Digitalisaation mahdollisuuksia yrityksille

Uudistuvan teollisuuden osaamiskeskittymä on tuottanut hankkeissaan niin yrityksille ja organisaatioille kuin aiheesta kiinnostuneille materiaalia tukemaan heidän osaamisensa kasvua mm. erilaisin testauksin ja pilotoinnein sekä verkkokoulutuksena ja julkaisuina.

Kaksi työmiestä seisoo haalarit ja kypärät päässä robotiikkatehtassuunnitelmaa katsoen

Konenäön laitekortit

Mitä laitteita laboratoriosta löytyy ja missä niitä voidaan hyödyntää esimerkiksi yritystestauksessa? Olemme keränneet valmiita esimerkkejä ja laitetietoa valmiiksi hyödynnettäväksi.

Luokittelua ja laadunvalvontaa konenäkökameralla

Merkintunnistusta 3D-kameralla

Viivakoodien ja merkintöjen lukeminen

Älykästä robottipoimintaa

Joustavaa kappaleenkäsittelyä yhteistyörobotiikalla

Liikkuvan kohteen mittaus ja laaduntarkastus

Syväoppimiseen pohjautuvaa laadunvalvontaa

Konenäöstä hyöty irti valonlähteillä

Tekoälyn ja robotiikan pilotointeja

coADDVA-hankkeessa kehitettiin 3DBearin ja Jamkin yhteistyönä sovellus, jolla voidaan ohjata teollisuusrobottia AR-laseja hyödyntäen. Sovelluksella voidaan ohjata robottia käsielkeitä käyttäen, sekä opettaa robotille liikeratoja. Sovellusta voidaan hyödyntää jatkossa esimerkiksi tuotantosovellusten testaukseen, joissa robottioperaattorin tulisi voida ohjata robottia tai muokata sen liikeratoja tuotantoprosessin aikana ilman robotiikan erityisosaamista. Video on englanninkielinen.

coADDVA-projektissa testattiin koneoppimista hyödyntävää järjestelmää robottipoimintaan. Robominds-järjestelmälle on ennalta opetettu koneoppimismalli, jonka avulla se laskee poimintapisteitä mille tahansa kappaleille. Järjestelmän parhaaksi tulkitsema poimintapiste viedään yhteistyörobotille, joka poimii kappaleen laatikosta. Sovelluksessa voidaan hyödyntää myös voima-anturia, jonka mittauksen perusteella kappale voidaan laskea tasolle riippumatta tason tai kappaleen korkeudesta. Sovellus on helposti käyttöönotettavissa ja sitä voidaan jatkossa testata esimerkiksi joustavan tuotannon sovelluskohteissa, joissa tulisi käsitellä useanlaisia kappaleita, jotka toimitetaan tuotantoon sekalaisessa järjestyksessä.

coADDVA-hankkeessa pilotoitiin tekoälyä hyödyntävää konenäköjärjestelmään merkintunnistukseen. Perinteisestä konenäköjärjestelmästä poiketen järjestelmälle ei ole opetettu merkkejä tai sanoja, vaan se hyödyntää ennalta opetettua koneoppimismallia niiden tunnistamiseen. Sovelluksella voidaan vertailla käyttäjän syöttämiä tai ulkoisesta järjestelmästä tulevia merkkijonoja konenäöllä kuvattavissa tuotteissa ja kohteissa oleviin merkkijonoihin. Merkkijonot voivat olla fontiltaan ja kooltaan vaihtelevia toisin kuin perinteisellä konenäöllä. Järjestelmä on myös huomattavasti helpompi käyttöönottaa uusissa kohteissa. Tekniikkaa voidaan jatkossa testata esimerkiksi tuotteiden joustavaan tunnistamiseen ja seurantaan tuotantolinjoilla.

Julkaisut

Parameter Optimization for Low-Rank Matrix Recovery in Hyperspectral Imaging by…

Accelerated thermomechanical modeling of additive manufacturing using laser-bas…

Shortened introduction to variational autoencoders

Koneoppimisen hyödyntäminen pienten metallituotteiden laadunvalvonnassa

Improved Difference Images for Change Detection Classifiers in SAR Imagery Usin…

Artificial Intelligence in the IoT Era: A Review of Edge AI Hardware and Softwa…

Parameter Optimization for Low-Rank Matrix Recovery in Hyperspectral Imaging

A Posteriori Error Estimation for the Optimal Control of Time-Periodic Eddy Cur…

Simulated Change Detection Dataset for Neural Networks

On Practical Implementation of Machine Learning for Microcontrollers

TinyML and LoRaWAN: two practical use cases

Tiny Anomaly Detection with On-device Training on LoRaWAN Enabled Microcontroll…

Tiny machine learning for fault detection

Muut julkaisut

Eppu Heilimo, Janne Alatalo, ja Mika Rantonen, "Predicting the electricity consumption of Finland", Automaatiopäivät 2023 conference proceedings.

Janne Alatalo & Juha Jokinen, "Tietoturvallista laskentaa Jamkin suurteholaskentaympäristössä", Analyytikko 4/2023.

Teemu Niskanen, Tuomo Sipola, Olli Väänänen (Forthcoming). Latest Trends in Artificial Intelligence Technology: A Scoping Review. Mach. Learn. Knowl. Extr.

Kysy meiltä aihealueittain

Projektipäällikkö, hankkeen yleiset asiat, kansainväliset verkostot: Ari Kuisma
Robotiikka ja konenäkö: Juho Riekkinen ja Samppa Alanen
Hybrid Twin -mentelmät: Tero Tuovinen
Tekoäly: Mika Rantonen
TinyML ja Edge AI: Timo Hämäläinen, Jyväskylän yliopiosto, [email protected]