynél – a végső cél persze az lenne, hogy hibás cserép ne hagyhassa el a gyárat.

 

Valós idejű visszajelzések

Az RG-Net által szállított mesterséges intelligencia rendszer hatóköre a hibás tetőcserepek azonosítására terjed ki – az már a Terrán gyártási szakembereinek feladata lesz, hogy mit kezdenek az azonosított darabbal. Többféle módszer is szóba jöhet (megjelölni, lelassítani a szalagot, hogy ki lehessen venni az adott darabot, de egy automata is kilökheti); a megfelelően hatékony módszer megtalálása a jelenlegi prototípus-fázis feladata lesz. Szintén indul egy fejlesztés arra, hogy még érlelés és festés előtt (az úgynevezett „nedves oldalon”) is azonosíthassák a hibás darabokat – ennek az lenne a nagy előnye, hogy az alapanyagot még vissza tudnák forgatni a gyártásba. Ennek nagy jelentősége van, amikor a gyárak naponta (!) 1500 tonna alapanyagot használnak fel.

Jóféle Ipar 4.0 megoldáshoz híven a mesterséges intelligencia alapú minőségellenőrző rendszer közvetett előnyökkel is szolgál a hibás darabok kiszűrésén túl. A betoncserepek gyártása bányászott, ezért mindig változó minőségű alapanyagokból történik – a homok minőségéhez, víztartalmához folyamatosan hozzá kell igazítani a gyártósort. A mostani rendszernek köszönhetően a menedzsment valós idejű visszacsatolást kaphat arról, hogy az adott alapanyagból, az adott beállítások mellett mennyi és milyen hiba keletkezett. Ilyen esetben azonnal be tudnak avatkozni, amivel költségeket takaríthat meg a vállalat.

„A mi számunkra is rendkívül hasznos volt az együttműködés. Nagyon sok tapasztalatra tettük szert a mesterséges intelligencia kapcsán, kitanultuk, hogyan érdemes a megfelelő modellt kiválasztani, hogyan kell azt betanítani. A gyakorlaton keresztül ismertük meg az MI technológiáját, és ezt a tudást számos más területen tudjuk alkalmazni. Kaptunk már például megkeresést, hogy szövési hibákat felismerő rendszert fejlesszünk – itt már nem kell a nulláról indulnunk” – tette hozzá végül Herbály István.