کنترل کیفیت در زمان واقعی: مطالعات موردی با استفاده از ماژول‌های دوربین هوش مصنوعی

ساخته شده در 09.02

در صنایع تولید و خدمات با سرعت بالا امروز، کنترل کیفیت (QC) دیگر یک "بررسی پس از تولید" نیست - این یک عامل تعیین‌کننده در رضایت مشتری، انطباق و کارایی عملیاتی است. روش‌های سنتی QC که به بازرسی دستی تکیه دارند، با ثبات، سرعت و مقیاس‌پذیری مشکل دارند: چشم‌های انسان خسته می‌شوند، نقص‌های ظریف را از دست می‌دهند و نمی‌توانند با خطوط مونتاژ با حجم بالا همگام شوند. ماژول‌های دوربین مبتنی بر هوش مصنوعی وارد می‌شوند: سیستم‌های فشرده و هوشمند که تصویربرداری با وضوح بالا را با یادگیری ماشین (ML) ترکیب می‌کنند تا نقص‌ها را در زمان واقعی شناسایی کنند، خطاها را کاهش دهند و هزینه‌ها را کاهش دهند.

در زیر، ما سه مطالعه موردی واقعی را بررسی می‌کنیم که نشان می‌دهد چگونهماژول‌های دوربین هوش مصنوعیدر حال تحول کنترل کیفیت در صنایع کلیدی هستند—ارزش خود را به عنوان یک سرمایه‌گذاری استراتژیک برای کسب‌وکارهایی که به دنبال رقابتی ماندن هستند، اثبات می‌کنند.

مطالعه موردی 1: تولید خودرو – شناسایی نقص‌های میکروسکوپی در قطعات موتور

چالش: یک تأمین‌کننده جهانی خودرو با مشکلات مکرر در نشیمنگاه‌های سوپاپ موتور مواجه بود—ترک‌های سطحی کوچک (به اندازه 0.1 میلی‌متر) و کاربردهای پوشش نابرابر از چشمان بازرسان دستی عبور می‌کردند. این نقص‌ها منجر به فراخوانی‌های پرهزینه (بیش از 2 میلیون دلار در سال 2022) و تأخیر در تولید شد، زیرا تیم‌ها مجبور بودند به‌طور بازنگری شده، دسته‌ها را دوباره بررسی کنند. بازرسی دستی بیش از 500 قطعه در ساعت همچنین باعث خستگی بازرسان و نتایج نامنظم شد.

راه حل: تأمین کننده ماژول‌های دوربین هوش مصنوعی (مجهز به لنزهای با وضوح 4K و قابلیت‌های محاسبات لبه) را در خط مونتاژ خود مستقر کرد. سیستم بر روی بیش از 10,000 تصویر از نشیمنگاه‌های شیر "خوب" و "معیوب" آموزش دیده است، از جمله انواع نادر نقص مانند ترک‌های ریز و پوشش نامنظم. دوربین‌ها نمای 360 درجه از هر جزء را در حین حرکت در خط ضبط کردند و مدل هوش مصنوعی تصاویر را در کمتر از 200 میلی‌ثانیه تحلیل کرد—به اندازه کافی سریع برای همگام شدن با سرعت 60 جزء در دقیقه خط.

نتایج:

• دقت تشخیص نقص از 78٪ (دستی) به 99.2٪ افزایش یافت و نقص‌های از دست رفته و فراخوان‌ها را حذف کرد.

• زمان بازرسی هر جزء ۸۵٪ کاهش یافت و این امکان را فراهم کرد که خط تولید بدون اضافه کردن پرسنل، ۱۵٪ افزایش تولید داشته باشد.

• صرفه‌جویی در هزینه‌های بلندمدت: 1.8 میلیون در هزینه‌های جلوگیری شده از فراخوانی و 300 هزار در هزینه‌های نیروی کار به صورت سالانه (با تخصیص مجدد بازرسان به وظایف با ارزش بالاتر).

مطالعه موردی ۲: غذا و نوشیدنی – اطمینان از یکپارچگی بسته بندی برای کالاهای فاسد شدنی

چالش: یک برند پیشرو در صنعت لبنیات نیاز داشت تا از نشت در کارتن‌های پلاستیکی شیر خود جلوگیری کند—مشکلی که منجر به فساد محصول، شکایات مشتری و ضایعات شد (۱۲٪ از کارتن‌ها به دلیل عدم شناسایی مهر و موم‌ها یا سوراخ‌های ریز دور ریخته شدند). بازرسی دستی مؤثر نبود: بازرسان نمی‌توانستند سوراخ‌های ریز میکروسکوپی را شناسایی کنند و بررسی بیش از ۱۲۰۰ کارتن در ساعت منجر به خطاهای ناشی از خستگی می‌شد. علاوه بر این، برند نیاز داشت تا با مقررات FDA که نیاز به ردیابی محصولات معیوب را دارند، مطابقت داشته باشد.

راه حل: کارخانه لبنیات ماژول‌های دوربین هوش مصنوعی را در دو نقطه حیاتی نصب کرد: پس از مهر و موم (برای بررسی مهر و موم‌های ناقص) و پیش از بسته‌بندی (برای شناسایی سوراخ‌های ریز). دوربین‌ها از تصویربرداری نزدیک به مادون قرمز (NIR) برای دیدن از طریق مواد کارتن و شناسایی نقص‌های پنهان استفاده کردند. مدل هوش مصنوعی بر روی بیش از ۵۰۰۰ تصویر از کارتن‌های مهر و موم شده، نشتی‌دار و دارای سوراخ‌های ریز آموزش دیده و با سیستم ERP برند یکپارچه شده است تا شناسه‌های کارتن معیوب، زمان‌های ثبت و انواع نقص‌ها را برای رعایت قوانین ثبت کند.

