| dc.description.abstract | Som i mange andre bransjer har Vision System hatt betydelig innvirkning i produksjonsindustrien. Det er imidlertid forstått at samme synssystemtilnærming ikke kan installeres for forskjellige produksjonsanlegg med forskjellige omstendigheter og som produserer forskjellige produkter. Hos Vello AS produseres glass/dørprofiler. Fiberrullene som brukes som råstoff kan gå tomme og må skiftes ut. Akkurat nå er inspeksjoner og utskiftninger manuelle. På grunn av den menneskelige faktoren kan fiberruller gå glipp av under inspeksjonen, og dette kan føre til ujevnt strukturert sluttprodukt. Hvis inspeksjonen kan automatiseres ved hjelp av et robust synssystem, kan dette imidlertid forhindres og kan påvirke den totale produksjonen ganske betydelig. Så i denne artikkelen blir forskjellige synssystemer sett på, og det som ser mest lovende ut for vårt tilfelle ble valgt. Visjonssystem drevet av dyp læring, SSD-nettverksarkitektur, er valgt og implementert for å trekke ut dimensjonene fra fiberrullene. Målet er å gjøre anlegget uavhengig av manuelle inspeksjoner som kreves for å kjenne fiberrullstatus. På denne måten kan det forhindre at det går tom for fibermaterialer og til slutt eliminere negative effekter på produksjonskvaliteten. Etter flere eksperimenter ble det konkludert med at SSD-nettverksarkitektur kan levere et robust visjonssystem for anlegget. Objektdeteksjon er i stand til å trekke ut dimensjonene i millimeter når pikseldimensjonen er kalibrert. Det er imidlertid mange faktorer som kamerakvalitet, lyssetting, kamerastrategi, treningsbildekvalitet etc. som skal forbedres for et synssystem. Når disse tingene er improvisert, kan visjonssystemet installeres på anlegget for pålitelige resultater. | |
| dc.description.abstract | Like in many other industries, Vision System has made significant impact in manufacturing industry. It is however understood that same vision system approach cannot be installed for different manufacturing facility with different circumstances and producing different products. At Vello AS, glass/door profiles are manufactured. The fibre creels used as a raw material can run out and needs to be replaced. Right now, inspections and replacements are manual. Due to the human factor, come fibre rolls can be missed out during the inspection and this can lead to non-uniformly structured final product. If the inspection could be automated with the help of robust vision system however, this can be prevented and can impact the overall production quite significantly. So, in this paper, different vision systems are looked upon and the one which looks the most promising for our case was selected. Vision system powered by deep learning, SSD network architecture, is selected and implemented to extract the dimensions from the fibre rolls. The aim is to make the facility independent of manual inspections required to know the fibre roll status. This way, it can prevent running out of fibre materials and ultimately, eliminate negative effects on the production quality. After number of experimentation, it was concluded that SSD network architecture can deliver a robust vision system for the facility. Object detection is capable of extracting the dimensions in millimeters once the pixel dimension is calibrated. However, there are many factors such as camera quality, lighting, camera strategy, training image quality etc. which are to be improved for a vision system. Once these things are improvised, the vision system can be installed at the facility for dependable results. | |
