{"id":865,"date":"2023-09-04T12:41:13","date_gmt":"2023-09-04T09:41:13","guid":{"rendered":"https:\/\/blogit.jamk.fi\/techtothefuture\/?p=865"},"modified":"2024-02-09T15:35:11","modified_gmt":"2024-02-09T13:35:11","slug":"koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa","status":"publish","type":"post","link":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/","title":{"rendered":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa"},"content":{"rendered":"\n
\n
\n
\"EU<\/figure>\n<\/div>\n\n\n\n
\n
\"Vipuvoimaa<\/figure>\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n\n\n\n

Pilotoinnin tausta<\/h2>\n\n\n\n

Pilotointi-idea koneoppimisen hy\u00f6dynt\u00e4miseksi laadunvalvonnassa saatiin yritykselt\u00e4, joka valmistaa pieni\u00e4 monitahoisia metallituotteita. T\u00e4ll\u00e4 hetkell\u00e4 laaduntarkastus tehd\u00e4\u00e4n silm\u00e4m\u00e4\u00e4r\u00e4isesti pienell\u00e4 otannalla er\u00e4kohtaisesti. Pienten kosmeettisten virheiden lis\u00e4ksi tuotteet saattavat olla v\u00e4\u00e4r\u00e4n kokoisia ja muotoisia tuotantokoneen vikatilanteitten takia. T\u00e4m\u00e4 saattaa aiheuttaa kokonaisten toimituserien reklamaatiopalautuksia. Tavoitteena yrityksell\u00e4 on saada tarkastettua jokainen tuote automaattisesti ennen tuotteiden l\u00e4hett\u00e4mist\u00e4. Tarkastus on haastavaa useiden eri tuotantomallien, suurten er\u00e4m\u00e4\u00e4rien, useiden tuotantolaitteiden ja materiaalierien laadunvaihteluiden takia.<\/p>\n\n\n\n

Tuotteissa ei ole yht\u00e4 tietty\u00e4 mittaa tai muotoa, mik\u00e4 saattaa muuttua tuotantolaitteiden vikaantuessa. Tuotantolaitteet sis\u00e4lt\u00e4v\u00e4t useita ty\u00f6kaluja, jotka saattavat vikaantua monella eri tavalla. T\u00e4m\u00e4n takia perinteisten ehtopohjaisten konen\u00e4k\u00f6funktioiden k\u00e4ytt\u00e4minen on eritt\u00e4in haastavaa. My\u00f6s materiaali v\u00e4rierot aiheuttavat ongelmatilanteita perinteisille konen\u00e4k\u00f6funktioille. T\u00e4m\u00e4n takia pilotoinnissa l\u00e4hdettiin selvitt\u00e4m\u00e4\u00e4n, miten koneoppimista pystytt\u00e4isiin hy\u00f6dynt\u00e4m\u00e4\u00e4n tuotteiden laaduntarkastukseen.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Toimenpiteet<\/h2>\n\n\n\n

Aluksi tehtiin nopea selvitys, millaista kameralaitteistoa ja valonl\u00e4hdett\u00e4 kannattaisi k\u00e4ytt\u00e4\u00e4. Kamera ja valonl\u00e4hdevaihtoehtoina testattiin erilaisia aallonpituusalueita hy\u00f6dynt\u00e4vi\u00e4 laitteistoja UV alueelta l\u00e4hi-IR alueelle. Kameran suhteen p\u00e4\u00e4dyttiin hy\u00f6dynt\u00e4m\u00e4\u00e4n harmaas\u00e4vykameraa kustannustehokkuuden takia. Pilotoinnin alusta asti oli selvill\u00e4, ett\u00e4 opetusdatan ker\u00e4\u00e4mist\u00e4 varten tarvittiin automatisoitu j\u00e4rjestelm\u00e4. Kuvien ker\u00e4\u00e4minen manuaalisesti ei ole tehokasta eik\u00e4 kannattavaa useiden tuotantomallien ja uusien tuotteiden takia. Lis\u00e4ksi erilaisten vikatilanteiden takia kuvam\u00e4\u00e4r\u00e4t nousevat nopeasti kymmeniin tuhansiin kuviin. Automaattista opetusdatan ker\u00e4\u00e4mist\u00e4 kokeiltiin aluksi Asyril Asycube -t\u00e4rymaljalla, jolla sy\u00f6tettiin kuvattavia kappaleita kameran ohi ja kuvat otettiin automaattisesti talteen. Kuva-alueella oli useita tuotteita, jotka leikattiin kuvasta omiksi pienemmiksi kuviksi, jolloin jokainen tuotekuva oli samankokoinen ja kuvassa oli vain yksi tuote. Automaattista tallentamista varten tallennettavat kuvat analysoitiin, ettei kuvassa ole n\u00e4kyviss\u00e4 kahta tuotetta tai kappale ole v\u00e4\u00e4r\u00e4ss\u00e4 asennossa. Esimerkkikuvissa on k\u00e4ytetty pieni\u00e4 pultteja.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Haasteeksi osoittautui metallikappaleiden heijastukset valaistuksen takia, sek\u00e4 alustalevyn likaantuminen. Likaantuminen aiheutti taustan tummumista, mik\u00e4 vaikutti tuotteiden selke\u00e4\u00e4n erottumiseen taustasta.<\/p>\n\n\n\n

Kuva-aineiston ker\u00e4\u00e4misen j\u00e4lkeen on eritt\u00e4in t\u00e4rke\u00e4\u00e4, ett\u00e4 aineisto k\u00e4sitell\u00e4\u00e4n huolellisesti. T\u00e4m\u00e4 tarkoittaa sit\u00e4, ett\u00e4 hyviss\u00e4 n\u00e4ytteiss\u00e4 saa olla vain hyvi\u00e4 tuotteita ja huonoissa huonoja. Jos kuvat sekoittuvat ja molemmissa aineistoissa on sekaisin kuvia, vaikuttaa se eritt\u00e4in paljon koneoppimismallin tarkkuuteen. Opetusaineiston k\u00e4sittely\u00e4 varten tehtiin yksinkertainen sovellus, jolla pystyttiin luokittelemaan kuvia erilaisiin luokkiin. Ohjelma annettiin yrityksen ammattilaisille k\u00e4ytt\u00f6\u00f6n ja ensimm\u00e4iset kuva-aineistot luokiteltiin yrityksen henkil\u00f6st\u00f6n avulla. Haasteeksi t\u00e4ss\u00e4 osoittautui kuva-aineiston laajuus ja k\u00e4ytett\u00e4v\u00e4 aika kuvien l\u00e4pik\u00e4yntiin. Osa kuvista oli selke\u00e4sti vaikeampi luokitella hyviin tai huonoihin, mist\u00e4 syyst\u00e4 kuva-aineistossa saattoi olla vaihtelua eri henkil\u00f6iden tekemien p\u00e4\u00e4t\u00f6sten pohjalta. Toinen iso haaste, joka ohjasi my\u00f6s seuraavia toimenpiteit\u00e4, oli n\u00e4ytteiden kuvaaminen vain yhdest\u00e4 suunnasta. Kappaleessa saattoi olla pieni virhe, joka j\u00e4i kuvaa otettaessa piiloon. T\u00e4ll\u00f6in ns. huonoissa n\u00e4ytteiss\u00e4 saattoi olla iso m\u00e4\u00e4r\u00e4 hyv\u00e4n n\u00e4k\u00f6isi\u00e4 kuvia.<\/p>\n\n\n\n

\n
\n
\n
\"\"<\/figure>\n<\/div><\/div>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

Aineiston automaattinen ker\u00e4\u00e4minen ilman kuvien luokittelutarvetta<\/h2>\n\n\n\n

