AI & Maskinvision

Maskinvision er kunsten at lade en computer se og bedømme det samme som et trænet menneskeøje. Bare hurtigere, mere ensartet og uden at blive træt efter otte timer ved samlebåndet. Når et kamera kobles sammen med en GPU og en god model, kan en produktionslinje selv finde ridser, fejlmonteringer og mål uden for tolerance i realtid.

I de senere år er to ting smeltet sammen. Klassisk maskinvision med kalibrerede kameraer og regelbaserede algoritmer. Og moderne AI-inferens med neurale netværk der kan genkende mønstre, som er svære at beskrive med faste regler. Resultatet er systemer der både måler præcist og skønner intelligent.

Denne artikel gennemgår hvad maskinvision og edge-AI faktisk kræver af hardwaren. Vi ser på kamera-inspektion, belysning, optik, GPU-valg til realtid og de driftsmiljøer hvor en almindelig kontor-PC ikke holder. Målet er at give en teknisk køber et solidt grundlag for at vælge rigtigt første gang.

Hvad maskinvision er, og hvorfor det betaler sig

Et maskinvisionssystem består af fire dele der skal spille sammen. Et kamera der optager billedet. En optik der danner billedet skarpt på sensoren. En belysning der gør det relevante synligt. Og en computer der behandler billedet og træffer en beslutning. Falder en af delene fra, falder hele inspektionen.

Den klassiske tilgang bruger faste algoritmer. Kantdetektion, blob-analyse, mønstergenkendelse og målinger i kalibrerede enheder. Den er hurtig og forudsigelig. Den fungerer godt når fejlen kan beskrives præcist. Et hul der mangler. En afstand der er for stor. En farve der afviger.

AI-inferens kommer ind hvor variationen er for stor til faste regler. Tænk på overfladefejl i træ, læder eller støbte emner. Her ser to gode emner aldrig helt ens ud, og en fejl kan have tusind former. Et neuralt netværk trænet på mange eksempler lærer at skelne god fra dårlig på en måde der ligner menneskelig vurdering. De to metoder udelukker ikke hinanden. De bedste systemer bruger ofte regelbaseret måling til det målbare og AI til det skønsmæssige.

Gevinsten er konkret. Færre fejl slipper igennem til kunden. Reklamationer falder. Linjen kan køre hurtigere, fordi inspektionen ikke er flaskehalsen. Og kvalitetsdata logges automatisk, så man kan se hvornår og hvor fejlene opstår. Det åbner for at rette årsagen i stedet for kun at frasortere symptomet.

Hvorfor produktionsmiljøet er hårdt ved hardwaren

En maskinvisions-PC står sjældent i et rent serverrum. Den sidder i et el-skab på fabriksgulvet eller monteret tæt på linjen. Det stiller krav som almindeligt IT-udstyr ikke er bygget til at klare.

Varme og køling

En GPU der kører inferens konstant udvikler meget varme. Inde i et lukket el-skab kan temperaturen nemt nå 50 grader. Et fanless-design uden blæsere er at foretrække, fordi blæsere trækker støv ind og slides op. Et fanless industrisystem leder varmen ud gennem chassiset via køleribber. Det kræver gennemtænkt mekanik, men det giver en maskine uden bevægelige dele der kan svigte.

Vibration og støv

Maskiner ryster. Transportbånd, presser og motorer sender vibrationer videre til alt i nærheden. En harddisk med roterende skiver er sårbar her. Derfor bruger industri-PC'er SSD eller loddet eMMC-lagring uden bevægelige dele. Stik bør være skruede eller låste, så de ikke arbejder sig løse. Støv er den anden fjende. Det lægger sig på optik og elektronik og forringer både billede og køling.

Oppetid og levetid

En produktionslinje kører ofte 24/7. Stopper inspektionen, stopper linjen, og det koster dyrt per minut. Derfor skal hardwaren være bygget til kontinuerlig drift over mange år. Industrielle komponenter har typisk lang tilgængelighed, så man kan købe identisk reservedel om fem år. Forbruger-hardware skifter generation hvert år, og så kan en simpel reparation kræve at hele systemet kvalificeres på ny.

• Fanless køling der klarer høj omgivelsestemperatur i lukket skab
• SSD eller eMMC uden bevægelige dele der tåler vibration
• Bredt indgangsspændingsområde til ustabil industristrøm
• Industrielle temperaturklasser, ofte fra minus 20 til plus 60 grader
• Lang komponent-tilgængelighed så reservedele matcher
• Låste stik og robust chassis der tåler ryst og slag

GPU og regnekraft til realtid

Hjertet i et moderne edge-AI-system er regnekraften til inferens. Det er her billedet bliver til en beslutning. Valget af GPU afgør hvor mange billeder per sekund systemet kan håndtere og hvor avancerede modeller det kan køre.

