Een extra zintuig om data te verzamelen en analyseren
Een productielijn inspecteren met een iPhone, een magazijn met een robot of een brug met een drone? Developers kunnen applicaties nu voorzien een kant-en-klare module voor beeldherkenning: IBM Maximo Visual Inspection. Deze technologie bevat AI die camerabeelden analyseert om bijvoorbeeld onderhoudsissues te detecteren of zelfrijdende voertuigen aan te sturen. Hoe werkt deze module in de praktijk?
Geschreven door Ronald Teijken and Damiaan Zwietering en origineel verschenen op ibm.com
Het is voor het eerst dat developers kunnen beschikken over een afgekaderde module van beeldherkenningssoftware met AI als integraal onderdeel. Dit maakt het mogelijk oplossingen te voorzien van een extra zintuig dat niet alleen signaleert, maar ook analyseert. In dit artikel laten Ronald Teijken, Business Partner Manager Benelux voor IBM MAS en Damiaan Zwietering, IBM Developer Advocate and Datascientist hun licht schijnen over de mogelijkheden van deze module aan de hand van enkele praktijkvoorbeelden.
“De beeldherkenningstechnologie achter Visual Inspection is niet nieuw. Hiermee hebben we bij IBM jarenlange praktijkervaring opgedaan” zegt Ronald Teijken. “Zo hebben we het eerder toegepast om zelfrijdende voertuigen obstakels en verkeersborden te laten herkennen. Bovendien is de technologie al langer beschikbaar voor developers als open source software.” Inmiddels is de beeldherkenningstechnologie dusdanig volwassen dat IBM het heeft opgenomen onder de motorkap van IBM Maximo Application Suite (MAS) en AI als integraal onderdeel daaraan heeft toegevoegd. Op het platform kunnen developers deze combinatie van beeldherkenning met AI als aparte module opnemen in hun applicaties. Meer over de mogelijkheden van IBM Maximo Application Suite (MAS) is te lezen in het blog ‘Één platform voor alle EAM-data’.
Eindgebruikers die met een Visual Inspection-applicatie aan de slag gaan, beginnen met video’s en foto’s te taggen. “Bij elk beeld van een goede situatie zetten ze een vinkje, bij elk beeld van een ongewenste situatie niet”, licht Damiaan Zwietering toe. “In het vervolg kan de module zelf onderscheid maken tussen ‘goed’ en ‘fout’. Gebruikers kunnen zelf instellen wanneer ze een melding ontvangen om te gaan kijken en welke parameters AI nog meer meeneemt in zijn oordeel, zoals de temperatuur. Daarnaast kunnen ze aangeven bij welke grenswaarde ze een bericht willen krijgen.” Op deze manier helpt Visual Inspection beter en sneller te signaleren wanneer een actueel camerabeeld reden is om actie te ondernemen en neemt het gebruikers repetitieve inspectietaken uit handen.
Beeldherkenning in combinatie met AI kan voor diverse sectoren veel tijdswinst en een betere productkwaliteit opleveren. Visual Inspection wordt dan ook al op diverse manieren gebruikt, van predictive maintenance bij infrastructurele objecten tot de inspectie van fabrieken en magazijnen. Om een voorbeeld te geven: Toyota gebruikt Maximo Visual Inspection om productielijnen te monitoren. Hoe gaat dat in zijn werk? “Een iPhone maakt gedurende de dag foto’s van de productie. Via een intern 5G-netwerk op de productielocatie worden deze real-time doorgestuurd naar een dataplatform voor analyse. Zo is Toyota in staat duizenden fabrieksonderdelen per dag nauwkeurig en snel te controleren”, zegt Ronald Teijken.
Een ander aansprekend voorbeeld is de manier waarop Boston Dynamics Visual Inspection gebruikt. Deze techonderneming heeft zijn robothond Spot voorzien van een camera die gekoppeld is aan beeldherkenningstechnologie. Net als zijn soortgenoten van vlees en bloed is Spot een trouwe helper: de robothond wordt ingezet bij de inspectie van productiefaciliteiten en magazijnen. Vooral op locaties met veiligheidsrisico’s heeft Spot veel meerwaarde. “Ook op zee bewijst Visual Inspection al zijn kracht”, voegt Damiaan Zwietering toe. “Het schip Mayflower kan met dank aan deze module geheel autonoom varen. De beeldherkenningstechnologie herkent boeien, andere schepen, bruggen, drijfhout, kades en meer. Daarna combineert AI de actuele beelden met allerlei andere data om de juiste snelheid en richting te bepalen. Denk aan het aantal knopen van andere schepen in de buurt, windsnelheid en waterdiepte.”
Wat is de actuele waterkwaliteit in een bassin? Damiaan Zwietering: “Waterbedrijven gebruiken Visual Inspection om constant op de hoogte te blijven van de waterkwaliteit en trends daarin te kunnen signaleren. Daarbij baseert AI zijn oordeel niet alleen op actuele camerabeelden, maar ook op huidige en historische waarde van andere parameters zoals de temperatuur.” Het Deense Sund & Baelt gebruikt de module ook om inspectie uit te voeren, maar wel op een iets andere locatie: de op-twee-na-langste brug ter wereld die Denemarken met Zweden verbindt. “Bovenaan een hoge brugpijler komen onderhoudsmedewerkers niet zomaar. Daarbij is het werken op grote hoogte tijdrovend en niet zonder gevaren.” Daarom wordt de brug geïnspecteerd door cameradrones die rond de brug vliegen. Visual Inspection analyseert de beelden en detecteert defecten zoals betonscheurtjes of roest. Gezien de meerwaarde voor het inspecteren van infrastructuurobjecten heeft IBM Visual Inspection opgenomen in de nieuwe oplossing IBM Maximo for Civil Infrastructure.
De AI-beeldherkenningsmodule van IBM is ‘pretrained’. Daardoor is de output al vanaf de start van hoog niveau. Dat betekent dat developers en data scientists minder tijd kwijt zijn aan het voeden en trainen van het achterliggende model tot dit volwassen genoeg is om de praktijk in te zetten. Bovendien is de module zelflerend, dus de resultaten worden steeds nauwkeuriger naarmate er meer beelddata geanalyseerd is. 100 procent nauwkeurigheid is echter nooit mogelijk zonder menselijk bijsturen – bij het finetunen van het model om de laatste foutjes uit de output te halen of het algoritme perfect af te stemmen op de industriële toepassing is menselijke expertise onmisbaar. Daar ligt een schone taak voor developers en data scientist.
Meer weten over IBM Visual Insights?
Bekijk de video >
Ga zelf aan de slag met Visual Inspection
Check hier >
