Deepvis sikrer produktionskvaliteten med Vision AI

Hvordan sikrer man kvaliteten af et produkt, hvor produktionslinjen fremstiller tusindvis af emner i timen? For mange virksomheder er svaret stadig stikprøver, manuelle kontroller og erfarne medarbejdere, der ved, hvad de skal kigge efter.

 Det kan fungere i mange sammenhænge, men når volumen er høj, materialerne varierer, og kunderne stiller stigende krav til dokumentation, kan stikprøver hurtigt blive en sårbar metode.

Netop det problem så tvillingebrødrene Carl og Mads Fagerlund i deres arbejde på faderens plastfabrik, og det blev startskuddet til virksomheden Deepvis, som i dag bygger Vision AI-modeller til produktionsanlæg.

I praksis betyder det, at kameraer med tilknyttede AI-modeller kan hjælpe produktionsvirksomheder med at kontrollere kvaliteten af produkterne, finde fejl og indsamle data direkte fra produktionslinjen.

Et startup bygget på erfaring fra produktionsgulvet

På faderens plastfabrik arbejdede Carl blandt andet med lager og værktøjsopbygning, mens Mads arbejdede med automationsanlæg og IT.

Samtidig havde de to brødre forskellige faglige profiler. Carl læste erhvervsøkonomi, og Mads læste til softwareingeniør. Kombinationen af forretningsforståelse, softwarekompetencer og praktisk erfaring fra produktionen blev afgørende, da ideen til Deepvis begyndte at tage form.

Brødrene havde selv forsøgt at finde et visionsystem, der kunne opdage fejl på plastemnerne i produktionen. Men de fandt ikke en løsning, der levede op til deres behov. Derfor besluttede Mads sig for at kaste sig over opgaven selv. Han købte et kamera og begyndte at indsamle billeder fra faderens produktion, og gik i gang med at træne en AI-vision model.

Ifølge Carl tog det Mads omkring 14 dage at få prototypen til at genkende flere forskellige fejltyper, blandt andet nister, ridser, folder og generelle variationer i renhed. Den succes blev startskuddet til, at begge brødre gik aktivt i gang med arbejdet i virksomheden. 

Deepvis er dog gået længere end den tilgængelige vej. I flere tilfælde har de trænet modeller helt fra bunden og arbejdet direkte med modellernes underliggende infrastruktur. Formålet har været at kunne portere modellerne, så de kan afvikles i deterministisk software i realtid, altså software, der reagerer forudsigeligt og med det samme, hver eneste gang. Netop den egenskab er afgørende, når AI skal indgå i en industriel produktionslinje, hvor beslutninger om godkendt eller kasseret emne skal træffes på brøkdele af et sekund.

Kvalitetskontrol: en vigtig, men dyr opgave

I mange produktionsvirksomheder er kvalitetskontrol en nødvendighed, men også ressourcekrævende del af hverdagen. Det kan være manuel inspektion, opmåling, funktionstest eller stikprøver, hvor medarbejdere løbende kontrollerer, om emnerne lever op til de krav, kunden har stillet.

Problemet er, at de metoder har deres begrænsninger. Carl nævner et eksempel med virksomheder, der producerer op til 6.000 emner i timen. Hvis man kun tager få stikprøver i løbet af en time, kontrollerer man reelt kun en meget lille del af den samlede produktion, det kan være helt ned til under 1%. Resten sendes videre på baggrund af en antagelse om, at kvaliteten er stabil.

Men det er den ikke altid. Særligt i produktioner, hvor der bruges genbrugsmaterialer, kan kvaliteten variere fra emne til emne. I plastindustrien kan urenheder i materialet, temperaturforskelle i formen eller små variationer i processen føre til fejl. Derfor kan en stikprøve give et for snævert billede af, hvad der faktisk sker på produktionslinjen.

