Henrik Arvsell

– Jag höll på med computer vision i trettio år men det funkade aldrig, fnyser Henrik Arvsell, vd på Växjöföretaget Gimic. 

Men idag fungerar det, tack vare framstegen inom maskininlärning (ML) och artificiell intelligens (AI).

På följande sätt kan en typisk Gimic-installation se ut på en fabrik: produkter anländer på ett löpande band och en bildanalys avgör om exemplaret är godkänt eller om bandet ska stoppas och exemplaret kasseras.

Dan Idofsson

– Vi sätter ut digitala ögon på produktionslinjer, säger Dan Idofsson, säljchef.

– Det ersätter ­arbete som idag typisk görs ­manuellt, med
”vanliga” ögon, av en operatör.

Gimic sätter upp en komplett station med allt vad som krävs för att integrera datorseende med industriell produktion: elskåp, fläktar, filter och en PLC-dator (programmerbar logikstyrning) som pratar med anläggningens system via exempelvis modbus. En industrirobot kan ingå i lösningen.

Bilden som AI-analyseras behöver inte nödvändigtvis komma från en kamera utan kan även vara exempelvis en röntgenbild. Dagens AI-bildanalys ”tränas” att analysera det bildmaterial som finns.

Gimic har en bakgrund inte bara inom IT och AI utan även inom automation och ­industri. Det ser företaget som en förutsättning. Kunden behöver en installation som fungerar i en normal produktionsanläggning. Det har hänt att Gimic fått ta över projekt där andra utan samma bakgrund fått ge upp. 

Idén till Gimic fick nuvarande teknikchefen Marcus Nilsson år 2017. Han har en bakgrund på Chalmers och har jobbat inom automation och IT.  (Han medverkar inte vid intervjun).

Det är den omtalade revolu­tionen under tiotalet med så kallad djup maskininlärning på artificiella neuronnät som fått datorseende att börja fungera. 

Algoritmer för bildanalys har funnits i decennier. De har använts på produktionslinjer för uppgifter som att granska, räkna och sortera produkter.

Artikeln är tidigare publicerad i magasinet Elektroniktidningen. Prenumerera kostnadsfritt!

Men de har inte varit användbara nog för att få en bredare användning. Med deep learning har datorerna till slut fått ögon på allvar. De kan verkligen ”se” nu, och med en precision som till och med ibland överträffar männi­skan – i alla fall kan de få högre poäng i tester som handlar om att identifiera objekt i bild.

Utvecklingsverktygen har dessutom mognat. Och priserna på beräkningshårdvaran är överkomlig. 

Så tejpa upp en videokamera och en datormodul från Nvidia vid bandet och – ta-daa! – dina produkter analyseras i realtid i full bildhastighet när de sveper förbi på löpande bandet.

Eller, nåja, det är kanske inte riktigt så enkelt. Och det är därför Gimic finns.

Gimic tecknar kontrakt med fabriker i Sverige från nord till syd, och installerar och programmerar upp AI-bildanalysen. Och stannar därefter kvar med underhållskontrakt.

En illustrativ kund är Hordagruppen, ett bolag som formsprutar plastdetaljer för fordonsindustrin, som exempelvis en ventilationskanal till en bil.

Ett av de fel som uppstår är att det finns en läcka i formen som resulterar i att det blåses upp ett ”skägg” i plasten. Det ser ut som gälar. Det här tillverkningsfelet är något som mänskliga ögon var satta att hålla utkik efter, men som nu övertagits av en AI-kamera.

Det är viktigt att bandet stoppas omedelbart och den felaktiga produkten plockas bort. För annars kan skärverktyg senare i produktionskedjan slås sönder och det blir stopp till höga kostnader.

AI tränas upp att känna igen skägget. Små fel kan vara ok och vissa ytor kanske inte är intressanta alls – AI:n får allteftersom lära sig de fina detaljerna.

– Man tränar AI:n på var det är relevant att titta, berättar Dan Idofsson.

– Den är som en nyanställd.

Antalet incidenter på produktionslinjen går ner till noll, enligt Gimic. Larmet går, bandet stoppas. Men inget går sönder.

Så Gimic ersätter människor med maskiner? Nja, teoretiskt. Men det är inte så det ser ut i praktiken enligt Gimics erfarenhet. Människorna får byta till intressantare uppgifter. 

– Personen finns kvar. Den kan fokusera mer på det vi ­kallar produktionsteknik, som att utveckla produktionen och göra den snabbare eller säkrare, säger Henrik Arvsell.

De som investerar i AI-seende är snarare sådana som är ute efter att öppna möjligheter. De vill skala upp produktion, höja tempot eller installera fler linor.

Europeisk industri ligger efter i utrullningen av AI-bildanalys. 

– Det pågår en jätteutveckling och både den amerikanska och den kinesiska sidan jobbar hårdare med detta än européerna, säger Henrik Arvsell.

Potentialen för var AI-avsy­ning kan göra en insats är stor.

Kostnaderna är relativt låga. Det är inte långsökt att tänka sig att på sikt varje processsteg skulle kunna avslutas med AI-avsyning. Det finns en ekonomisk poäng i att kunna plocka bort felaktiga produktionsstycken tidigt. Då offras inga resurser på att bearbeta dem vidare.

– Det är kopplat till hållbarhet också. Du vill få bort dem snabbt ur flödet. Du vill inte fortsätta att transportera och bearbeta defekta detaljer, säger Dan Idofsson.

Du vill göra allt för att inte hamna i läget att kunden skickar tillbaka en hel leverans för att den upptäckt fel på en detalj. 

Gimic har inga kunder ännu inom elektronikproduktion, men  är involverat i ett Vinnovaprojekt med bildanalys av röntgade kretskort tillsammans med bland annat Ericsson.

Gimic är idag bara åtta ­personer. Meningen är att de ska bli fler. 

– Framför allt ska vi ta nästa steg vad gäller investeringar. Jag har ett möte idag, faktisk, säger Henrik Arvsell.

Finns det konkurrenter?

– Jag vet inte om vi ­egentligen har konkurrenter som till hundra procent matchar oss, säger Dan Idofsson.

En sorts konkurrent till Gimic är kameratillverkaren Cognex som bygger in AI-mjukvaran i själva kameran.

En handfull företag är kunder. Ytterligare en handfull är på gång. 

– Flera är fina varumärken. Det är väldigt lätt att boka in möten. Alla är intresserade, säger Dan Idofsson.

– Avsyning är ett ok som vi kan lyfta från deras axlar.

Så funkar maskin­inlärd bild­analys Modern bildanalys skapas i stor ut­sträck­ning auto­matiskt med hjälp av maskin­inlärning. Förr krävdes hand­på­läggning av matematiker. Klassisk datoriserad bildanalys grundades på att en matematiker analyserade bilder, grubblade över uppgiften och skrev algoritmer som applicerade formler ur vilket till sist ploppade en kategorisering av de enskilda objekten. Man kunde exempelvis använda en regel som sade att en viss färg skulle uppträda på en viss position i bilden. Detta gjorde klassiska metoder känsliga för variationer i omgivningen, som ljus och vibrationer, vilka är vanliga i produktions­miljöer. Maskininlärda så kallade artificiella neuronnät är inte känsliga på samma sätt. Maskininlärning kräver ingen matematiker. Ett artificiellt neuronnät lär sig självt att känna igen kategorier genom att få titta på bilder som tillhör eller inte tillhör kategorin.  Algoritmen som skruvar på nätets parametrar tills alla associationer blir rätt heter backpropagation. Men sånt behöver du inte veta med dagens utvecklingsverktyg.  Att bygga ett neuronnät från grunden är komplext men oftast kan man bygga vidare på eller använda delar av existerande nät som löser liknande problem.  Det finns färdiga verktyg för AI-bildanalys  ­produktionsmiljöer. Du behöver i stort sett bara tillhanda­hålla ett antal defekta och icke­defekta produkter att visa upp.

Alla bilder: Gimic