Kuvaamisen haasteiden takia p\u00e4\u00e4dyttiin suunnittelemaan kolmen kameran j\u00e4rjestelm\u00e4, miss\u00e4 tuotteet lenn\u00e4tettiin kameroiden kuva-alueiden leikkauspisteen kautta hihnakuljettimella. Kuljetinj\u00e4rjestelm\u00e4 suunniteltiin my\u00f6s kappaleidien erottelulaitteistoksi. Eli samaa laitteistoa k\u00e4ytett\u00e4isiin sek\u00e4 kuva-aineiston ker\u00e4\u00e4miseen, ett\u00e4 tuote-erien lajitteluun.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Kuvauksessa k\u00e4ytettiin kolmea harmaas\u00e4vykameraa, jotka oli kytketty Beckhoff:in logiikkaan. Beckhoff:in ohjelmistosta l\u00f6ytyy Vision-kirjasto, jota voidaan hy\u00f6dynt\u00e4\u00e4 kuvank\u00e4sittelyss\u00e4. Beckhoff:in j\u00e4rjestelm\u00e4\u00e4 oli tarkoitus k\u00e4ytt\u00e4\u00e4 sek\u00e4 kuvaamisessa, analysoinnissa ja erottelussa, mutta koneoppimiskirjastossa ei viel\u00e4 pilotoinnin aikana ollut hy\u00f6dynnett\u00e4viss\u00e4 CNN-malli, joka on t\u00e4m\u00e4n kaltaisessa kuvien analysoinnissa huomattavasti MLP-mallia parempi. Beckhoff:in j\u00e4rjestelm\u00e4ss\u00e4 voitiin kuitenkin tehd\u00e4 kuvaus, kuvien rajaus ja tuotteiden poisto linjastolta tarpeen mukaan. K\u00e4ytt\u00f6liittym\u00e4st\u00e4 voidaan m\u00e4\u00e4ritell\u00e4 mill\u00e4 harmaas\u00e4vyarvolla ja mink\u00e4 kokoista kappaletta kuvasta haetaan, sek\u00e4 mink\u00e4 kokoinen kuva-alue tunnistetun kappaleen ymp\u00e4rille m\u00e4\u00e4ritet\u00e4\u00e4n.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Koska Beckhoff:in j\u00e4rjestelm\u00e4st\u00e4 ei viel\u00e4 l\u00f6ytynyt MLP-mallin hy\u00f6dynt\u00e4mismahdollisuutta, p\u00e4\u00e4dyttiin mallien opettaminen ja analysointi suorittaa erillisell\u00e4 tietokoneella Python-ymp\u00e4rist\u00f6ss\u00e4. T\u00e4m\u00e4n takia kuvat piti l\u00e4hett\u00e4\u00e4 Beckhoff:in j\u00e4rjestelm\u00e4st\u00e4 toiselle tietokoneelle. TwinCAT ADS -kirjastosta l\u00f6ytyi PyAds-rajapinta, mink\u00e4 avulla laitteiden v\u00e4linen kommunikointi saatiin toimimaan.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Kuvien tallentaminen<\/h2>\n\n\n\n

Kappaleidien lentorata oli vaikea saada pysym\u00e4\u00e4n vakiona hihnakuljetinta k\u00e4ytett\u00e4ess\u00e4. Kappaleet l\u00e4htiv\u00e4t helposti py\u00f6rim\u00e4\u00e4n ilmalennon aikana ja v\u00e4lill\u00e4 kappale saattoi alkaa py\u00f6rim\u00e4\u00e4n kuljettimen pinnalla ja lent\u00e4\u00e4 ohi kuva-alueesta. T\u00e4m\u00e4n takia automaattista kuvien automaattiseen kuvientallentamiseen piti lis\u00e4t\u00e4 hieman analysointia. Koska annotoinnista haluttiin p\u00e4\u00e4st\u00e4 eroon mahdollisimman tehokkaasti, piti varmistaa, ett\u00e4 hyviss\u00e4 kuvissa ei ole mukana v\u00e4\u00e4r\u00e4ss\u00e4 asennossa tai ohi kuva-alasta lent\u00e4neit\u00e4 tuotteita. Jos yhdest\u00e4kin kuvasta havaitaan virhe, tai kappale ei ole kunnolla kuvassa, j\u00e4tet\u00e4\u00e4n kaikista kolmesta kamerasta tulleet kuvat tallentamatta.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Kuva-aineiston tallentamisen j\u00e4lkeen koneoppimismalli opetettiin Python ymp\u00e4rist\u00f6ss\u00e4 TensorFlow-kirjastoa hy\u00f6dynt\u00e4en. Malli rakennettiin siten, ett\u00e4 kaikista kolmesta kamerasta tulevat kuva yhdistettiin yhdeksi kuvaksi, mik\u00e4 sy\u00f6tettiin mallille. N\u00e4in ollen kappaleessa oleva virhe erotetaan, vaikka vikatilanne olisi n\u00e4ht\u00e4viss\u00e4 vain yhdest\u00e4 suunnasta kappaletta katsottaessa. Olettaen t\u00e4ss\u00e4 vaiheessa, ett\u00e4 vikatilanne on kappaleen sivulta havaittavissa (ei p\u00e4\u00e4tyvikoja).<\/p>\n\n\n\n