Det er her, Vision AI kan ændre logikken i kvalitetskontrollen. I stedet for at kontrollere enkelte udvalgte emner kan et kamera registrere hvert eneste emne, mens en AI-model vurderer, om der er fejl. På den måde kan virksomheden gå fra stikprøvekontrol til 100% visuel kontrol.

Businesscasen ligger altså i det, der kaldes "Cost of Quality". Det dækker både over det, virksomheden bruger på at sikre kvaliteten, og det, det koster, når kvaliteten svigter.

Cost of Quality kan for eksempel være medarbejdertid brugt på manuel kontrol, opmåling og dokumentation. Men det kan også være kassation, omarbejde, reklamationer, varer der skal sendes frem og tilbage, eller i værste fald tabet af en vigtig kunde.

Ifølge Carl ligger Cost of Quality i mange produktionsvirksomheder typisk omkring 15-20% af omsætningen. Det betyder, at selv små forbedringer i kvalitetsarbejdet kan have stor økonomisk betydning.

Særligt for underleverandører kan det være afgørende. Hvis man som mindre dansk produktionsvirksomhed leverer til en stor kunde med strenge kvalitetskrav, er der ofte ikke meget plads til fejl. Manglende dokumentation eller ustabil kvalitet kan i sidste ende koste dyrt, fordi kunden kan vælge en anden leverandør.

Samtidig skaber systemet et datagrundlag, som virksomhederne ikke nødvendigvis har i dag. Når kameraet registrerer hvert emne, kan virksomheden begynde at se mønstre i fejlene. Hvor ofte opstår de? Hvilke typer fejl er mest almindelige? Kommer de fra en bestemt kavitet i formen? Opstår de på bestemte tidspunkter i produktionen?

Dermed kan data fra kvalitetskontrollen bruges til at forbedre værktøjer, justere processer og over tid hæve den generelle kvalitet i produktionen.

Sådan ser løsningen ud i dag

Deepvis’ løsning består i dag af tre dele: et kamera, software og en computerenhed, der kan køre AI-modellen lokalt ved produktionslinjen.

Når et emne passerer kameraet, tager systemet et billede. AI-modellen vurderer billedet og sender et resultat videre. I den simple ende kan resultatet bruges til at sortere fejlbehæftede emner fra, for eksempel med en luftdyse. I mere avancerede løsninger kan resultatet bruges direkte i automationsanlægget, så maskiner eller robotter reagerer på det, kameraet ser.

En central del af løsningen er den software, Deepvis har bygget oven på selve modellen. Her kan virksomheden følge kameraets registreringer live, se hvilke fejl systemet opdager, og få et samlet overblik over produktionen. Det gør løsningen mere anvendelig i praksis, fordi kvalitetskontrollen ikke kun sker i øjeblikket på produktionslinjen, men også bliver omsat til data, som virksomheden kan bruge bagefter.

Udklip fra forsiden på monitoreringsprogrammet

Softwaren kan blandt andet bruges til at trække rapporter over fejltyper, udvikling over tid og konsekvenserne af forskellige fejl i produktionen. På den måde kan virksomheden ikke bare frasortere defekte emner, men også begynde at forstå, hvor fejlene opstår, hvor ofte de opstår, og hvilke fejl der har størst betydning for kvaliteten.

Udklip fra fejlrapporten i monitoreringsprogrammet

En vigtig beslutning for Deepvis har været, at systemet skal kunne køre lokalt. Det betyder, at billeder, modelkørsel og datahåndtering kan ske direkte ved produktionslinjen. For mange produktionsvirksomheder er det en fordel, fordi det reducerer spørgsmål om datasikkerhed, netværksopsætninger og adgang til kundens produktionsmiljø.

Selve opsætningen afhænger dog meget af den enkelte produktion. Nogle virksomheder har nye automationsanlæg, andre har ældre maskiner, specialbyggede løsninger eller interne systemer, der ikke uden videre kan udskiftes. Derfor skal en Vision AI-løsning kunne tilpasses det flow, der allerede findes på fabrikken.

