Довольно часто современные производители мебельных щитов и клееного бруса сталкиваются с проблемой контроля ориентации ламелей. Определённые сложности создаёт соблюдение направления волокон древесины при формировании стека. На помощь производителям приходит система распознавания ориентации годовых колец ламелей на базе нейронной сети и машинного обучения от немецкой компании SICK AG.
Как правило, перед склейкой ламели визуально сортируют только по качеству без учёта места их выпиловки из бревна. Хотя устойчивая форма щитов и бруса в условиях эксплуатации обеспечивается именно за счёт различного направления волокон древесины в смежных слоях.
Так, например, в производстве клееного бруса необходимо обеспечить сборку ламелей таким образом, чтобы древесные волокна (или, как их ещё называют, «годичные кольца») были направлены в противоположные стороны, а внешние ламели сориентированы центром колец наружу. Это позволяет снизить уровень напряжения в стеке, что в дальнейшем положительно сказывается на качестве бруса при его эксплуатации, делает его более прочным, исключая образование продольных трещин или изменение его геометрии при скачках влажности или температуры.
Таким образом, организация оптимизированного процесса сортировки ламелей с учётом ориентации годовых колец является актуальной производственной задачей, а её решение позволяет существенно повысить качество продукции.
Технология глубинного обучения (Deep Learning)
На сегодняшний день данная задача успешно решается благодаря разработкам немецкой компании SICK AG. Решение на базе камеры технического зрения SICK InspectorP621 с поддержкой глубинного обучения позволяет оценивать ориентацию годовых колец ламелей в соответствии с их типом. Оценка формируется на основе выводов обученной нейронной сети и настраивается с помощью приложения SICK Intelligent Sensor Inspection. Это позволяет правильным образом классифицировать и ориентировать ламели, автоматизируя данный процесс и обеспечивая реализацию производственной технологии надлежащим образом.
Глубинное обучение — один из методов машинного обучения, который предполагает самостоятельное выстраивание и тренировку нейронной сети. Используя этот метод, можно обучить сеть на основе конкретных примеров с предварительно опредёленными для них результатами. Нейронные сети SICK обучаются на примерах изображений, как и люди, чтобы в дальнейшем выполнять классификации на предмет допустимых вариаций.
Теперь нет необходимости в трудоёмкой разработке с использованием набора правил и алгоритмов для выявления форм ориентации, поиска узоров или краёв, что может быть особенно сложным для изображений, которые трудно анализировать и оценивать. Благодаря устройствам SICK с поддержкой Deep Learning обработка изображения осуществляется непосредственно на самом устройстве за короткое и предсказуемое время без использования дополнительного ПК. А результаты поступают в систему управления, в том числе с возможностью вывода дискретного сигнала по результатам того или иного события в ходе классификации.
Точные и надёжные алгоритмы
Обучение нейронной сети проводят посредством облачных вычислений с опорой на интуитивно понятный графический интерфейс онлайн-сервиса SICK dStudio. Предварительно отсортированные изображения загружают в облако, где в ходе процесса обучения формируется нейронная сеть. Готовая сеть может быть загружена на устройство SICK с поддержкой Deep Learning. Процесс автоматического вывода результатов классификации порисходит автономно, без подключения к облаку.
Таким образом, устройства с поддержкой глубинного обучения позволяют значительно упростить процесс анализа данных, выполняя классификацию изображений с помощью нейронной сети непосредственно на самой камере SICK.
Пользователю не понадобится отдельное обучающее оборудование или программное обеспечение, что позволит сэкономить средства и время на их внедрение. Благодаря глубинному обучению программируемые устройства SICK автоматически принимают решения, используя заранее выстроенные паттерны, проводят точные и надёжные классификации, которые ранее были чрезвычайно сложными или невозможными в высокоскоростных автоматизированных процессах.
Узнать больше можно на www.sick.ru или обратившись к руководителю направления «Машиностроение» SICK Россия Максиму Ульянкину maxim.ulyankin@sick.ru