Ofte når vi snakker om prædiktiv vedligeholdelse, referere vi til den metode hvor vi forudsiger nedbrud på en motor eller et leje, ved brug af data som vibration og omdrejningshastigheder. Der findes dog en anden metode, hvor vi anvender kameraer, til at kunne detektere slitage på eksempelvis stegebånd, rullebånd, rust på eksempelvis vindmøller eller lækage i rør.

Denne blogpost vil introducere forskellige eksempler på at anvende kamera til forudsigelig vedligeholdelse. Endelig vil vi give dig nogen gode råd til hvad du skal være opmærksom på, når du går igang med denne metode.

Billede af hardware

Eksempler på anvendelse af Billedgenkendelse til Prædiktiv Vedligeholdelse

Det vil ofte være vores egen fantasi der sætter begrænsningerne, for hvor kameraer kan benyttes til prædiktiv vedligeholdelse. Nedenfor vil jeg komme med et par eksempler på gode cases, hvor forskellige segmenter kan anvende denne metode.

Vand/Spildevand

Døjer din virksomhed med overløb og tilsmudsning af brønde? Billedgenkendelse kan hjælpe dig, med at få overvåget kritiske steder i dit net. Du vil med billedgenkendelse kunne få en alarm, når en maskinlæringsmodel har detekteret at der er tilstopning i et rør, eller når vand stiger i en brønd.

Det vil ligeledes være muligt at detektere hvornår væksten af alger stiger til et niveau, hvor det kan være kritisk. Begge steder vil man kunne få en alarm i ordentlig tid, til at kunne nå at agere på det, inden der opstår et reelt problem med overløb eller stoppede brønde.

Fødevareproduktion

Hvis du som fødevarevirksomhed har et stegebånd, så kan billedgenkændelse hjælpe med at identificere små huller og krølninger på båndet, således at du kan planlægge vedligeholdelse, inden de knækker.
27 danske fødevarevirksomheder har for nyligt skrevet under på at nedbringe deres madspild med 50% inden 2030. Uplanlagte nedbrud i produktionen vil ofte fører til madspild, grundet hygiejne, temperaturer o.l., som gør at man bliver tvunget til at kassere råvarer.
Der er altså en god mulighed for at billedgenkendelse kan hjælpe disse virksomheder i mål med deres ambitiøse målsætning.

En anden sjov, men lidt anderledes use-case for billedgenkendelse indenfor fødevarebranchen, er at udnytte denne teknologi til at automatisere kvalitetskontrollen. Med billedgenkendelse kan en producent af chokolade eksempelvis få at vide hvis en chokolade er formet forkert, eller ikke er tilstrækkelig tildækket med chokolade.

Energisektoren

Med billedgenkendelse er det muligt at detektere rust på vindmøllerne offshore, og dermed kunne planlægge vedligeholdelse baseret på rust-udviklingen. Du vil ligeledes være i stand til at lave visuelle inspektioner af vindmøllerne med billedgenkendelse. Dette vil give dig en helt anden skaleringsgrad i at kunne overvåge mange vindmøller, og kun forholde dig til dem, som bliver detekteret som værende kritiske. Der findes bl.a. flere studier som bruger billedgenkendelse og droner til at detektere slitage på vingerne. Det er både hurtigere og billigere, at sende en drone ud og detektere dette, end at sende en jackup skib derud, uden at noget er galt.

Det skal du være opmærksom på

Når du går i gang med et billedgenkendelse projekt, er den første ting skal overveje hvordan du vil få taget disse billeder?
Jeg vil anbefale dig først at definere problemet, for derefter at identificere hvilke kilder du skal bruge. Det kan du læse meget mere om i vores blog post om vores koncept [Right Data]((/da/blog/2020/02/big-data-vs-right-data/). Når du har fundet de rette kilder, skal vi nu identificere hvilke krav der er, for at få samlet data op i den rette format, til at vi kan bruge det til noget. Ved accelerometere skal vi altid have for øje ikke at introducere frequency aliasing. Men når vi snakker billedgenkendelse er der lidt flere ting vi skal være opmærksomme på, nemlig opløsning, billedhastighed, og belysning. Derudover er det vigtigt at huske, i hvilket miljø kamerasensoren skal være. Husk også at opbevare billederne fra starten, så de er mere struktureret, og du hurtigt kan komme i gang med analyserne.

