Iniciar un proyecto de Deep Learning en fabricación - Parte 1: Planificación


Muchas empresas de fabricación recurren al software de Deep Learning para complementar sus sistemas de inspección existentes o cuando los algoritmos basados en reglas se quedan cortos. Por ejemplo, cuando el propio producto o el número de posibles defectos de una pieza varía significativamente de una pieza a otra, un sistema puede tener dificultades para definir partes mediante programación de las piezas como buenas o malas. 

El software de aprendizaje profundo puede ayudar en estos escenarios, pero la implementación exitosa y los resultados eventuales dependen de que se tomen las medidas necesarias por adelantado. Normalmente, los proyectos de Deep Learning implican cuatro pasos: planificación, recopilación de datos y etiquetado de verdad fundamental, optimización y pruebas de aceptación en fábrica. Aquí veremos lo que incluye el paso 1, la fase de planificación.

Reunir un equipo, identificar los objetivos

Si una empresa decide implementar una solución de Deep Learning, debe reunir un equipo de diferentes partes interesadas para examinar el proceso actual, definir nuevos objetivos y determinar si el Dep Learning puede ayudar a alcanzarlos. Este equipo debe estar formado por la dirección de la fábrica, la automatización, el control de calidad y un integrador de sistemas/fabricante de máquinas. Los objetivos deben estar bien definidos, ser consistentes y ser acordados por todos los miembros del equipo. Pueden incluir la reducción de escapes de productos defectuosos/inaceptables (falsos negativos), el control de los costos mediante la reducción de desechos (falsos positivos) o de los productos o piezas defectuosos/inaceptables, o la provisión de capacidades adicionales de clasificación de defectos más allá de la determinación de bueno o malo.

Si el equipo de colaboración decide seguir adelante, un paso consiste en identificar un proyecto “faro” que pueda utilizarse para justificar el gasto de recursos ante la dirección. Este proyecto no debe implicar objetivos poco realistas. Debe ser un proyecto que no sea demasiado fácil ni demasiado difícil, y que pueda producir rendimientos sólidos para que la dirección sepa que las futuras implementaciones del Deep Learning pueden ser viables.

Elegir un proyecto, avanzar

Para algunos fabricantes, una solución de visión artificial existente podría haber producido demasiados falsos negativos o falsos positivos, o el sistema podría haber dejado de funcionar bien debido a demasiadas variaciones del producto o cambios ambientales. En la inspección de electrónica automotriz, por ejemplo, las aplicaciones de soldadura por puntos en las terminales pueden presentar problemas para los sistemas basados en reglas.

La soldadura de las terminales por puntos permite realizar una gran variedad de tipos de soldadura, como la de horquilla, la de cable a almohadilla y la de cable a cable, que crean una proyección metálica tridimensional ligeramente variable con superficies reflejantes. Cuando un sistema de visión artificial captura imágenes de soldadura por puntos de las terminales, éstas suelen contener reflejos, sombras, regiones coloreadas y textura de la superficie, incluso con piezas óptimas. Estos efectos suelen ser similares a los defectos reales, como grietas, rayones, quemaduras y soldaduras excesivas o ausentes. Estas variaciones naturales crean problemas en los sistemas tradicionales de visión artificial debido a su incapacidad para inspeccionar de forma confiable las soldaduras y distinguir las piezas buenas de las malas.

Tres imágenes de buenas soldaduras por puntos

Las soldaduras por puntos que muestran una variación natural reciben una clasificación correcta “buena” de un software basado en el aprendizaje profundo

Soldadura por puntos con picaduras, soldadura por puntos de tamaño insuficiente, soldadura por puntos de tamaño excesivo

Las soldaduras por puntos que muestran picaduras, defectos de tamaño insuficiente y de tamaño excesivo reciben una correcta clasificación “mala” de un software basado en el Deep Learning

Los sistemas de inspección basados en el Deep Learning se entrenan con conjuntos de datos evaluados y etiquetados por expertos internos. Esto ayuda al software a distinguir entre piezas buenas y malas e incluso a identificar el tipo de problema en un producto defectuoso. Con estas capacidades, el software de Deep Learning proporciona una alternativa viable a la inspección manual y a las pruebas eléctricas, e interviene donde los algoritmos basados en reglas no pueden actuar.

En la parte 2, examinaremos la recopilación de datos y la verdad fundamental.

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex