Tom Tuunainen
Heikottaa, silmät sirittävät ja väsyttää aivan vietävästi. Liukuhihnalta tule koko ajan uutta tuotetta tarkistettavaksi. Runsaudensarvi jatkaa antamistaan. Joka ikinen tuote on tarkistettava huolellisesti erikseen. Virheitä ei saa tulla. Se on raskasta, mutta mitä jos laadunvarmistuksen voisikin tehdä helpommaksi?
Tuotteiden tasalaatuisuus on valmistavalle teollisuudelle ensiarvoisen tärkeää. Puutteet tuotantolinjojen laadunvarmistuksen täsmällisyydessä ja järjestelmällisyydessä ovat kuitenkin varsin yleisiä. Kerättäviä laatutietoja on yleensä paljon, ja inhimillisiä virheitä esiintyy. Kerättävien tietojen ylläpito rämettyy myös helposti, jos siihen ei ole kunnon työkaluja. Asiakkaiden reklamaatiot, ja pahimmassa tapauksessa jo myytäviksi päätyneiden laaduttomien tuotteiden poisvedot markkinoilta, käyvät kalliiksi, niin rahallisesti kuin yrityksen maineenkin kannalta. (Arkkola; Pinja 2017.)
Miten laadunvarmistus saataisiin tehtyä tarkaksi ja vaivattomaksi?
Vogel (2022) ehdottaa, että laadunvarmistusprosessit digitalisoitaisiin, jotta laatuvaatimusten täyttämiseen saataisiin tehokkuutta. Tähän voidaan esimerkiksi käyttää kuvantunnistusta, jossa tietokoneet koulutetaan tulkitsemaan visuaalista tietoa hyödyntämällä tietokonenäkösovelluksia ja kuvantunnistustekniikoita (Shaip 2024). Kuvantunnistuksen avulla voidaan tunnistaa virheitä tai vikoja tuotantolinjalla valmistetuissa tuotteissa, kuten esimerkiksi puupaneelien oksankohtia, halkeamia ja reikiä. Centria-ammattikorkeakoulun tietoturvatiimi onkin tutkinut kuvantunnistusta, ja vertaillut kuvien tunnistamisessa ja analysoinnissa käytettävien MobileNet-, MobileNetV2-, ResNet-50- sekä VGG-19-syväoppimismallien toimivuutta puupaneelien laatupoikkeamien havaitsemiseen (Tuunainen, Isohanni & Jose 2024).
Tutkittujen syväoppimismallien välillä on eroja. Erot ilmenevät siinä, kuinka nopeita tai tarkkoja mallit ovat ja minkä tyyppisiin tehtäviin ne sopivat parhaiten. MobileNet ja MobileNetV2 ovat esimerkiksi kevyempiä ja ne toimivat hyvin tilanteissa, joissa ei vaadita paljon laskentatehoa. ResNet-50 on hieman kehittyneempi syväoppimismalli, ja se tunnistaa ja ymmärtää yksityiskohtia sekä syvällisiä kuvioita kuvista. VGG-19 on puolestaan hyvin tarkka mutta samalla myös hyvin raskas. Se vaatii paljon laskentatehoa, mutta vastineeksi se on erittäin hyvä monimutkaisten kuvien ymmärtämisessä. Täten sitä käytetään monesti tehtävissä, joissa tarvitaan korkeaa tarkkuutta. (Tuunainen et al. 2024.)
Tutkimuksemme, jossa vertailtiin syväoppimismallien suorituskykyä puupaneelien vikojen tunnistamiseen, tarjosi arvokasta tietoa syväoppimismallien suhteellisista vahvuuksista ja heikkouksista. Arviointimittareidemme perusteella ilmeni, että kaikki mallit tuottivat lupaavia tuloksia vikojen havaitsemisessa. Sopivimman mallin valinta riippuu vikojen tunnistamisen vaatimuksista ja rajoitteista. Jos reaaliaikainen suorituskyky ja rajalliset laskentaresurssit ovat ensisijaisia huolenaiheita, ovat MobileNet ja MobileNetV2 parempia. Jos tavoitteena on vuorostaan saavuttaa korkein mahdollinen tarkkuus, saattavat ResNet-50 ja VGG-19 tarjota parempia tuloksia, mutta samalla ne vaativat enemmän laskentatehoa. (Tuunainen et al. 2024.)
Jatkossa tietoturvatiimin tavoitteena on tutkia vaihtoehtoisia malleja ja tekniikoita, jotta Centrian toimialueella sijaitsevien yritysten laadunvarmistusta voitaisiin parantaa entisestään.
Lähteet
Arkkola, J. Laadunhallinta tuotantoteollisuudessa. Blogi. Pinja. Saatavissa: https://blog.pinja.com/fi/opas-laadunhallinta-tuotantoteollisuudessa. Viitattu 18.9.2024.
Pinja. 2017. Tuotannonaikainen laadunhallinta paljastaa poikkeamat heti. Blogi. Saatavissa: https://blog.pinja.com/fi/tuotannonaikainen-laadunhallinta-paljastaa-poikkeamat-heti. Viitattu 18.9.2024.
Shaip. 2024. Mikä on AI-kuvantunnistus? Miten se toimii ja esimerkkejä. Saatavissa: https://fi.shaip.com/blog/what-is-ai-image-recognition-and-how-does-it-work/. Viitattu 18.9.2024.
Tuunainen, T., Isohanni, O., & Jose, M. R. 2024. A comparative study on the application of Convolutional Neural Networks for wooden panel defect detection. IEEE 22nd World Symposium on Applied Machine Intelligence and Informatics (SAMI). Stará Lesná, Slovakia, 321-326. Saatavissa: https://doi.org/10.1109/SAMI60510.2024.10432810. Viitattu 24.9.2024.
Vogel, M. 2022. Digitalisaatioon sopivaksi: laadunhallinnan kolme vahvuutta. DQS Holding GmbH. Saatavissa: https://www.dqsglobal.com/fi-fi/opi/blogi/digitalisaatioon-sopivaksi-laadunhallinnan-kolme-vahvuutta. Viitattu 18.9.2024.
Tom Tuunainen
TKI-kehittäjä
Centria-ammattikorkeakoulu
p. 040 681 7207