Opløsning

Det er vigtigt at billederne der bliver taget har en så høj opløsning, at det er tydeligt at adskille tingene på billedet fra hinanden. En høj opløsning betyder derfor at vi tydeligt kan se, hvad der er på billedet, og vil ofte afhænge af hvor mange forskellige pixels og farver der er på et billede. Det vil altså være miljøet og farverne der i høj grad sætter krav til dit kameras opløselighed.

Billedhastighed

Skal vi detektere huller i stegebånd eller slitage på rullebånd, kan det være fordelagtigt at tænde for kamera sensoren således at den tager billeder med en høj billedhastighed, indtil stegebåndet har kørt en rotation. Derefter kan den sove igen i en til to timer. I sådanne tilfælde skal du kunne sende mange billeder over broen, forholdsvis hurtigt og det vil derfor sætte krav til din bro.

Hvis du derimod ønsker at bruge billedgenkendelse til at detektere tilsmudsning i brønde, kan du nøjes med få billeder over en længere periode, da dette ikke udvikler sig lige så hurtigt. Billedhastigheden vil derfor være kortere end det første eksempel givet.

Belysning

Hvis billederne tages udenfor som eksempelvis ved en vindmøllepark, vil belysningen ændre sig, alt efter om det er en solskinsdag eller en regnvejrsdag. Ændringerne i farverne kan i nogen tilfælde komme til at have en for stor betydning for en maskinlæringsmodel, hvis vi nu altid registrere rust når det er regnvejr.
Man kan heldigvis med analyseværktøjer manipulere med disse farver, men det er noget du skal være opmærksomme på.

Modsat, vil der i en brønd eller et rør under jorden være krav til, at der kan være belysning således, at billedet ikke bliver helt sort.

Miljøet kamera sensoren er i

Hvis du befinder dig i fødevarebranchen, er det vigtigt at de sensorer og broer der installeres i produktionen kan holde til det givne miljø det udsættes for.
Skal vi eksempelvis detektere om et stegebånd er ved at knække, skal kameraet placeres over meget varme, og det er derfor vigtigt at kamera sensoren bliver pakket ind, således at den kan holde til varmen, og ligeledes ikke får en tildukket linse.
Der foruden er det utrolig vigtigt at sensorer i fødevarebranchen kan blive sterile, og kan tåle at blive ramt af de vaskemidler i bruger til rengøring.

Hvis kamera sensoren skal ned i en brønd, skal den ligeledes kunne holde til det klima der er dernede, med forskellige temperaturer, vand o.l.

Opbevaring af dine billeder

Det er vigtigt at dine billeder bliver opbevaret på en sådan måde at de er nemme at finde, og du får mere struktur på en ellers ustruktureret datakilde. Et godt sted at starte vil være at have en mappe med alle de billeder der hører til en bestemt udfordring i. Lidt ligesom du sikkert har en billedmappe på din computer der hedder “sommerferien 2018”. Det kunne eksempelvis være en fil med navnet “Tilsmudsning af brønde”. I denne mappe skal du nu lave undermapper. En mappe kunne foreksempel være “ingen-tilsmudsning”. En anden mappe kunne hedde “tilsmudsning”. Alle billeder der ikke tydeligt viser at der er tilsmudsning i brønden, hører til mappen “ingen-tilsmudsning”. Er der registreret tilsmudsning, skal billederne flyttes over i “tilsmudsning". Du har ikke blot gjort det nemt for dig at holde styr på dine billeder, men du har også gjort det nemt at komme i gang med maskinlæring, ved brug af superviseret læring.

neurospace's AI Camp

Hvis du er interesseret i at lære mere om koncepterne Big Data vs Right Data, og hvordan billedgenkendelse kan automatisere processer i din virksomhed, så er AI Campen et godt sted at starte din datarejse.

// Maria Jensen, Machine Learning Engineer @ neurospace