El uso del Deep Learning en aplicaciones de soldadura por puntos

banner que muestra un cerebro con nodos conectados superpuesto a imagen de soldadura por puntos

La tecnología de Deep Learning puede ayudar a los fabricantes a detectar las soldaduras por puntos defectuosas que perjudican la calidad de los componentes eléctricos.

Las soldaduras por puntos son esenciales en el desempeño de los dispositivos eléctricos ya que mantienen el flujo de corriente y la unión entre piezas. Las soldaduras por puntos defectuosas acortan la vida útil de los componentes eléctricos, dando lugar a devoluciones o reparaciones que resultan costosas y dañan la reputación del fabricante. Detectar una mayor cantidad de fallas en la etapa de fabricación reduce los costos de retirada del mercado y reprocesamiento.

Los humanos poseen una importante capacidad para detectar soldaduras deficientes, pero lo hacen con una consistencia variable y una disponibilidad limitada. No pueden estar mirando todas las soldaduras por puntos, en todo momento. Por el contrario, automatizar la inspección de las soldaduras por puntos puede ayudar a detectar más fallas y reducir los costos de reprocesamiento al revelar problemas anteriores en los procesos de producción. Esto le da una ventaja sustancial a la automatización en comparación con depender únicamente de inspectores humanos.

El Deep Learning utiliza algoritmos de software y modelos estadísticos que imitan el funcionamiento del cerebro humano. Los algoritmos crean redes neuronales optimizadas para identificar anomalías y diferenciar entre resultados buenos y malos. Con suficiente tiempo y datos, estas redes se enseñan eficazmente a sí mismas para tener un mejor desempeño.

Pero, ¿por qué deberían implementar aplicaciones de Deep Learning los fabricantes para inspeccionar las soldaduras por puntos? ¿Por qué no utilizar sistemas de visión artificial convencionales para inspeccionar las soldaduras por puntos? Principalmente, se debe a que las soldaduras son objetos tridimensionales que son intrínsecamente ambiguos. No hay dos soldaduras que tengan la misma forma o dimensiones.

Pin to pin weld, wire to pin/pad weld, wire to wire weld

(Diferentes tipos de soldaduras por puntos, de izquierda a derecha: clavija a clavija, cable a clavija/tablero, cable a cable)

Un sistema de visión artificial basado en reglas utiliza un programa de software para identificar detalles específicos en una imagen digital, como un número de serie en el bloque de un motor o los bordes de un componente de acero. En particular, funciona muy bien cuando se tienen componentes con características casi idénticas.

Con las soldaduras por puntos, cada acumulación de metal tiene dimensiones ligeramente distintas. Esto hace que sea prohibitivo en términos de complejidad crear un sistema de visión artificial basado en reglas para inspeccionar el inmenso volumen de soldaduras por puntos utilizado en una cadena de montaje.

Una aplicación de inspección de Deep Learning supera este desafío comparando imágenes de soldaduras por puntos defectuosas con imágenes de soldaduras sin defectos. Una serie de imágenes entrena a la red neuronal para que busque las fallas conocidas, mientras que otra serie de imágenes de validación proporciona una base para la comparación.

Three images of good spot welds

(Soldaduras por puntos buenas)

Spot weld with pitting, undersized spot weld, oversized spot weld

(Soldaduras por puntos deficientes, de izquierda a derecha: picaduras, demasiado pequeña, demasiado grande)

Cómo funciona VisionPro Deep Learning en la inspección de soldaduras por puntos

Cognex desarrolló el conjunto de software VisionPro® Deep Learning para simplificar la automatización de procesos de fabricación como las inspecciones de soldaduras por puntos. VisionPro Deep Learning cuenta con dos herramientas principales que funcionan bien en aplicaciones de inspección de soldaduras por puntos:

Uso de la herramienta Red Analyze

La herramienta Red Analyze encuentra anomalías en imágenes digitales de soldaduras por puntos. Los usuarios determinan cómo debería verse una imagen correcta y marcan las desviaciones en relación a una imagen correcta. Una serie de imágenes entrena a la red neuronal para que reconozca las soldaduras por puntos defectuosas. A la base de datos de entrenamiento no se le da acceso a una segunda serie de imágenes de validación. Estas imágenes de validación ayudan al software a establecer la “realidad de base” de cómo se ven las soldaduras por puntos buenas y deficientes.

La herramienta Red Analyze cuenta con dos modos de entrenamiento:

  • Supervisión: En el modo supervisado (como se describió anteriormente), los usuarios toman fotografías de soldaduras, identifican las fallas o anomalías, documentando cada tipo de falla, dándoles etiquetas que le dicen al software “esto es un defecto”.
  • Sin supervisión. En el modo sin supervisión, los usuarios comienzan con una imagen que no tiene fallas ni anomalías y la etiquetan como “buena”. Se presume que cualquier imagen que se desvíe de esta base ha identificado un defecto.

Las etiquetas de estos modos producen imágenes de entrenamiento para la red neuronal dentro de VisionPro Deep Learning. En una inspección, el software analiza la imagen de una soldadura en la línea de producción. La red neuronal profunda compara esta imagen de producción en línea con las imágenes de validación con las que ha sido entrenada, para determinar si la soldadura aprueba la inspección o no.

