Industrie
❯
Amélioration produit
❯Extraction d'informations à partir de fiches de contrôle industriel marquées à la main
Solution d'IA pour identifier rapidement les défauts lors du processus d'assurance qualité sur les pales d'éoliennes
Pour:
Fabricant
But:
Détecter les défauts des produits en inspectant les données de numérisation des tests non destructifs.
Objectif:
Autre
Décryptage IA des magnétogrammes
Pour:
Fabricant
But:
Transport de pétrole et de gaz. Solution d'IA pour identifier rapidement les défauts lors du processus d'assurance qualité sur un pipeline de terrain.
Objectif:
Améliorer l'efficacité des opérations
Tirer parti de l'IA pour améliorer la qualité de l'adhésif
Pour:
Industries manufacturières; fournisseurs et acheteurs; environnement
But:
Fabrication par lots/continue/discrète (déployée dans plus de 75 lignes de fabrication dans plus de 10 pays ; identifier spécifiquement les contributeurs à la qualité ; prédire les défaillances potentielles de la qualité).
Objectif:
Autre
Amélioration de la productivité de la fabrication de semi-conducteurs
Pour:
Dirigeants d'entreprises de fabrication de semi-conducteurs
But:
Analyse des données extraites des équipements de production et amélioration de la productivité sur la base de l'analyse.
Objectif:
Autre
Conception générative de pièces mécaniques
Pour:
Organisations, concepteurs, clients, utilisateurs finaux
But:
Aidez les ingénieurs en mécanique à concevoir des pièces plus légères, plus solides et de meilleure qualité.
Outil de classification automatique pour le noyau de taille réelle
Pour:
Fabricant, géologue
But:
Exploration pétrolière et gazière, classification des types de roches, saturation en huile, carbonate et fracture selon les images de base
Objectif:
Autre
Extraction d'informations à partir de fiches de contrôle industriel marquées à la main
Pour:
Entreprises de fabrication, inspecteurs de machines, ingénieurs
But:
Localisation et cartographie des zones machine, flèches et texte, pour extraire les informations des fiches d'inspection étiquetées manuellement.
Optimisation de la consommation de ferroalliage pour une entreprise de production d'acier
Pour:
Sidérurgie, industrie sidérurgique
But:
Recommandation pour la consommation optimale des ferroalliages par le traitement du four poche lors de la sidérurgie secondaire.
Objectif:
Autre
De nouvelles simulations d'apprentissage automatique réduisent les besoins énergétiques des tissus de masque N95
Pour:
Entreprises de fabrication de tissus de masques à haute densité, dans ce projet 3M en particulier.
Objectif:
Amélioration du développement de produits / R&D
Solution d'IA pour calculer la quantité de matière contenue à partir des données de mesure de la spectrométrie de masse
But:
Calcul de la quantité de matière contenue à partir des données de mesure de spectrométrie de masse à l'aide de la chromatographie.
Objectif:
Réduire les coûts
Extraction d'informations à partir de fiches de contrôle industriel marquées à la main
Pour:
Entreprises de fabrication, inspecteurs de machines, ingénieursProblème adressé
Créer un pipeline pour construire un système d'extraction d'informations pour les fiches d'inspection des machines, en mappant les zones de la machine au code manuscrit à l'aide de techniques de pointe d'apprentissage en profondeur et de vision par ordinateur.
But du cas d'usage
Localisation et cartographie des zones machine, flèches et texte, pour extraire les informations des fiches d'inspection étiquetées manuellement.
Description
Afin de détecter efficacement les pannes et d'entretenir les machines lourdes, une pratique courante dans plusieurs organisations consiste à effectuer des inspections manuelles régulières. La procédure pour effectuer de telles inspections nécessite le marquage des composants endommagés sur une feuille d'inspection normalisée, qui est ensuite scannée par caméra. Ces feuilles sont marquées pour différents défauts dans les zones machine correspondantes à l'aide de flèches dessinées à la main et de texte. En conséquence, l'environnement de lecture est très peu structuré et nécessite un expert du domaine lors de l'extraction des informations marquées manuellement. Nous avons proposé un nouveau pipeline pour construire un système d'extraction d'informations pour de telles feuilles d'inspection de machines, en utilisant des techniques de pointe d'apprentissage en profondeur et de vision par ordinateur. Le pipeline se déroule selon les étapes suivantes : (1) localisation des différentes zones de la machine, des flèches et du texte à l'aide d'une combinaison de correspondance de modèles, d'apprentissage en profondeur et de composants connectés, et (2) mappage de la zone de la machine sur la tête de flèche correspondante et le segment de texte à la queue de la flèche, puis associez-les pour obtenir le code de dommage correct pour chaque zone. La méthode proposée donne une précision de 83,2 % à la fin du pipeline. L'organisation dispose de deux millions de feuilles de ce type qui sont traitées manuellement. Ce projet permettrait des économies considérables en termes de temps et de main-d'œuvre car il faut environ 5 minutes par feuille pour le processus manuel. Le système d'IA traiterait une feuille en 20 s et peut être parallélisé pour une accélération supplémentaire.