【AI解題案例】打造零風險工廠,AI自動檢測系統輔助作業區的安全監控

解題背景

在工廠管理中,工安事件是最不想見到的事。本專案的出題方為國際輪胎大廠普林斯通(Bridgestone),相較於多數廠商從良率、生產效率或成本的角度切入規劃工廠流程的改善,普林斯通想的是如何善盡「企業社會責任」這一件事,希望透過AI技術改提升輪胎成型作業的安全監控成效。

解題方為在智慧工廠這個領域耕耘已久的ASUS AICS團隊,他們導入Vision-based的深度學習模型,希望做到不只是偵測員工在輪胎成型作業中是否有違反標準工序的危險行為,甚至能判斷出作業員的異常行為,提前做出預測,即時對作業員發出警報,同時通知現場管理人員盡速到場處理。如果有更危險的行為的時候,可以第一時間就把設備停止下來,阻止悲劇的發生。

解題架構

1. 現況問題:

目前ROLL(滾筒)生產設備的捲夾點周邊並未設置任何監視裝置,其相關作業安全監控仰賴管理責任者於現場巡檢以觀察人員作業。除無法有效監控外,若發生捲入意外,將無法即時對應造成憾事。

輪胎成型機台雖設有監視攝影機,其監視影像多用於品質問題發生時的紀錄追蹤使用,並未充分發揮安全監控功能,且礙於人力不足,無法配置人員緊盯螢幕進行監視。

目前現場的作業安全監控仰賴管理責任者於現場巡檢以觀察人員作業。除無法有效監控外,也難以事前檢出人員異常活動徵兆。而增加人工巡檢確認項目亦會造成管理責任人員工作負擔,無法確實執行其他生產業務對應。

2. 解決方案:

本專案同樣需經過AI開發流程:收集資料、為資料做分類與下標籤、模型訓練與測試,以及在邊緣裝置上佈建此模型並進行應用。先來看看關鍵的深度學習模型訓練作法:

開發工廠安全系統的深度學習模型訓練流程

針對本專案的視覺監控特性,解題方選擇以事件為主的混合式深度學習AI模型(Hybrid Deep Learning AI Model),並提出5個深度學習模型來解決不同的問題,其作用如下:

  • DNN 模型1:監控作業員是否有根據定義的SOP作業
  • DNN 模型2:監控生產設備運作是否有異常,例如有異物捲入
  • DNN 模型3:監控作業員的防護裝束是否完備
  • DNN 模型4:禁制區access control
    -人員上崗前用人臉辨識註冊
    - 建立虛擬管制區,管控每個人允許進入的區域
    - 使用物件識別、物件追蹤、距離測定來確保人員為進入禁制區
  • DNN 模型5:蒐集生產設備的關鍵參數,並用AI資料分析監測/預測生產設備運作異常

這5個模型除了偵測場景中的異常狀況外(DNN模型1、2、5),也可以為場景設立虛擬的封鎖線(DNN模型4)以及人員防護裝束管控(DNN模型 3),達到多種層次的安全防護。

實際的運作上,在訓練好DNN模型後會將模型部署到監控環境,透過雲端監控資料平台(Data Platform),平台會對工作現場傳回的數據進行統計與分析,同時將監控狀況可視化,管理人員可清楚掌握狀況。針對發生問題時的影像則會保存下來,做為改善模型的依據。


解題成果

AI團隊想進入工廠取得資料做分析並不容易,但透過AIGO這個計畫的媒合,普林斯通很配合解題團隊的需求,讓他們順利收集到合用的資料來做分析,訓練及測試完模型後實際部署到生產線,在 6 個小時內內成功抓到 31 起可疑行為,經人為覆判後,每一筆皆是有危險性的行為,而AI推論時間皆可維持在 1 秒鐘以內。

在生產線設定「安全區」及「危險區」

結論

由於這個題目是要解決生產線作業員的人身安全問題,因此導入的AI方案不能只做到偵測(Detection)的功能,還要進一步做到預測(Prediction),也就是要在危險還沒發生前就預先判斷出來了,並且第一時間發出警告,甚至強迫中斷產線機台的運作。

這考驗了解題團隊及廠商的合作程度:解題方的AI專業需與廠方的Domain Expert緊密合作,由廠方專家協助確認AI的認知是否與他們的認知是一致的,再將訓練好的模型部署到更多的監測相機及機具上,去收集不同的作業員的作業方式,把AI的模型訓練到更趨近於人類的認知。

普林斯通認為這個方案的初步目標已算達成,接下來希望透過大數據的分析,能擴展到其他機台的安全監控,希望2021年能夠全面導入這項AI技術到整個生產製程中,讓職場的安全性提升,員工的安全感也能提升,打造出零風險的工廠環境。

(本文為AIGO解題競賽得獎方案;責任編輯:謝涵如)

MakerPRO編輯部

Author: MakerPRO編輯部

MakerPRO.cc為華人圈最專注於Maker創新創業、物聯網及共享經濟報導及共筆發表的專業媒體,不論是趨勢分析與評論,或創新實作文章,在華文創新創業媒體領域都具有重要的影響力。

Share This Post On

發表

跳至工具列