Automatiserad Kvalitetskontroll av pressgjutna och varmpressade Metallkomponenter (AutoKvalM)

Eftersom dagens kvalitetskontroll av metallkomponenter som tillverkas av pressgjuterier och varmpressningsföretag oftast utförs manuellt, skulle ökad automatisering av detta moment kraftigt gynna deras konkurrensförmåga. Dels skulle ledtider kunna kortas ner och materialkassationen minskas, och dels skulle det hjälpa till att öka förmågan för företag inom dessa branscher att rekrytera personal, eftersom det skulle eliminera ett monotont och tungt arbetsmoment.

Projektet avser därför utveckla, testa och utvärdera kamerasystem för automatiserad kvalitetskontroll av pressgjutna och varmpressade metallkomponenter. De system som ingår i projektet skiljer sig delvis åt i utförande, vilket ökar möjligheten att hitta den bästa lösningen för deltagande metallförädlingsföretag. Projektet utgörs huvudsakligen av två steg. I det första steget byggs en testbädd upp hos Swerea SWECAST, där två kameraföretag under produktionslika förhållanden kan samla in bilddata och testa sina system. Ett tredje system baserat på billiga webkameror och öppen källkod kommer även att utvecklas och testas i denna testbädd; detta görs av RISE SICS, med viss guidning av Högskolan i Skövde som i ett parallellt löpande projekt utvecklar ett liknande system för andra branscher. I det andra steget körs tester i skarpa produktionslinjer.

Förväntade effekter och resultat

Huvudmålet med projektet är för teknik för automatisk optisk kvalitetskontroll att ta ett betydande steg närmare praktisk implementering på svenska pressgjuterier och varmpressningsföretag. Detta innebär utveckling av kamerasystem som uppvisar kapacitet att känna igen flera olika slags defekter under flera olika slags förhållanden (läge på komponenten, ljusförhållanden etc.) på flera olika slags metallkomponenter. Ett mycket realistiskt delmål på vägen dit, tillika en minsta leverans, är ett proof-of-concept: ett kamerasystem baserat på djupa neurala nätverk som klarar av att detektera minst en typ av defekt. Ytterligare delmål är att generera ny kunskap om maskininlärning och automation hos projektets alla deltagare, samt att sprida denna kunskap vidare via rapporter och presentationer.

Planerat upplägg och utförande

Projektet är uppdelat i fem arbetspaket.

AP1: Projektledning

AP2: Kravspecifikationer från industrin

AP3: Datainsamling och testning

AP4: Mjukvaruutveckling

AP5: Rapportering och kunskapsspridning

 

Koordinator: Swerea SWECAST