Sanntids objektdeteksjon på transportbånd

Utfordring

Transportbånd for resirkulering møter regelmessig farlige fremmedlegemer blandet inn i innkommende materiale — batterier, gassbeholdere, metalldeler — som kan forårsake branner, eksplosjoner og skader på utstyr hvis de når feil behandlingstrinn.

Manuell deteksjon var ikke pålitelig nok. Operatører klarte ikke konsekvent å fange opp disse objektene i tide: transportbåndet beveger seg raskt, synsforholdene varierer, og feilmarginen er liten.

Kunden trengte et system som kunne oppdage farlige objekter tidlig nok til å muliggjøre enten en automatisk stopp av linjen eller et umiddelbart varsel til operatøren — og et system som kunne bevise seg under reelle driftsforhold før man forpliktet seg til full produksjonsdistribusjon.

Hva vi satte oss fore å validere

Dette oppdraget var strukturert som en bevisst pilot. Før kunden bygde et produksjonssystem, trengte de å svare på et spesifikt spørsmål: kan en AI-drevet datasynsmodell oppdage farlige objekter i sanntid, ved hjelp av industrikameraer, under forholdene som faktisk finnes på en transportbåndlinje i drift?

Tre valideringskriterier formet pilotens omfang:

Sanntidsdeteksjon ved produksjonslatens. Modellen måtte utføre inferens på direkte videostrømmer raskt nok til at operatørene rekker å gripe inn.
Robusthet mot driftsforhold. Løsningen måtte håndtere variasjonen som gjør manuell deteksjon upålitelig: skiftende belysning, delvis skjulte objekter og inkonsistent bildekvalitet.
En tydelig vei til lokal produksjon. Piloten ble designet med sky-først-tilnærming, men arkitektonisk utformet fra begynnelsen for å støtte migrering til lokal infrastruktur — slik at en vellykket validering direkte kan omsettes til en produksjonsutrullingsplan.

Løsningen vi leverte

Vi bygde en sanntids objektdeteksjonspipeline som tar inn direkte kameraopptak, kjører GPU-drevet inferens med YOLO, og ruter hver deteksjonshendelse gjennom en hendelsesdrevet arkitektur som driver operatørvarsler og et dashbord for sanntidsovervåkning. Hele omfanget av fase 1 — kameraoppsett og datainnsamling, klargjøring av annotering, innledende modelltrening, distribusjonspipeline og feltvalidering — ble levert på tre måneder på Google Cloud Platform.

Vi evaluerte også RT-DETR som en utfordrermodell ved siden av YOLO under piloten for å etablere et solid grunnlag for valg av produksjonsmodell.

Sammen med sanntidsdeteksjonssystemet bygde vi datainfrastrukturen for vedvarende modellforbedring: en strukturert datainnsamlingsprosess for å fange opptak av farlige objekter under reelle driftsforhold, og en annoteringsarbeidsflyt for å merke og klargjøre mellom 1 000 og 10 000 bilder for trening og validering.

Arkitektur og arbeidsflyt

Pipelinen kjører ende-til-ende på Google Cloud (GKE) og ble utformet slik at hver komponent kan containeriseres og migreres til lokal infrastruktur for produksjonsdistribusjon.

1. Industrikamera → videostrøm

Industrikameraer montert på transportbåndet gir en kontinuerlig direktestrøm av sorteringsprosessen.

2. GKE-innhentingsjobb

En dedikert innhentingskomponent som kjører på GKE, mottar videostrømmen og forbereder bilder for inferens, og håndterer buffer- og forbehandlingslaget mellom kameraet og modellen.

3. GPU-inferens med YOLO.

En GPU-aktivert inferenstjeneste kjører YOLO-deteksjon på bilder i sanntid, og produserer deteksjonsresultater som inkluderer objekttype, konfidensscore, tidsstempel og kamerareferanse.

4. Pub/Sub — deteksjonshendelser

Hver deteksjonshendelse publiseres til Pub/Sub, noe som frikobler inferens fra nedstrømstjenester og holder pipelinen skalerbar etter hvert som deteksjonsvolumet vokser.

5. Varseltjeneste

Varseltjenesten abonnerer på Pub/Sub-strømmen, bruker konfigurerbare deteksjonsterskler og undertrykkingsregler, og genererer operatørklare varsler — den filtrerer signal fra støy uten å gå glipp av reelle farer.

6. Streamlit-dashbord for operatører

Et Streamlit-basert brukergrensesnitt som kjører på GKE gir operatører sanntids varselflyt og overvåkingsvisninger for deteksjonshendelser. Tilgjengelig via nettleser på det interne nettverket.

7. Operatørrespons

Operatører får umiddelbar oversikt over oppdagede farlige objekter og kan handle — ved å utløse en manuell linjestopp eller justere prosessen — før objektet når feil prosesseringstrinn.

Hva piloten fastslo

Kjernespørsmålet er besvart

Piloten validerte at en AI-drevet modell for datasyn pålitelig kan oppdage farlige fremmedlegemer på et industrielt transportbånd i sanntid — ved bruk av ekte kamerastrømmer, under varierende lysforhold og med delvis tildekkede objekter — med en latens som støtter operatørrespons.

En produksjonsklar arkitektur

Systemet ble designet og distribuert som en produksjonsklar pipeline, ikke en laboratorieøvelse. Hver komponent — datainntak, inferens, varsling, dashbord — er containerisert på GKE og klar for migrering til lokal infrastruktur. Kunden avslutter fase 1 med en tydelig, kostnadsberegnet vei til full produksjonsdistribusjon.

Operatører med sanntids fareoversikt

Der operatører tidligere baserte seg på manuell linjeovervåking, har de nå en sanntids varselstrøm og et dashbord som viser oppdagede farehendelser etter hvert som de skjer. Systemet ble utformet for å støtte automatisk stopp av transportbånd som en fase 2-utvidelse.

Treningsdatainfrastruktur på plass

Datainnsamlings- og annoteringspipelinen som ble bygget under fase 1 – strukturert for å fange opp 1 000 til 10 000 merkede bilder under reelle driftsforhold – muliggjør kontinuerlig forbedring av modellytelsen i stedet for å være låst til pilotresultatet.

Download PDF

Sanntids AI-objektdeteksjon for transportbåndsikkerhet

Om kunden