< Terug naar vorige pagina

Project

Multimodale, gegevensgestuurde controle voor kwaliteitsverbetering in productieprocessen

De productie industrie wordt geconfronteerd met steeds strengere kwaliteitseisen als gevolg van een trend naar strengere veiligheidsnormen en hogere eisen van de klant. Tegelijkertijd wordt het garanderen van kwaliteit moeilijker door de toenemende complexiteit van de geproduceerde producten en de beperkingen van handmatige kwaliteitscontrole. Vanwege de hoge verwerkingssnelheid en herhaalbaarheid worden deze handmatige controles steeds vaker vervangen door computer vision voor inline kwaliteitscontrole, wat resulteert in een hogere efficiëntie. De belangrijkste kwaliteitskenmerken hebben betrekking op kleur, grootte, vorm en de afwezigheid van gebreken. De huidige toepassingen van computervisie voor kwaliteitscontrole zijn vooral gericht op detectie, bijvoorbeeld om gebreken, de aan- of afwezigheid van een bepaald onderdeel of kenmerk of de juiste assemblage op te sporen. Producten met geconstateerde problemen worden dan ofwel handmatig hersteld, teruggebracht in het productieproces in een eerdere verwerkingsstap, of gewoon weggegooid. Tegelijkertijd is door de toenemende digitalisering van productieprocessen een toenemende hoeveelheid aanvullende informatie beschikbaar, waaronder de parameterinstellingen van de machines en inline sensormetingen van het proces. Het doel van dit proefschrift is te onderzoeken of de op visie gebaseerde kwaliteitsinspectie kan worden aangevuld met deze extra informatiebronnen. Het bestuderen van de correlatie tussen deze multimodale set van in-process sensorgegevens, machine-instellingen en beeldanalyse moet het mogelijk maken om beter inzicht te krijgen in de hoofdoorzaken van bepaalde kwaliteitsdefecten. Vervolgens zal worden onderzocht hoe deze inzichten kunnen worden verwerkt in een nieuwe methodologie voor multimodale, gegevensgestuurde controle met het oog op een betere parametrisering van bepaalde bewerkingsstappen, wat op zijn beurt leidt tot een hogere productkwaliteit. Dit zal bijdragen tot een meer efficiënte, kosteneffectieve en duurzame productiepraktijk, dankzij betere operationele prestaties en een vermindering van de hoeveelheid afvalmateriaal als gevolg van kwaliteitsdefecten.

Datum:30 sep 2022 →  Heden
Trefwoorden:Quality Control, Machine Vision
Disciplines:Computervisie, Computer vision, Machine learning en besluitvorming
Project type:PhD project