نتایج:

• ضایعات کارتن از ۱۲٪ به ۱.۵٪ کاهش یافت و سالانه ۲.۳ میلیون گالن شیر صرفه‌جویی شد.

• شکایات مشتریان در مورد نشت‌ها 92% کاهش یافت و وفاداری به برند را افزایش داد.

• زمان گزارش‌دهی انطباق ۷۰٪ کاهش یافت—سیستم به‌طور خودکار گزارش‌های آماده FDA را تولید کرد و ورود دستی داده‌ها را حذف کرد.

مطالعه موردی ۳: الکترونیک – تأیید اتصالات لحیم روی بردهای مدار

چالش: یک تولیدکننده الکترونیک مصرفی با اتصالات لحیم معیوب در بردهای مدار گوشی‌های هوشمند دست و پنجه نرم می‌کرد. این اتصالات (که برای اتصال حیاتی هستند) اغلب دارای "لحیم سرد" (پیوندهای ضعیف) یا "پل‌های لحیم" (اتصالات ناخواسته) بودند که باعث می‌شد دستگاه‌ها پس از مونتاژ خراب شوند. بازرسی دستی نیاز به ذره‌بین داشت و 30 ثانیه برای هر برد طول می‌کشید - که برای خط تولید 200 برد در ساعت بسیار کند بود. بازسازی بردهای معیوب هزینه‌ای معادل 15 دلار به ازای هر واحد داشت و بازگشت‌ها سالانه 500 هزار دلار به شرکت هزینه تحمیل می‌کرد.

راه حل: تولیدکننده ماژول‌های دوربین AI با لنزهای ماکرو و قابلیت‌های تصویربرداری 3D را به کار گرفت. دوربین‌ها اسکن‌های 3D دقیقی از هر نقطه لحیم‌کاری ثبت کردند و ارتفاع، شکل و هدایت الکتریکی را اندازه‌گیری کردند. مدل AI بر روی بیش از 15,000 اسکن از نقاط لحیم‌کاری معتبر و معیوب آموزش دیده بود، از جمله موارد نادر مانند پوشش جزئی لحیم. سیستم در زمان واقعی بردهای معیوب را شناسایی کرد و توقف خودکار را در ایستگاه مونتاژ بعدی فعال کرد تا از پردازش بیشتر جلوگیری کند.

نتایج:

• نرخ عیب اتصالات لحیم از 5% به 0.3% کاهش یافت و هزینه‌های بازسازی را سالانه 420 هزار دلار کاهش داد.

• زمان بازرسی هر تخته به ۲ ثانیه کاهش یافت و توان خروجی خط را ۲۵٪ افزایش داد.

• نرخ بازگشت دستگاه‌ها به دلیل مشکلات لحیم‌کاری 88% کاهش یافت و امتیاز رضایت مشتریان بهبود یافت.

چرا ماژول‌های دوربین هوش مصنوعی تغییر دهنده بازی برای کنترل کیفیت در زمان واقعی هستند

این مطالعات موردی سه مزیت کلیدی ماژول‌های دوربین هوش مصنوعی را نسبت به کنترل کیفیت سنتی برجسته می‌کند:

1. سرعت و مقیاس‌پذیری: هوش مصنوعی تصاویر را در میلی‌ثانیه پردازش می‌کند و با سرعت خطوط تولید با حجم بالا هماهنگ است بدون اینکه دقت را فدای آن کند.

2. ثبات: بر خلاف انسان‌ها، مدل‌های هوش مصنوعی خسته نمی‌شوند و در قضاوت تغییر نمی‌کنند - آن‌ها همان استانداردها را به هر مورد، هر بار اعمال می‌کنند.

3. بینش‌های عملی: بسیاری از سیستم‌های دوربین هوش مصنوعی با ابزارهای ERP یا IoT ادغام می‌شوند، نقص‌ها را ثبت می‌کنند، روندها را شناسایی می‌کنند (به عنوان مثال، یک دستگاه که نقص‌های بیشتری تولید می‌کند) و نگهداری پیش‌بینی‌شده را امکان‌پذیر می‌سازند.

افکار نهایی

کنترل کیفیت در زمان واقعی با ماژول‌های دوربین هوش مصنوعی تنها یک "ارتقاء فناوری" نیست - این یک راه برای کسب‌وکارهاست تا ریسک را کاهش دهند، هزینه‌ها را کاهش دهند و اعتماد مشتریان را جلب کنند. چه شما در حال تولید خودرو باشید، چه بسته‌بندی غذا، یا مونتاژ الکترونیک، این سیستم‌ها به نیازهای منحصر به فرد شما (از طریق داده‌های آموزشی سفارشی) سازگار می‌شوند و نتایجی را ارائه می‌دهند که مستقیماً بر خط پایانی شما تأثیر می‌گذارد.

با پیشرفت فناوری هوش مصنوعی و تصویربرداری—با ماژول‌های کوچکتر و مقرون به صرفه‌تر و مدل‌های ML قدرتمندتر—موانع ورود به QC در زمان واقعی تنها کاهش خواهد یافت. برای کسب‌وکارهایی که به دنبال پیشی گرفتن در یک بازار رقابتی هستند، اکنون زمان سرمایه‌گذاری است.

کنترل کیفیت در زمان واقعی: مطالعات موردی با استفاده از ماژول‌های دوربین هوش مصنوعی

تماس

اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.

درباره ما

محصولات

درباره ما

پشتیبانی

+8618520876676

+8613603070842

اخبار

leo@aiusbcam.com

vicky@aiusbcam.com

WeChat