Det betyder også, at et projekt sjældent starter med en færdig standardløsning. Ifølge Carl begynder Deepvis typisk med at forstå, hvad virksomheden gerne vil kontrollere, og hvordan emnerne bevæger sig gennem produktionen. Hvad skal kameraet se? Hvor hurtigt kører linjen? Skal systemet bare give et signal, eller skal det kobles tættere sammen med resten af automationsanlægget?

I nogle tilfælde kan virksomheden sende emner ind til Deepvis, som laver en indledende test i et mere kontrolleret setup. I andre tilfælde giver det bedre mening at besøge produktionen og se, hvordan emnerne faktisk håndteres på linjen.

Hvordan kommer man i gang med vision AI?

For mange virksomheder kan Vision AI lyde som et stort og teknisk projekt. Men ifølge Carl behøver det første skridt ikke være særlig kompliceret. Ofte handler det først om at afklare, om kameraet overhovedet kan se den fejl, virksomheden vil finde, og om emnet kan præsenteres på en stabil måde i produktionen.

Den afklaring kan typisk laves, før man går i gang med en større implementering. Enten ved at virksomheden sender emner ind til en indledende test, eller ved at Deepvis besøger produktionen og ser, hvordan flowet fungerer i praksis.

Ifølge Carl kan man i mange tilfælde komme langt med omkring 500 til 2.000 billeder af emnerne, afhængigt af hvor mange fejltyper systemet skal kunne genkende, og hvor tydeligt fejlene fremgår.

Hvad andre virksomheder kan lære af Deepvis

Deepvis’ historie viser noget grundlæggende om, hvordan produktionsvirksomheder kan arbejde med ny teknologi på en praktisk måde.

Start med teknologien

Hos Deepvis begyndte arbejdet ikke med et ønske om at “bruge AI”, men med en konkret udfordring i produktionen: Hvordan opdager man fejl hurtigt nok, præcist nok og systematisk nok, når der produceres store mængder emner?

AI skaber nemlig mest værdi, når teknologien kobles til et problem, der allerede koster tid, penge eller kvalitet i forretningen.

Kvalitetskontrol som konkurrenceparameter

Kvalitetskontrol er ikke kun en opgave, der ligger hos operatører eller kvalitetsafdelingen. Det påvirker økonomi, kundetillid og virksomhedens evne til at levere stabilt. Hvis man som underleverandør arbejder for store kunder med høje dokumentationskrav, kan kvalitet i sidste ende også handle om at fastholde sine kunder.

Derfor er det relevant for ledelsen at spørge: Hvad koster kvalitet os i dag? Hvor meget tid bruger vi på at kontrollere? Hvad koster fejl, når de slipper igennem? Og hvor meget ved vi egentlig om, hvorfor fejlene opstår?

Det er lettere at komme i gang, end du tror

Mange holder sig tilbage, fordi de forestiller sig, at de skal have flere års historik eller tusindvis af korrekt mærkede billeder, før de kan komme i gang. Men i mange tilfælde kan en første test laves med langt mindre. Det vigtigste skridt, man kan tage, er at komme i gang og få testet og afprøvet mulighederne.

Vil du lære mere om AI?

AI udvikler sig hurtigt, og det kan være svært at følge med, men du står ikke alene. Hos Dansk Industri har vi samlet en lang række ressourcer, der gør det lettere at forstå, anvende og implementere AI – uanset om du er i gang, på vej eller bare nysgerrig.

Hvis du har fået blod på tanden efter at læse om Royal Greenlands rejse, og gerne vil lære mere om AI, så kan du finde mere materiale på vores AI for Alle univers.

Her finder du desuden:

• Guides og artikler om alt inden for AI
• Konkrete cases fra danske virksomheder
• Gratis værktøjer og vejledninger
• Kurser og events

AI er ikke kun for specialister og teknikere. Det er for alle, der vil være med til at forme fremtiden, og bruge teknologien klogt og ansvarligt.