Ein Deep-Learning-Projekt in der Fertigung starten – Teil 1: Planung

Viele Herstellerunternehmen vertrauen auf Deep-Learning-Software, um ihre bereits bestehenden Inspektionssysteme zu ergänzen oder sie da einzusetzen, wo regelbasierte Algorithmen nicht ausreichen. Wenn zum Beispiel ein Produkt selbst oder die Anzahl der möglichen Fehler eines Teils von einem Teil zum anderen erheblich variiert, kann es dem System schwer fallen, Teile programmgesteuert als korrekt oder fehlerhaft einzustufen. 

In derartigen Szenarios kann Deep-Learning-Software Abhilfe schaffen, jedoch hängen deren erfolgreiche Implementierung und die endgültigen Ergebnisse davon ab, dass im Vorfeld die erforderlichen Schritte durchgeführt werden. Üblicherweise enthalten Deep-Learning-Projekte vier Schritte: Planung, Datenerhebung und Grundwahrheit-Labeling, Optimierung und Werksabnahmeprüfungen. Hier sehen wir uns an, was in Schritt 1, der Planungsphase, abläuft.

Gather a Team, Identify Goals

If a company decides to implement a deep learning solution, it must put together a team of different stakeholders to look at the current process, define new goals, and determine whether deep learning can help achieve these goals. This team should be comprised of factory management, automation, QA, and a system integrator/machine builder. Goals must be well-defined, consistent, and mutually agreed upon by everyone on the team. They might include reducing defective/unacceptable product escapes (underkill), controlling costs by reducing scrap (overkill) or defective/unacceptable products or parts, or providing additional defect classification capabilities beyond a good-versus-bad determination.

If the collaborative team decides to move forward, one step involves identifying a “lighthouse” project that can be used to justify the expenditure of resources to management. This project should not involve unrealistic goals. It should be a project that is not too easy or too difficult, and one that can produce solid returns to let management know that future deep learning deployments may be viable.

Ein Projekt auswählen, das Projekt voranbringen

Manche Hersteller sind der Meinung, dass ihre bestehende Lösung zur industriellen Bildverarbeitung zu viele falsch negative oder falsch positive Ergebnisse hervorbringt oder dass das System aufgrund von zu vielen Produktvarianten oder Änderungen der Umgebung nicht mehr gut funktioniert. Bei Inspektionen der Automobilelektronik zum Beispiel können Schweißpunktprüfungen an Anschlüssen regelbasierten Systemen Probleme bereiten.

Terminal spot welding produces a wide variety of weld types — including hairpin, wire-to-pad, and wire-to-wire — and these create a slightly variable 3D metal projection with reflective surfaces. When a machine vision system captures terminal spot weld images, they often contain reflections, shadows, colored regions, and surface texture, even with optimal parts. These effects are often similar to actual defects, such as cracks, scratches, burns, and excessive or missing welds. These natural variations create problems in traditional machine vision systems due to their inability to reliably inspect welds and distinguish good parts from bad.

Spot welds showing natural variation receive a correct “good” grading from deep learning-based software

Spot welds showing pitting, undersized, and oversized defects receive a correct “bad” grading from deep learning-based software

Deep learning-based inspection systems are trained on datasets that are evaluated and labeled by internal experts. This helps the software distinguish between good and bad parts and even identify the type of problem in a defective product. With such capabilities, deep learning software provides a viable alternative to manual inspection and electrical testing, and steps in where rules-based algorithms cannot perform.

In part 2, we will look at data collection and ground truth.