Grafisk bild som ska symbolisera Nomalizing flows

Projekt: Produktionsintegrerad visuell inspektion baserad på oövervakad maskininlärning

Syftet med projektet är införa och förbättra maskininlärningsbaserad bedömning av kvaliteten hos serietillverkade industriella (stål)produkter och på ett snabbare och effektivare sätt kunna identifiera fel. Målet är att introducera avvikelsedetektering baserat på normalizing flows i verkliga industriella processer, och stärka upp befintlig End-to-End-lösning inom visuell inspektion.

Fakta om projektet

Projektledare
Diana Unander
Övriga projektmedlemmar
Welf Löwe, Morgan Ericsson, Jonas Nordqvist, Felix Viberg, Martin Kroon och Björn Lindenberg
Deltagande organisationer
Linnéuniversitetet, Gimic, och Gunnebo Industrier som är en del av The Crosby Group och SKF
Finansiär
Vinnova (inom utlysningen Avancerad och innovativ digitalisering hösten 2022)
Tidsplan
1 januari 2023 – 31 december 2025
Ämne
Data- och informationsvetenskap (institutionen för datavetenskap och medieteknik, fakulteten för teknik)
Forskargrupp
Data Intensive Software Technologies and Applications (DISTA), Smart Industry Group (SIG)
Linnaeus University Center
Linnaeus University Centre for Data Intensive Sciences and Applications (DISA)

Mer om projektet

Historiskt har industriell kvalitetskontroll inneburit manuell avsyning, det vill sig ha personer som bedömer kvalitet och söker fel med blotta ögat, något som är både kostsamt och känsligt för fel. Nyligen har avvikelsedetektering baserad på maskininlärning introducerats för att ersätta den manuella hanteringen. Detta innebär att processen kan automatiseras men metoderna kräver insamling av träningsdata, som i sin tur måste annoteras (det vill säga manuellt lära upp systemet vad som är rätt och fel).

Modern industriell kvalitetsgranskning bör istället baseras på maskininlärning med mindre behov för annotering, s.k. oövervakad inlärning. Dessa modeller kvantifierar sannolikheten för att en bild är normal eller avvikande. Här är s.k. normalizing flows ett lovande exempel gällande noggrannhet i detektering av avvikelser på standarddatamängder. Men standarddatamängder speglar inte nödvändigtvis verkliga produktionsdata varför en större utredning måste göras.

Projektet sammanför en unik grupp experter från tillverkningsindustrin, automation, kvalitetssäkring samt forskning, en sammansättning som tillsammans har den kunskap och erfarenhet som krävs för att nå målen.

Gimic är ett startupbolag i industriell kvalitetssäkring som redan arbetar med toppmodern teknik för kvalitetssäkring, på vilkas plattform metoderna implementeras. SKF och Gunnebo Industries bidrar med sin expertis inom tillverkande processer och industriell kravställning, samt stora mängder produktionsdata. Metoderna kommer testas och driftsättas hos de båda företagen. Forskare från Linnéuniversitetet för med sig den vetenskapliga tyngd som krävs för att förbättra och generalisera existerande metoder.

Projektet är en del av forskningen i forskargrupperna Data Intensive Software Technologies and Applications (DISTA) och Smart Industry Group (SIG) samt i Linnaeus University Centre for Data Intensive Sciences and Applications (DISA).

Aktuellt

Nyheter

Medarbetare