Laitteistoa voidaan siis k\u00e4ytt\u00e4\u00e4 sek\u00e4 kuva-aineiston ker\u00e4\u00e4miseen, ett\u00e4 kappaleidien laadunvalvontaan. Beckhoff:in ymp\u00e4rist\u00f6st\u00e4 m\u00e4\u00e4ritell\u00e4\u00e4n, millaista kuvaa ja kuva-aluetta halutaan k\u00e4ytt\u00e4\u00e4 ja Python ymp\u00e4rist\u00f6n puolelta valitaan ohjelma sen mukaan, halutaanko kuvia tallentaa, vai tehd\u00e4 laadunvalvontaa. Jos koneoppimismallin tunnistus huonoksi tuotteeksi on yli operaattorin m\u00e4\u00e4rittelem\u00e4n raja-arvon, puhalletaan tuote pois linjastolta. Poistoa varten Beckhoffin j\u00e4rjestelm\u00e4\u00e4n lis\u00e4ttiin rengasbufferi, johon tallentuu jokaisen kuvatun tuotteen numeerinen arvo koneoppimismallilta. N\u00e4in ollen j\u00e4lkimm\u00e4isell\u00e4 kuljettimella voi olla useita kuvattuja ja analysoituja tuotteita, joiden arvo luetaan bufferista, kun tuote tulee paineilmasuuttimen kohdalle.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Koneoppimismallin rakenne ja koulutus<\/h2>\n\n\n\n

Kuvaluokittelumalliksi valittiin Xception-arkkitehtuurin konvoluutioneuroverkko. Mallille annetaan sy\u00f6tteeksi kappaleen kuvat kolmesta eri suunnasta. Neuroverkko luokittelee kuvan kahteen luokkaan: virheet\u00f6n tai valmistusviallinen. Malli tuottaa my\u00f6s todenn\u00e4k\u00f6isyysarvion jokaiselle tekem\u00e4lleen luokittelulle. T\u00e4ll\u00e4 tavalla k\u00e4ytt\u00e4j\u00e4 saa my\u00f6s tietoa siit\u00e4, kuinka varma teko\u00e4ly on tekem\u00e4st\u00e4\u00e4n luokittelusta.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

K\u00e4ytett\u00e4viss\u00e4 oleva kuva-aineisto koostui 1223 kuvasta. Aineisto jaettiin satunnaisesti opetus- ja validointiosiin siten, ett\u00e4 opetusaineistossa oli 917 kuvaa ja validointiaineistossa 306 kuvaa. Koneoppimismalli koulutettiin opetusaineiston kuvilla ja sen tarkkuus validoitiin validointiaineiston kuvilla. Opetusprosessissa minimoitiin kustannusfunktiota (binary cross-entropy) numeerisella Adam-algoritmilla 16 iteraatiota. Alla olevissa kuvissa n\u00e4kyy kustannusfunktion (loss) ja mallin tarkkuuden (accuracy) kehitys opetusprosessin aikana. Kuvaajista n\u00e4kyy, ettei malli ylisovitu koulutuksen aikana ja ett\u00e4 lopullisen mallin luokittelutarkkuus validointiaineistossa on n. 99.7 %.<\/p>\n\n\n\n

\n
\n
\n
\"\"<\/figure>\n<\/div><\/div>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