Uso de la herramienta Green Classify

La herramienta Green Classify crea clases de fallas o anomalías que se utilizan para diagnosticar problemas anteriores en la línea de producción. Por ejemplo, soldaduras que son demasiado planas o tienen una forma rara pueden revelar el mal funcionamiento de una soldadora. Con la herramienta Classify, los usuarios etiquetan estos artefactos e instruyen al sistema de inspección para que marque estos defectos e informe a los operadores de la soldadora acerca del error.
Al igual que la herramienta Red Analyze, Green Classify cuenta con dos modos de entrenamiento:

  • Clasificación de escenas. Con la clasificación de escenas, los usuarios etiquetan las imágenes como buenas o deficientes y luego agregan etiquetas para documentar defectos como picaduras o forma inadecuada.
  • Clasificación individual de defectos. Con las clasificaciones individuales, los usuarios toman imágenes y datos de resultados de la herramienta Red Analyze y los usan para clasificar defectos específicos o regiones defectuosas.

Flow diagram showing process for classifying defects individually and by scene

(Flujo del proceso para clasificaciones de la escena y de defectos individuales)

Una vez que los usuarios clasifican las imágenes, la red neuronal compara las clases con las imágenes de validación y devuelve el tipo correcto de defecto.

Las herramientas Red Analyze y Green Classify suelen utilizarse en secuencia. Primero, Red Analyze detecta la presencia de una falla o anomalía, luego Green Classify evalúa la anomalía para determinar el tipo de defecto. El resultado se entrega al operador de la línea, quien luego decide cómo manejar el producto defectuoso.

3 decisiones que mejoran el éxito de las aplicaciones de Deep Learning

Tomar buenas decisiones en el momento adecuado puede ser muy útil para asegurar el éxito del Deep Learning en las aplicaciones de soldadura por puntos. Estas tres decisiones son cruciales:

1. Evaluar el retorno de la inversión

Automatizar las inspecciones de las soldaduras por puntos debe generar más beneficios que costos. Aplicar Deep Learning requiere invertir en software, pagar salarios y comprar equipos. Además, el tiempo que requiere crear, probar e implementar el sistema genera costos. Invertir en automatización debería representar un ahorro de dinero, o al menos, brindar un mejor rendimiento por el mismo precio.
Automatizar las inspecciones también produce resultados valiosos que podrían no brindar un ROI claro, como los siguientes:

  • Control estadístico del proceso. Los datos revelan problemas en fases previas del proceso de fabricación, de modo que puedan ser resueltos antes.
  • Aprendizaje continuo. Cuantas más imágenes sean ingresadas a una red neuronal profunda para su entrenamiento, más precisa se volverá con el tiempo.
  • Documentación del proceso. Los informes sobre la calidad de las inspecciones son fácilmente desarrollados y compartidos.

2.  Reproducir el entorno de producción con precisión

Las cámaras de automatización industrial utilizadas en las inspecciones de Deep Learning necesitan de una iluminación y un posicionamiento adecuados para captar todos los datos críticos de una soldadura por puntos. Controlar los destellos y limitar las sombras en las imágenes digitales facilita la detección de fallas. Si el ojo humano no puede ver algo en una soldadura, una aplicación de Deep Learning tampoco lo verá.

El desarrollo de una aplicación de aprendizaje profundo comienza en un laboratorio y luego pasa a la planta de fabricación. Claro está que es prácticamente imposible duplicar completamente un entorno de producción en un laboratorio. Por lo tanto, los usuarios van a preferir sacar las aplicaciones del entorno de laboratorio y comenzar a probarlas en un entorno de producción lo antes posible.  El sistema de Deep Learning puede tomar nuevos datos de la línea de producción para mejorar la calidad de las inspecciones.

3. Hace el etiquetado más fácil y preciso

Desarrollar una aplicación de Deep Learning para la inspección de soldaduras por puntos requiere una cuidadosa documentación de las fallas comunes como picaduras o soldaduras deformadas. Cada una de estas fallas debe ser etiquetada consistentemente y con precisión en docenas de imágenes y quizás cientos de etiquetas.

La calidad del trabajo que se realiza durante la fase de etiquetado afecta a todos los resultados posteriores. Por lo tanto, los desarrolladores necesitan un sistema de etiquetado que sea preciso, consistente, intuitivo y fácil de comprender, como la interfaz de usuario del software VisionPro Deep Learning.

La tecnología de Deep Learning es ideal en aplicaciones con una ambigüedad intrínseca. Al igual que las huellas dactilares y los copos de nieve, no hay dos puntos de soldadura que sean iguales, haciéndolos buenos candidatos para las soluciones basadas en Deep Lerning. Sin embargo, antes de invertir recursos en un sistema de Deep Learning, los fabricantes deben considerar tres factores importantes: El ROI, la capacidad de reproducir los entornos de producción para la realización de pruebas confiables y la facilidad de etiquetado de las imágenes de entrenamiento. 

Afortunadamente, Cognex brinda una solución que aborda todas estas cuestiones: el software VisionPro Deep Learning. Las herramientas Red Analyze y Green Classify incluidas en el software, aseguran la integridad de los componentes, primero detectando los defectos y luego clasificándolos. Implementar este software en aplicaciones de soldadura por puntos les permite a los fabricantes identificar antes los defectos en el flujo de producción, para prevenir reprocesamientos costosos, brindando una alta calidad y haciendo que el consumidor confíe en el producto.

Más artículos sobre

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex