- AI
- NVIDIA
- Case story
Undgå fejl i etikettering i produktionen og boost produktiviteten. I denne case fortæller vi om implementering af Machine Vision-teknologi og Edge AI hos vores kunde – en førende producent af luksus-slik. En proces, som skabte store fordele igennem optimering af deres etiketinspektion.
Vores etiketinspektions-løsning er ideel for producenter på tværs af brancher og industrier, som alle har et kritisk behov for korrekt etikettering. Med en kombination af cutting-edge teknologi og kundens eksisterende tekniske infrastruktur, leverer vi løsninger til effektive og præcise inspektioner. Løsninger, som sparer tid og sikrer kvalitet og compliance – og som garanterer smidige produktionsprocesser og kundetilfredshed.
Forretningsstrategiske mål
En stor dansk slikproducent ønskede at strømline produktionen ved at udnytte kunstig intelligens i deres etiketinspektion. Deres eksisterende Machine Vision-system var begrænset til at processere blot 12 slikbarrer per minut. For at fjerne denne flaskehals, satte vi os for at øge systemets kapacitet.
Vores mål indledningsvist var at implementere et notifikationssystem, som skulle kunne engagere maskingodkendelse og dermed introducere endnu hurtigere kameraer, så procesraten blev øget med 100 %. Vores mål var at sætte kunden i stand til præcist at kunne registrere og verificere, at en etiket blev påført i overensstemmelse med slikbarrens emblem.
Dernæst trænede vi systemet i at læse etiketter og forstå disses indhold, inklusive sprog, produktdetaljer og placering – helt præcist. Som et sidste skridt etablerede vi en automatiseret fjernelse af defekte produkter fra produktionslinjen med et system, som advarer operatøren om enhver afvigelse.
Løsning
For at imødekomme vores kundes behov for en forbedret etiketinspektion, udviklede vi en Machine Vision-løsning, baseret på YOLO (You Only Look Once), som er en ny game-changer for måden, vi i dag arbejder med etiketinspektion i fødevareproduktion.
Centrale komponenter i løsningen:
-
Højhastigheds Basler-kamera:
Integrationen af Basler-kameraerne gjorde det muligt at øge procestempoet markant. Det gjorde det nu muligt for os at inspicere op til 30 slikbarrer i minuttet, mere end dobbelt så mange som den tidligere kapacitet på 12 barrer i minuttet.
-
Opdelt arkitektur:
Systemet blev implementeret i et opdelt – et containerized – miljø, hvilket skabte nye muligheder for skallering og drift. De primære containers var:
Inference container: Denne del huser AI-modellen, som er ansvarlig for etiketinspektion i realtid. Baseret på en Python-platform og med et supervision framework.
Model container: Denne del udgør den deep learning-model, om vi trænede systemet med, og som skabte optimeringen af både performance og præcision.
Web interface container: Et simpelt web interface blev udviklet, så operatørerne blev udstyret med muligheder for justering og indsigt i realtid.
Resultat
Vores Machine Vision-baserede etiketinspektions-løsning har haft en transformativ effekt på driften af slikproducentens produktionsanlæg. Ved at automatisere inspektionsprocessen opnåede vi følgende:
- Et markant løft på 150 % i produktivitet igennem en opnået inspektion af 30 slikbarrer i minuttet sammenlignet med blot 12 tidligere.
- Hurtigere identifikation af korrekt etiketterede slikbarrer, hvilket reducerede inspektionstiden med 60 %
- En øget andel af højkvalitetsprodukter, som kommer på markedet.
- Et generelt forbedret produktions-workflow, en optimeret ressourceallokation og en mere produktiv og cost-effektiv produktionslinje.
Udfordringer
Optimering af højhastighedsinspektion uden at kompromittere præcision
Èn af de primære udfordringer, vi stødte på, var at opnå en balance mellem hastighed og præcision i etiketinspektionen. Vores team fin-tunede Computer Vision-algoritmen og hardware-setup’et for at sikre en hurtig og pålidelig identifikation og validering af etiketter – uden at gå på kompromis med kvaliteten.
Tilpasning til flersproglige og internationale krav
Med udgangspunkt i et meget bredt kundesegment for luksusslik-producenten var det vigtigt at kunne implementere et system, som effektivt kunne sortere etiketter ud fra sprog og lande. Vores løsning inkluderede derfor også sprogdetektion-algoritmer og lande-specifik etiket-kategorisering for effektivt at imødekomme disse faktorer og krav.
Strømlining af produktionen og fjernelse af defekte produkter
I tillæg til etiketinspektion inkluderede vores løsning også en automatiseret mekanisme til at fjerne defekte produkter fra produktionslinjen. Dette øgede yderligere den overordnede produktionseffektivitet ved at sikre, at kun højkvalitets-slikbarrer nåede frem til pakketerings- og distributions-faserne.
Ifølge Worldmetrics kan AI øge fødevaresikkerhed med detektering af fejl i realtid – med 99 % præcision.