Alla n\u00e4kyy kaksi esimerkki\u00e4 koneoppimismallin tekem\u00e4st\u00e4 luokittelusta. Vasemman puoleisen kappaleen malli luokittelee virheett\u00f6m\u00e4ksi pultiksi (99.7 % todenn\u00e4k\u00f6isyydell\u00e4), ja oikean puoleisen kappaleen malli luokittelee valmistusvirheelliseksi (99.9 % todenn\u00e4k\u00f6isyydell\u00e4). Molemmat luokittelut meniv\u00e4t n\u00e4iss\u00e4 esimerkeiss\u00e4 oikein.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Alla olevassa kuvassa n\u00e4kyy viel\u00e4 mallin ainut virheellinen luokittelu validointiaineistossa. Koneoppimismalli luokittelee kuvan virheett\u00f6m\u00e4ksi (99.3 % todenn\u00e4k\u00f6isyydell\u00e4), mutta ihminen on kuitenkin luokitellut t\u00e4m\u00e4n valmistusvirheelliseksi pultiksi. Osoittautui kuitenkin, ett\u00e4 kyseess\u00e4 on ihmisen tekem\u00e4 virhe, sill\u00e4 kuvassa ei ole n\u00e4kyviss\u00e4 mink\u00e4\u00e4nlaista valmistusvikaa. N\u00e4in ollen projektissa koulutetun koneoppimismallin tarkkuus on todellisuudessa t\u00e4ydet 100 % validointiaineistossa.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Prosessointiajat<\/strong><\/p>\n\n\n\n

Kuvien analysointi suoritettiin tietokoneella, jossa oli RTX3060 n\u00e4yt\u00f6nohjain. Kuvaamiseen ja kuvan rajaamiseen kului aikaa n. 13ms ja kuvien analysointiin koneoppimismallilla kului aikaa n. 300ms.<\/p>\n\n\n\n

Vastaavasti pelkk\u00e4\u00e4 prosessoria hy\u00f6dynnett\u00e4ess\u00e4 aikaa kului kuvaamiseen n. 20ms ja analysointiin koneoppimismallilla n. 600ms.<\/p>\n\n\n\n

Muistin k\u00e4ytt\u00f6<\/strong><\/p>\n\n\n\n

Koneoppimismallien opettaminen saattaa vaatia yll\u00e4tt\u00e4vi\u00e4 m\u00e4\u00e4ri\u00e4 muistia. Varsinkin kuva-aineiston kasvaessa saattaa tietokoneen keskusmuisti loppua kesken. Pilotoinnissa oli esimerkiksi n. 1200 kuvaa, joiden resoluutio oli 672*350px (kolmen kameran yhdistetty kuva). Kansioon tallennettuna kuva-aineisto on vain alle 250Mb, mutta koneoppimismalline opetuksen yhteydess\u00e4 keskusmuistin tarve kasvaa yli 7Gb. Opetuksen j\u00e4lkeen j\u00e4rjestelm\u00e4 tarvitsee viel\u00e4 yli 2.2Gb muistia, eli yhteens\u00e4 tarvittava muistim\u00e4\u00e4r\u00e4 on yli 9Gb.<\/p>\n\n\n\n

Esimerkkitapauksessa kuva-aineisto on varsin pieni, joten muistin k\u00e4ytt\u00f6 saattaa olla huomattavasti t\u00e4t\u00e4 suurempi.<\/p>\n\n\n\n

Esimerkki muistink\u00e4yt\u00f6st\u00e4 koneoppimismallissa:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Resource: Frank Denneman, Trainin vs Inference \u2013 Memory consumption by neural networks. July 15, 2022. https:\/\/frankdenneman.nl\/2022\/07\/15\/training-vs-inference-memory-consumption-by-neural-networks\/\u200b<\/em><\/p>\n\n\n\n

Pilotointi toteutettiin osana coADDVA -hanketta. Hanke tehostaa keskisuomalaisten valmistavaan tuotantoon ja kunnossapitoon keskittyvien pk-yritysten toimintaa nopeaa laskentaa hy\u00f6dynt\u00e4en. coADDVA – ADDing VAlue by Computing in Manufacturing -hanketta rahoittaa Euroopan unionin aluekehitysrahasto (EAKR). REACT-EU-hankkeet rahoitetaan osana Euroopan unionin COVID-19-pandemian johdosta toteuttamia toimia. <\/em><\/p>\n\n\n\n

Kirjoittajat:<\/strong>
Samppa Alanen, asiantuntija, Jyv\u00e4skyl\u00e4n ammattikorkeakoulu
Tomi Nieminen, lehtori, Jyv\u00e4skyl\u00e4n ammattikorkeakoulu<\/p>\n","protected":false},"excerpt":{"rendered":"

Pilotoinnin tausta Pilotointi-idea koneoppimisen hy\u00f6dynt\u00e4miseksi laadunvalvonnassa saatiin yritykselt\u00e4, joka valmistaa pieni\u00e4 monitahoisia metallituotteita. T\u00e4ll\u00e4 hetkell\u00e4 laaduntarkastus tehd\u00e4\u00e4n silm\u00e4m\u00e4\u00e4r\u00e4isesti pienell\u00e4 otannalla er\u00e4kohtaisesti. Pienten kosmeettisten virheiden lis\u00e4ksi tuotteet saattavat olla v\u00e4\u00e4r\u00e4n kokoisia ja muotoisia tuotantokoneen vikatilanteitten takia. T\u00e4m\u00e4 saattaa aiheuttaa kokonaisten toimituserien reklamaatiopalautuksia. Tavoitteena yrityksell\u00e4 on saada tarkastettua jokainen tuote automaattisesti ennen tuotteiden l\u00e4hett\u00e4mist\u00e4. Tarkastus on haastavaa […]<\/p>\n","protected":false},"author":450,"featured_media":887,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[90695,90686,86449,124060,932],"tags":[],"class_list":["post-865","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-automaatio-ja-robotiikka","category-data-analytiikka","category-teollisuus","category-uudistuva-teollisuus","category-yleinen"],"acf":false,"yoast_head":"\nKoneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future\" \/>\n<meta property=\"og:description\" content=\"Pilotoinnin tausta Pilotointi-idea koneoppimisen hy\u00f6dynt\u00e4miseksi laadunvalvonnassa saatiin yritykselt\u00e4, joka valmistaa pieni\u00e4 monitahoisia metallituotteita. T\u00e4ll\u00e4 hetkell\u00e4 laaduntarkastus tehd\u00e4\u00e4n silm\u00e4m\u00e4\u00e4r\u00e4isesti pienell\u00e4 otannalla er\u00e4kohtaisesti. Pienten kosmeettisten virheiden lis\u00e4ksi tuotteet saattavat olla v\u00e4\u00e4r\u00e4n kokoisia ja muotoisia tuotantokoneen vikatilanteitten takia. T\u00e4m\u00e4 saattaa aiheuttaa kokonaisten toimituserien reklamaatiopalautuksia. Tavoitteena yrityksell\u00e4 on saada tarkastettua jokainen tuote automaattisesti ennen tuotteiden l\u00e4hett\u00e4mist\u00e4. Tarkastus on haastavaa […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/\" \/>\n<meta property=\"og:site_name\" content=\"Tech to the Future\" \/>\n<meta property=\"article:published_time\" content=\"2023-09-04T09:41:13+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-09T13:35:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"700\" \/>\n\t<meta property=\"og:image:height\" content=\"363\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Toimittaja\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Toimittaja\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minuuttia\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/\"},\"author\":{\"name\":\"Toimittaja\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\"},\"headline\":\"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa\",\"datePublished\":\"2023-09-04T09:41:13+00:00\",\"dateModified\":\"2024-02-09T13:35:11+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/\"},\"wordCount\":1389,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/09\\\/Koestus-blogi-paakuva.jpg\",\"articleSection\":[\"Automaatio ja robotiikka\",\"data-analytiikka\",\"Teollisuus\",\"Uudistuva teollisuus\"],\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/\",\"name\":\"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/09\\\/Koestus-blogi-paakuva.jpg\",\"datePublished\":\"2023-09-04T09:41:13+00:00\",\"dateModified\":\"2024-02-09T13:35:11+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#breadcrumb\"},\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#primaryimage\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/09\\\/Koestus-blogi-paakuva.jpg\",\"contentUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/09\\\/Koestus-blogi-paakuva.jpg\",\"width\":700,\"height\":363,\"caption\":\"Kuvituskuva\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/09\\\/04\\\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#website\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/\",\"name\":\"Tech to the Future\",\"description\":\"Blogissa kerromme monipuolisesti Jamkin teknologiayksik\u00f6n TKI-toiminnasta ja nostamme esille asiantuntijuuksiimme liittyvi\u00e4 aiheita, joita ovat mm. kyberturvallisuus, ICT, automaatio- ja robotiikka, biotalous, logistiikka, rakennustekniikka ja teollisuus.\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fi\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\",\"name\":\"Toimittaja\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"caption\":\"Toimittaja\"},\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/author\\\/mintan\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/","og_locale":"fi_FI","og_type":"article","og_title":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future","og_description":"Pilotoinnin tausta Pilotointi-idea koneoppimisen hy\u00f6dynt\u00e4miseksi laadunvalvonnassa saatiin yritykselt\u00e4, joka valmistaa pieni\u00e4 monitahoisia metallituotteita. T\u00e4ll\u00e4 hetkell\u00e4 laaduntarkastus tehd\u00e4\u00e4n silm\u00e4m\u00e4\u00e4r\u00e4isesti pienell\u00e4 otannalla er\u00e4kohtaisesti. Pienten kosmeettisten virheiden lis\u00e4ksi tuotteet saattavat olla v\u00e4\u00e4r\u00e4n kokoisia ja muotoisia tuotantokoneen vikatilanteitten takia. T\u00e4m\u00e4 saattaa aiheuttaa kokonaisten toimituserien reklamaatiopalautuksia. Tavoitteena yrityksell\u00e4 on saada tarkastettua jokainen tuote automaattisesti ennen tuotteiden l\u00e4hett\u00e4mist\u00e4. Tarkastus on haastavaa […]","og_url":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/","og_site_name":"Tech to the Future","article_published_time":"2023-09-04T09:41:13+00:00","article_modified_time":"2024-02-09T13:35:11+00:00","og_image":[{"width":700,"height":363,"url":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg","type":"image\/jpeg"}],"author":"Toimittaja","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Toimittaja","Est. reading time":"7 minuuttia"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#article","isPartOf":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/"},"author":{"name":"Toimittaja","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0"},"headline":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa","datePublished":"2023-09-04T09:41:13+00:00","dateModified":"2024-02-09T13:35:11+00:00","mainEntityOfPage":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/"},"wordCount":1389,"commentCount":0,"image":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#primaryimage"},"thumbnailUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg","articleSection":["Automaatio ja robotiikka","data-analytiikka","Teollisuus","Uudistuva teollisuus"],"inLanguage":"fi","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/","name":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa - Tech to the Future","isPartOf":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#primaryimage"},"image":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#primaryimage"},"thumbnailUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg","datePublished":"2023-09-04T09:41:13+00:00","dateModified":"2024-02-09T13:35:11+00:00","author":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0"},"breadcrumb":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#breadcrumb"},"inLanguage":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#primaryimage","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg","contentUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/09\/Koestus-blogi-paakuva.jpg","width":700,"height":363,"caption":"Kuvituskuva"},{"@type":"BreadcrumbList","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/09\/04\/koneoppimisen-hyodyntaminen-pienten-metallituotteiden-laadunvalvonnassa\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blogit.jamk.fi\/techtothefuture\/"},{"@type":"ListItem","position":2,"name":"Koneoppimisen hy\u00f6dynt\u00e4minen pienten metallituotteiden laadunvalvonnassa"}]},{"@type":"WebSite","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#website","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/","name":"Tech to the Future","description":"Blogissa kerromme monipuolisesti Jamkin teknologiayksik\u00f6n TKI-toiminnasta ja nostamme esille asiantuntijuuksiimme liittyvi\u00e4 aiheita, joita ovat mm. kyberturvallisuus, ICT, automaatio- ja robotiikka, biotalous, logistiikka, rakennustekniikka ja teollisuus.","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blogit.jamk.fi\/techtothefuture\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fi"},{"@type":"Person","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0","name":"Toimittaja","image":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","caption":"Toimittaja"},"url":"https:\/\/blogit.jamk.fi\/techtothefuture\/author\/mintan\/"}]}},"_links":{"self":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/865","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/users\/450"}],"replies":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/comments?post=865"}],"version-history":[{"count":29,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/865\/revisions"}],"predecessor-version":[{"id":1038,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/865\/revisions\/1038"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/media\/887"}],"wp:attachment":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/media?parent=865"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/categories?post=865"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/tags?post=865"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}