Sinds ik mijn eerste blog heb gepost over Maximo Visuele Inspectie (MVI), Ik heb een lange reis gemaakt, dieper ingegaan op de functies, nieuwe gebruiksscenario's onderzocht en ontdekt hoe veelzijdig deze technologie kan zijn.
‍

In dit bericht wil ik dieper ingaan op wat MVI te bieden heeft, de technische details en de verschillende manieren waarop je het kunt gebruiken om problemen uit de echte wereld op te lossen. Of je nu nieuwsgierig bent naar hoe MVI onder de motorkap werkt, geïnteresseerd bent om het op het randje in te zetten, of gewoon op zoek bent naar praktische voorbeelden, ik zal de inzichten en lessen bespreken die ik tot nu toe heb geleerd.

Onder de motorkap

MVI combineert beeld- en videoanalyses met deep learning-modellen om classificatie, objectdetectie en anomaliedetectie uit te voeren. Wat MVI onderscheidt, is de toegankelijkheid. Gebruikers kunnen modellen trainen met minimale technische expertise, waardoor geavanceerde AI beschikbaar wordt voor een breder scala aan organisaties.
‍

• Opleiding tot model: Gebruikers uploaden afbeeldingen of video's, labelen gegevens en trainen modellen rechtstreeks binnen de MVI-interface.
• Implementatie: Eenmaal getraind, kunnen modellen worden ingezet om bedrijfsmiddelen op grote schaal te inspecteren, of het nu in de cloud of aan de rand is.
• Integratie: MVI integreert met Monitor, waardoor de gebruiker naadloos regels kan instellen over hoe met bepaalde resultaten wordt omgegaan. Het beschikt ook over een robuuste API die integraties met andere diensten van derden mogelijk maakt en Beheren.

Opleiding

Om een model met MVI te trainen, heb je minstens één GPU nodig (ja, dat is het dure gedeelte). Van daaruit is het proces eenvoudig:
‍

• Maak een dataset: Verzamel een set afbeeldingen (bij voorkeur 20+).
• Geef de gegevens een label: Markeer waar fouten of afwijkingen in elke afbeelding voorkomen.
• Vergroot de gegevens: Vergroot de diversiteit van de datasets voor een betere nauwkeurigheid.
• Train het model: Kies een algoritme op basis van uw gebruiksscenario.
• Train het model opnieuw: Vaak moet het model worden bijgeschoold om de nauwkeurigheid te verfijnen.
• Implementeer: Implementeer het getrainde model op de cloud of edge-server.

Eenmaal getraind zijn deze modellen ook exporteerbaar. Maakt het mogelijk om modellen op meerdere systemen te gebruiken. En als u uw model niet meer hoeft te verfijnen, kunt u het hier laten staan en het dure deel is klaar.

Het proces stopt niet na de implementatie. Dit is wat je vervolgens kunt doen:

‍

• Etikettering: Gebruik het ingezette model om automatisch nieuwe afbeeldingen in datasets te labelen, zodat het model voortdurend kan worden verbeterd en er minder tijd nodig is om modellen opnieuw te trainen/verfijnen.
• Verfijning van het model: Maak algemene modellen en pas ze vervolgens aan op specifieke behoeften. Een model dat is getraind op brandblussers kan bijvoorbeeld worden bijgeschoold met extra afbeeldingen van een ander type brandblusser, waarbij het bestaande model wordt verfijnd zonder helemaal opnieuw te beginnen.

Algemeen gebruik

Toen ik onlangs een Maximo User Group bijwoonde, merkte ik dat er een misverstand was over hoe MVI in de industrie wordt gebruikt. Veel mensen leken op een heel specifieke manier over MVI te denken: stel je een camera voor die boven een transportband op een productielijn is bevestigd en onderdelen analyseert in een stabiele, onveranderlijke omgeving. En ja, dat is een klassiek gebruiksscenario, maar het is nog maar een klein beetje.
‍

Wat ik heb ontdekt is dat MVI is veel dynamischer en veelzijdiger dan velen zich realiseren. Het is niet beperkt tot statische opstellingen. Een technicus kan bijvoorbeeld MVI gebruiken voor persoonlijke inspecties, simpelweg door een foto van een bedrijfsmiddel te maken terwijl hij door een fabriek loopt. Of u kunt live beelden van beveiligingscamera's langs treinsporen gebruiken om automatisch te controleren op obstakels. Aan de andere kant van het spectrum kun je zelfs drones over een zonnepark laten vliegen, waarbij MVI de beelden live in de gaten houdt of later analyseert als batch-inspectie.
‍

De algemene essentie? MVI past zich aan uw behoeften aan. Het gaat er niet om uw proces aan te passen aan de tool, maar om de tool aan te passen aan uw gebruikssituatie, of dat nu vast, mobiel, live of achteraf is.

MVI op het randje

Edge-implementatie betekent dat de AI-modellen van MVI worden uitgevoerd op apparaten of servers die dichter bij de bedrijfsmiddelen staan. Een eenvoudig voorbeeld is een camera die rechtstreeks is gekoppeld aan een lokale edge-server. De camera streamt gegevens naar deze server met minimale latentie, waar de output continu wordt geanalyseerd, zodat het model acties kan activeren.

Belangrijkste voordelen

• Realtime inzichten: Edge-apparaten of -knooppunten verwerken beelden en video's onmiddellijk, waardoor fouten of afwijkingen onmiddellijk kunnen worden gedetecteerd.
• Verminderde latentie: Beslissingen kunnen lokaal worden genomen, zonder te wachten op meerdere API-aanroepen met een cloudserver.
• Bandbreedte-efficiëntie: Alleen relevante resultaten (geen onbewerkte afbeeldingen) worden naar centrale systemen gestuurd, waardoor netwerkbronnen worden bespaard.
• Verbeterde beveiliging: Gevoelige activagegevens kunnen lokaal of regionaal worden verwerkt en opgeslagen, waardoor de blootstellingsrisico's worden beperkt.
  ‍
  ‍

De MVI Edge-server gebruiken

Het gebruik van een Edge-server is verrassend eenvoudig als je eenmaal aan de slag bent gegaan. De eerste stap is om het te verbinden met uw MVI-trainingsserver met behulp van een API-sleutel. Die verbinding is wat alles ontgrendelt. Van daaruit kunt u de modellen die u lokaal op de Edge wilt gebruiken, naar beneden halen.

Zodra de modellen op hun plaats zijn, stelt u uw ingangsbronnen in. Je kunt kiezen uit afbeeldingsmappen, videomappen of live camerafeeds, afhankelijk van hoe je je gegevens wilt inspecteren. Of het nu gaat om een constante livestream of een reeks afbeeldingen en video's die naar behoefte worden ingeleverd, de Edge-server verwerkt dit netjes en efficiënt.
‍

‍

Vervolgens maak je een station aan. Zie dit als een logische groepering voor uw inspecties, waarbij u gerelateerde resultaten op één plek bij elkaar houdt. Binnen een station definieer je vervolgens individuele inspecties. Bij elke inspectie kunt u beslissen welk model u wilt gebruiken, hoe het zich moet gedragen en wat het activeert, of dat nu volgens een schema is of op basis van een MQTT-bericht.
‍

Eindelijk komt alles samen in het dashboard. Vanaf hier kunt u al uw inspecties in één oogopslag zien en meteen hun huidige status begrijpen. Je kunt bijhouden wat er is verwerkt, de resultaten bekijken zodra ze binnenkomen en snel alles vinden dat aandacht nodig heeft.

Voorbeeld van een use case

Een zonnepark maakt gebruik van drones die zijn uitgerust met edge AI om panelen te inspecteren. De drones analyseren beelden in realtime, markeren beschadigde panelen en sturen alleen bruikbare waarschuwingen naar het centrale Maximo-systeem. Technici in het veld ontvangen gerichte werkopdrachten, waardoor de handmatige inspectietijd tot een minimum wordt beperkt en de inzetbaarheid van bedrijfsmiddelen wordt gemaximaliseerd.

Technische overwegingen voor Edge-implementatie

Een van de voordelen van edge-implementatie is flexibiliteit. De servers of apparaten waarop de modellen draaien, kunnen variëren, afhankelijk van uw gebruikssituatie en de vereisten van het model. Ik heb onlangs met Naviam de UK&I MUG bijgewoond. Daar zagen we een demo waarin IBM een edge-server had draaien op een stuk hardware dat bijna 15 jaar oud was, zonder GPU en slechts 16 GB RAM.
‍

De regel is nog steeds van toepassing: je krijgt waar je voor betaalt. Een nieuwere server zorgt voor een betere snelheid en betrouwbaarheid, maar zelfs bescheiden hardware kan bepaalde workloads aan zonder veel geld uit te geven.

Impact in de echte wereld

• Fabricage: Slijtage van machines detecteren voordat er storingen optreden
• Energie en nutsvoorzieningen: Inspectie van pijpleidingen, hoogspanningsleidingen en zonnepanelen op afgelegen of gevaarlijke locaties
• Vervoer: Infrastructuur (bijv. spoorwegen, bruggen) controleren op corrosie of schade, met onmiddellijke waarschuwingen voor onderhoudsploegen

‍

‍

De edge-capaciteiten van MVI betekenen een sprong voorwaarts op het gebied van vermogensbeheer: ze leveren realtime, bruikbare inzichten waar ze er het meest toe doen. Teams in staat stellen modellen te trainen en in te zetten die weinig tot geen echte ervaring hebben met visiemodellen. In de volgende blog ga ik dieper in op van Naviam oplossing waarbij we de kloof overbruggen door MVI-inspecties (zowel op de Edge als in de cloud) rechtstreeks in MAS Manage te integreren.