Tre faktorer styrer behovet. Opløsningen på kameraet. Antallet af emner per minut. Og kompleksiteten af modellen. En simpel klassifikation af et lille billede kan køre på beskeden hardware. Segmentering af en højopløst overflade i fuld linjehastighed kræver en kraftig dedikeret GPU.

Hvornår er en dedikeret GPU nødvendig

For tunge modeller og høj billedhastighed er en dedikeret GPU med mange CUDA-kerner og rigelig VRAM det rigtige valg. VRAM-mængden sætter loftet for hvor stor en model og hvor stort et billede der kan ligge i hukommelsen samtidig. Løber den tør, falder ydelsen drastisk. For batch-inferens og flere kameraer på én maskine giver et GPU-system desuden mulighed for at fordele arbejdet effektivt.

Når en integreret løsning rækker

Ikke alt kræver et fuldt GPU-system. Mange opgaver kan klares med en integreret NPU eller en mindre accelerator. Et enkelt kamera der inspicerer et par emner i sekundet med en let model klarer sig fint på et kompakt fanless-system. Her vinder man plads, lavt strømforbrug og lavere varmeudvikling. Pointen er at matche regnekraften til den faktiske opgave i stedet for at købe for stort eller for småt.

Belysning og optik afgør resultatet

Et almindeligt overset punkt er at billedkvaliteten skabes før billedet rammer sensoren. Den bedste GPU kan ikke redde et dårligt belyst eller uskarpt billede. Belysning og optik er ikke tilbehør. De er fundamentet.

Belysning

Formålet med belysning er at gøre fejlen synlig og resten ensartet. Forskellige teknikker fremhæver forskellige ting. Bagbelysning viser kontur og huller skarpt som silhuet. Medbelysning fra siden i lav vinkel kaster skygger der afslører ridser og hævninger på en overflade. Diffust lys fjerner generende reflekser på blanke emner. Stabil og kraftig LED-belysning gør desuden at man kan bruge korte lukketider, så bevægelse ikke giver sløring.

Optik

Objektivet skal matche kameraet og afstanden. Brændvidden bestemmer synsfeltet ved en given afstand. Telecentriske objektiver er værd at kende, fordi de fjerner perspektivforvrængning, så et emne måler det samme uanset hvor det ligger i billedet. Det er afgørende ved præcise mål. Skarphedsdybden skal også passe til emnets højdevariation, ellers bliver dele af billedet uskarpt.

Edge frem for sky

Hvorfor køre AI lokalt i stedet for at sende billeder til en server eller skyen. Svaret er latens, båndbredde og driftssikkerhed. En inspektion skal træffe beslutning på millisekunder, mens emnet stadig er foran aktuatoren. Sender man hvert højopløst billede over netværket, er forsinkelsen for stor og båndbredden løber tør.

Edge betyder at regnekraften sidder ved maskinen. Billedet behandles der hvor det optages. Det giver konstant lav latens uanset netværkets tilstand. Linjen kan køre videre selv hvis forbindelsen til resten af IT-systemet ryger. Følsomme produktionsdata forlader heller ikke fabrikken unødigt. Man sender typisk kun resultater og statistik videre, ikke rå billeder.

Edge-systemet skal til gengæld kunne integreres med resten af anlægget. Det betyder ofte digitale ind- og udgange til at styre frasortering, samt industriprotokoller som OPC UA, Modbus eller PROFINET til at tale med PLC og overordnet styring. En industri-PC med disse grænseflader passer naturligt ind, hvor en kontor-PC ville kræve ekstra konverteringsbokse.

Typiske anvendelser

Kvalitetskontrol og defektdetektion

Den klassiske opgave. Hvert emne inspiceres for fejl inden det forlader stationen. Ridser, buler, misfarvning, sprækker og manglende dele. AI er især stærk her, fordi overfladefejl varierer uendeligt. Et netværk trænet på gode og dårlige eksempler fanger det en fast regel ville misse.

Måling og verifikation

Kontrol af mål mod tolerance. Sidder hullet rigtigt. Er afstanden korrekt. Her er kalibreret optik og regelbaseret måling ofte bedst, fordi resultatet skal være et præcist tal i millimeter, ikke et skøn.

Montagekontrol og tilstedeværelse

Verifikation af at alle dele er monteret og vender rigtigt. Sidder alle skruer. Er kablet sat i. Er etiketten påsat og læselig. Vision fanger den slags fejl før produktet pakkes, hvor de er langt billigere at rette.

Sortering og styring

Genkendelse og sortering efter type, farve eller størrelse. Systemet identificerer hvert emne og dirigerer det til rette spor. Det samme princip bruges til at styre robotter, der skal gribe emner i tilfældig position.

