Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
Dit artikel presenteert en valideert een end-to-end, energiezuinig edge AI-systeem dat is geïmplementeerd op een Raspberry Pi 5 met een Google Coral Edge TPU, dat een gekwantiseerd YOLOv11n-model gebruikt om real-time, nauwkeurige detectie van defecten aan transportbanden in zware industriële omgevingen te bereiken, wat kosteneffectieve voorspellende instandhouding mogelijk maakt zonder afhankelijkheid van stroomverslindende GPU's.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de zware industrieën die onze moderne wereld bouwen, van het mijnen van enorme hoeveelheden erts tot de productie van cement, dienen enorme rubberen banden als de slagaders van de productie. Deze transportsystemen verplaatsen dag in dag uit duizenden tonnen abrasief materiaal, vaak over honderden meters door stoffige, vibrerende en barre omgevingen. In de loop van de tijd zorgt de constante stress van zware belastingen, vallende stenen en wrijving ervoor dat deze banden verborgen zwakheden ontwikkelen. Een kleine scheur of een punctie kan snel uitgroeien tot een catastrofale breuk, waardoor de band volledig knapt. Wanneer dit gebeurt, komt de gehele productielijn stil te liggen, wat de faciliteit duizenden dollars aan verloren tijd en dure reparaties kost, terwijl het ook gevaarlijke situaties creëert voor de werknemers in de buurt. Decennialang was de enige manier om deze gebreken te vinden dat menselijke inspecteurs langs de bewegende machines liepen, een methode die traag, risicovol en gevoelig is voor het missen van kleine maar kritieke schade.
Om dit op te lossen, hebben onderzoekers zich tot kunstmatige intelligentie gewend, waarbij ze computers hebben geleerd om defecten te "zien" zoals een mens dat zou doen. De meeste van deze slimme visiesystemen zijn echter te zwaar en verbruiken te veel stroom om direct op de fabrieksvloer te draaien. Ze vereisen meestal enorme, dure computers of een verbinding met de cloud, wat onpraktisch is voor afgelegen industriële locaties met beperkte elektriciteit en netwerkbandbreedte. Een team van ingenieurs in Indonesië heeft nu deze kloof overbrugd door een compact, energiezuinig systeem te creëren dat een transportband in realtime kan observeren en schade direct kan detecteren. Ze bouwden een apparaat dat in een standaard metalen doos past, een kleine camera gebruikt om de band te bekijken, en een geavanceerd visueel detectieprogramma draait op een kleine, gespecialiseerde chip die ontworpen is voor snelheid en efficiëntie.
De onderzoekers richtten zich op een specifiek type kunstmatige intelligentie-model bekend als YOLO, wat staat voor "You Only Look Once". Dit type model staat bekend om zijn vermogen om objecten bijna onmiddellijk in een videostream te identificeren. Terwijl eerdere versies van deze technologie goed werkten op krachtige desktopcomputers, wilde het team zien of de nieuwste, meest efficiënte versie kon draaien op een kleine single-board computer, vergelijkbaar met die gebruikt worden door hobbyisten, maar gekoppeld aan een gespecialiseerde acceleratorchip. Deze accelerator, een Edge TPU genoemd, is een klein stuk hardware dat specif으로 is ontworpen om de wiskunde die nodig is voor kunstmatige intelligentie uit te voeren met zeer weinig stroomverbruik. Het team nam een camerabeeld van een echte cementfabriek in West-Java, waar de lucht dik is van stof en de machines constant trillen, en voedde dit in hun systeem.
Om de computer te leren waar hij naar moet zoeken, verzamelde het team een enorme collectie afbeeldingen. Ze vertrouwden niet alleen op foto's genomen in een schoon laboratorium. In plaats daarvan combineerden ze foto's genomen direct in de cementfabriek met afbeeldingen uit publieke datasets en nieuwe foto's die werden vastgelegd door een geautomatiseerd systeem dat de bewegende band over een bepaalde tijd opnam. Deze mix zorgde ervoor dat de computer leerde om scheuren, gaten en gerepareerde plekken te herkennen, zelfs wanneer ze bedekt waren met stof of verlicht werden door hard, ongelijkmatig fabriekslicht. In totaal gebruikten ze meer dan 3.000 afbeeldingen om het model te trainen, waarbij elke defect zorgvuldig werd gemarkeerd zodat de computer het verschil kon leren tussen een beschadigde band en een normale band. Vervolgens vereenvoudigden ze het computerprogramma door het om te zetten naar een formaat dat de kleine acceleratorchip kan begrijpen en uitvoeren zonder een krachtige hoofdprocessor nodig te hebben.
Toen het systeem werd ingezet in de eigenlijke cementfabriek, waren de resultaten onmiddellijk en stabiel. Het apparaat, ondergebracht in een afgesloten metalen doos om het te beschermen tegen stof en trillingen, hield de transportband succesvol in de gaten en identificeerde defecten terwijl ze voorbij kwamen. Het verwerkte de video met een snelheid van 30 tot 40 frames per seconde, wat snel genoeg is om het tempo van de bewegende band bij te houden. Het hele proces, van de camera die een beeld vastlegt tot het systeem dat een fout identificeert, duurde tussen de 70 en 90 milliseconden. Om deze snelheid in perspectief te plaatsen: als de band beweegt met een typische industriële snelheid, identificeert het systeem een probleem voordat het beschadigde gedeelte meer dan een paar centimeter is bewogen, waardoor de fabriek genoeg tijd heeft om te reageren voordat de schade zich verspreidt.
Het systeem bleek opmerkelijk betrouwbaar onder moeilijke omstandigheden. Tijdens langdurige tests bleven de kleine computer en de acceleratorchip koel genoeg om veilig te kunnen werken zonder ventilatoren of airconditioning nodig te hebben, waarbij ze een constante temperatuur behielden, zelfs in de hete, stoffige omgeving. Het systeem verloor geen enkel videoframe en crashte niet, wat aantoont dat het continu kan draaien zonder menselijke tussenkomst. Het detecteerde succesvol vier soorten schade: lange scheuren, kleine puncties, gaten en ongelijkmatige reparaties. Hoewel het iets minder effectief was in het opsporen van de allerkleinste puncties wanneer deze gedeeltelijk verborgen waren door stof, presteerde het met hoge nauwkeurigheid op de grotere, gevaarlijkere defecten die het grootste risico vormen voor de machines.
Dit werk demonstreert dat geavanceerde kunstmatige intelligentie niet in een datacenter opgesloten hoeft te zitten om nuttig te zijn. Door de software te optimaliseren om op kleine, betaalbare hardware te draaien, hebben de onderzoekers aangetoond dat fabrieken hun eigen apparatuur overal ter wereld in realtime kunnen monitoren, zonder afhankelijk te zijn van dure infrastructuur. Het systeem fungeert als een onvermoeibaar, onafgeblauw oog dat nooit moe wordt, nooit een dienst mist en de vroege tekenen van falen kan opsporen voordat ze rampen worden. Deze aanpak biedt een praktische weg naar veiligere, efficiëntere industriële operaties, en bewijst dat de toekomst van preventief onderhoud klein, snel en direct op de fabrieksvloer gebouwd kan zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.