Precīzajā fotonikā pat ļoti mazs defekts var izšķirt, vai komponents darbosies, kā paredzēts. Neliela skramba, sīks caurumiņš pārklājumā vai piesārņojuma daļiņa var pasliktināt attēla kvalitāti vai saīsināt optiskās sistēmas kalpošanas laiku. Mākslīgā intelekta vadīta inspekcija palīdz šādas problēmas atrast automātiski. Programmatūra nepaļaujas tikai uz iepriekš noteiktiem likumiem tā apgūst, kā parasti izskatās kvalitatīvs komponents, un pēc tam izceļ visu neparasto. Tas ir īpaši noderīgi, ja brāķētu paraugu ir maz un katrs komponents ir dārgs. Tomēr caurspīdīgas un atstarojošas detaļas, mainīgs apgaismojums un ļoti sīki defekti joprojām ir vieni no sarežģītākajiem gadījumiem [1, 2].
Mūsdienu inspekcijas sistēmas kļūst gan ātrākas, gan elastīgākas. Dažās izmanto skolotāja–skolēna pieeju: viens modelis apgūst normāla izstrādājuma pazīmes un māca mazākam modelim tās atkārtot. Defekts parādās vietā, kur skolēna modelis vairs nespēj precīzi atdarināt skolotāju. EfficientAD pētījums parādīja, ka šādu salīdzināšanu var veikt dažu milisekunžu laikā, tādēļ metode ir piemērota pārbaudei tieši ražošanas līnijā [3]. Citas pieejas izmanto lielus redzes un valodas modeļus, lai atpazītu defektus arī iepriekš neredzētos izstrādājumos [4]. Komponentus pārbauda arī no vairākiem skatpunktiem, jo ar vienu kameru defekts var palikt apslēpts [5].
”Photonics International R&D center” un attīstības centrā mēs mākslīgo intelektu apvienojam ar pārbaudītām mērīšanas metodēm. Pētījumi var aptvert gallija arsenīda jeb GaAs plāksnes, fotokatodu slāņus, mikrokanālu plates, optiskos pārklājumus un precīzus optiskos mezglus. Kameras un mikroskopi atklāj redzamus defektus, bet interferometrija un spektrofotometrija ļauj izmērīt formas vai optisko īpašību izmaiņas. Mākslīgais intelekts šos signālus apvieno un izveido anomāliju karti, kurā redzama iespējamās problēmas vieta. Mērķis nav tikai atzīmēt komponentu kā derīgu vai nederīgu. Vēlamies arī saprast defekta lielumu un nozīmi, saistīt to ar konkrētu ražošanas posmu un izskaidrot, kāpēc sistēma devusi brīdinājumu.
Ilgtermiņa mērķis ir noslēgta atgriezeniskās saites sistēma. Inspekcijas rezultāti ne tikai palīdzētu atlasīt brāķētās detaļas, bet arī ļautu inženieriem savlaicīgi pielāgot procesu, pirms tas pats defekts atkārtojas. Lai to panāktu, sistēmai jādarbojas uzticami ar dažādām kamerām, apgaismojumu, operatoriem un ražošanas partijām. Šāda pieeja atbilst Eiropas mērķim veidot mērogojamāku, noturīgāku un mākslīgajā intelektā balstītu fotonikas ražošanu [6]. Attīstot inspekciju kopā ar mūsu komponentu programmām, centrs var uzlabot ražošanas gatavību, vienlaikus saglabājot zinātnē, rūpniecībā un aizsardzībā nepieciešamo mērījumu izsekojamību.
ATSAUCES
[1] Heckler-Kram, L., Neudeck, J.-H., Scheler, U., König, R., & Steger, C. (2026). The MVTec AD 2 dataset: Advanced scenarios for unsupervised anomaly detection. International Journal of Computer Vision, 134, Article 175. https://doi.org/10.1007/s11263-026-02743-0 [2] International Organization for Standardization. (2017). Optics and photonics—Preparation of drawings for optical elements and systems—Part 7: Surface imperfections (ISO Standard No. 10110-7:2017). https://www.iso.org/standard/65444.html
[3] Batzner, K., Heckler, L., & König, R. (2024). EfficientAD: Accurate visual anomaly detection at millisecond-level latencies. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (pp. 128–138). https://openaccess.thecvf.com/content/WACV2024/html/Batzner_EfficientAD_Accurate_Visual_Anomaly_Detection_at_Millisecond-Level_Latencies_WACV_2024_paper.html
[4] Zhou, Q., Pang, G., Tian, Y., He, S., & Chen, J. (2024). AnomalyCLIP: Object-agnostic prompt learning for zero-shot anomaly detection. In The Twelfth International Conference on Learning Representations. https://proceedings.iclr.cc/paper_files/paper/2024/file/d7b50b8ac2c781a12f26155f48310d8d-Paper-Conference.pdf
[5] Wang, C., Zhu, W., Gao, B.-B., Gan, Z., Zhang, J., Gu, Z., Qian, S., Chen, M., & Ma, L. (2024). Real-IAD: A real-world multi-view dataset for benchmarking versatile industrial anomaly detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 22883–22892). https://doi.org/10.1109/CVPR52733.2024.02159
[6] Photonics21. (2026). Light driving the future: Photonics strategic research and innovation agenda 2028–2034. https://www.photonics21.org/download/ppp-services/photonics-downloads/Photonics_Strategic_Research_and_Innovation_Agenda_2028-2034_C1.pdf