• Overfladeinspektion af metal, plast, træ og glas
• Aflæsning af tekst, koder og etiketter
• Måling og tolerancekontrol i kalibrerede enheder
• Montage- og fuldstændighedskontrol før pakning
• Sortering efter type, farve eller defekt
• Styring af pluk-robotter ud fra emnets position

Sådan vælger du, og hvad du vejer op

Valget af system handler om at finde balancen mellem ydelse, miljø og levetid. Start med opgaven, ikke med hardwaren. Hvor mange emner i minuttet. Hvor stort og hvor opløst et billede. Hvor kompleks en model. Disse tal sætter rammen for hvor meget regnekraft der skal til.

Dernæst kommer miljøet. Hvor varmt bliver der i skabet. Er der vibration. Er der støv eller fugt der kræver en bestemt IP-klasse. Skal systemet certificeres til en branche. Disse krav afgør chassis, køling og komponentvalg.

Til sidst kommer integration og fremtid. Hvilke grænseflader skal til for at tale med PLC og kameraer. Hvor mange kameraer skal kobles på samme maskine. Og hvor længe skal systemet kunne suppleres med identiske enheder. En god industri-PC vælges med ti års horisont, ikke kun til den første installation.

Sådan hjælper EmbeddedPC

Vi leverer industri- og GPU-systemer der er bygget til netop disse opgaver. Fanless designs til varme skabe. Robuste maskiner til vibration og støv. Og GPU-systemer med plads til tung inferens og flere kameraer. Vi tilpasser konfigurationen til din opgave, så du ikke betaler for regnekraft du ikke bruger, og ikke kommer til kort på linjen.

Som B2B-leverandør arbejder vi kvotebaseret. Du beskriver din opgave og dit miljø, og vi sammensætter et forslag på CPU, GPU, RAM, lagring, grænseflader og montering. Vi tænker også på det lange løb, så reservedele og identiske enheder er tilgængelige fremover. EmbeddedPC er en del af AiTech A/S, og rådgivningen bygger på mange års erfaring med hardware til krævende industrimiljøer.

Ofte stillede spørgsmål

Skal jeg bruge en dedikeret GPU eller rækker en integreret løsning?

Det afhænger af modellens størrelse, billedopløsningen og hvor mange emner du inspicerer per minut. Lette opgaver med ét kamera og en simpel model kører fint på en integreret NPU i et kompakt fanless-system. Tunge modeller, høj opløsning eller flere kameraer kræver en dedikeret GPU med rigelig VRAM. Vi hjælper med at dimensionere ud fra din konkrete pipeline.

Hvorfor ikke bare bruge en almindelig PC med et godt grafikkort?

En kontor-PC er ikke bygget til fabriksgulvet. Den tåler ikke høj skabstemperatur, vibration og støv over lang tid, og blæsere slides og trækker snavs ind. Industri-PC'er bruger fanless køling, lagring uden bevægelige dele og komponenter med lang tilgængelighed. De har desuden de digitale ind- og udgange og industriprotokoller, der skal til for at tale med PLC og aktuatorer.

Hvor vigtig er belysningen egentlig?

Den er afgørende. Billedkvaliteten skabes før billedet rammer sensoren. Den bedste GPU kan ikke redde et dårligt belyst billede. Rigtig belysning gør fejlen synlig og resten ensartet, og kraftig stabil belysning tillader korte lukketider, så bevægelse ikke giver sløring. Investér i belysning og optik først, så har resten af systemet noget godt at arbejde med.

Kan jeg køre AI-inferensen lokalt i stedet for i skyen?

Ja, og det er som regel det rigtige til realtidsinspektion. Edge betyder at regnekraften sidder ved maskinen, så beslutningen tages på millisekunder uanset netværkets tilstand. Linjen kører videre selv hvis forbindelsen ryger, og følsomme billeddata forlader ikke fabrikken. Typisk sendes kun resultater og statistik videre til det overordnede system.

Hvor mange kameraer kan ét system håndtere?

Det styres af regnekraft, båndbredde og grænseflader. Et kraftigt GPU-system kan fordele inferens over flere kameraer, mens et lille fanless-system typisk passer til ét eller to. Vi vurderer den samlede belastning og sørger for at vælge en maskine med hovedrum, så et ekstra kamera senere ikke kræver et helt nyt system.

Hvordan sikrer jeg reservedele om flere år?

Ved at vælge industrielle komponenter med lang tilgængelighed fra start. Forbruger-hardware skifter generation hvert år, og så kan en simpel reparation kræve, at hele systemet kvalificeres på ny. Industrielle systemer fås ofte identiske i mange år. Vi rådgiver om valg med lang levetid, så din installation kan suppleres og repareres uden ubehagelige overraskelser.