Puesta en marcha de un proyecto de Deep Learning en producción, parte 3: Optimización

Una vez que la empresa ha identificado las metas y obtenido los datos y la información real para su proyecto de Deep Learning, el próximo paso es optimizar el sistema de visualización y la base de datos de imágenes.

Durante esta etapa, el inspector humano y el sistema de visualización clasifica las piezas manufacturadas como aceptables o no aceptables. A continuación, un experto interno revisa todas las piezas dudosas y les asigna la etiqueta correspondiente. Las piezas dudosas ya corregidas más las muestras de piezas aceptables y no aceptables se envían a la base de datos para mejorar así el modelo de Deep Learning. Los desarrolladores deben agregar imágenes complejas, que incluyan, por ejemplo, piezas con defectos poco comunes o que reflejen la iluminación, al paquete de entrenamiento.

Incremente sus datos

Por lo general, un software de Deep Learning incluye un paquete de entrenamiento y herramientas de optimización. No obstante, es necesario que los equipos tomen algunas medidas adicionales, como la validación cruzada. Una vez que se ha recolectado la suficiente cantidad de datos, el equipo tiene que usar distintas secciones de un conjunto de datos para entrenar el modelo y validarlo a partir del resto del conjunto. Independientemente del conjunto de datos que se utilice, los equipos deben asegurarse de que los resultados sean consistentes, ya que, si una de las secciones se desempeña distinto que las demás, podrían generarse problemas de etiquetado o que algunos tipos de defectos no queden debidamente representados.

Otro paso consiste en aislar cada una de las variables clave del proceso de producción para ejecutar una optimización compuesta. Por consiguiente, si hubiese varias líneas de producción, los equipos tienen que tomar imágenes de cada una de esas líneas para entrenar el modelo, asegurándose de que los datos y los resultados de cada una de estas sean correctos. Además, si una empresa tiene distintos métodos de inspección, los equipos deben optimizar las distintas versiones de los productos y tipos de defectos, ya sea mediante convenciones para el nombramiento de archivos o estructuras de carpetas de archivos.

Además, debería intentar alimentar su base de datos de entrenamiento con la mayor cantidad de imágenes de piezas defectuosas posible. Por ejemplo, si tiene 500 imágenes de piezas aceptables y 282 imágenes de piezas no aceptables, utilice las imágenes de las piezas defectuosas para entrenar el sistema sobre qué debe buscar, de modo de mejorar su eficiencia durante la producción.

Abordaje de los distintos tipos de defectos 

En el Deep Learning, existen varias maneras de mirar los defectos en las imágenes. El sistema puede generar una medición basada en la totalidad de una imagen para determinar si una pieza es aceptable o no aceptable o usar un enfoque basado en defectos, que identifique fallas específicas de las piezas. Esta última opción es útil cuando se agrega un paso de clasificación adicional con fines de control del proceso, pero, por otra parte, podría demandar más pasos de procesamiento para poder agrupar o separar los defectos. 

Asimismo, el sistema de Deep Learning podría aislar píxeles específicos de cada uno de los defectos de una imagen y tomar mediciones del área defectuosa. Este método también demandaría un procesamiento adicional de las imágenes, que conllevaría la manipulación de las zonas defectuosas para producir un perímetro o cuadro delimitador y, además, para medir el defecto y clasificarlo como aceptable o no aceptable. Las aplicaciones individuales exigen distintos enfoques, por lo que los desarrolladores deben comprender las métricas defectuosas y cómo optimizarlas.

Comprender los distintos tipos de defectos y fijar parámetros de calidad también les permite a los equipos hacer una optimización de extremo a extremo para seguir mejorando el modelo. Si un equipo especifica que un defecto de más de 10 mm2 o dos defectos de más de 5 mm2 representan una pieza defectuosa, el sistema de Deep Learning no necesariamente proporciona una medición exacta de los píxeles. En estos casos, se puede usar una herramienta de análisis de blob para obtener una medición más precisa de los defectos, lo que le permitiría al equipo usar estas imágenes para refinar el modelo. Sin embargo, si el equipo tiene pensado usar la herramienta de blob para hacer un análisis más exhaustivo y lograr una mejor optimización, para mayor seguridad, el desarrollador del equipo deberá configurar el sistema de Deep Learning para que informe incluso los casos dudosos como defectos.

Herramienta de segmentación de Deep Learning (izquierda) y herramienta de análisis de blob (derecha) utilizadas de forma conjunta para refinar la región de detección de defectos

Mantenga actualizadas las métricas clave

Durante esta fase, es necesario tomar en cuenta las métricas de Deep Learning clave. No es necesario que todos los integrantes del equipo comprendan cada uno de los aspectos que conforman el Deep Learning. No obstante, el desarrollador sí debe comprender todas las métricas clave y saber cómo optimizarlas. Algunos ejemplos incluyen la diferencia entre falsos positivos y falsos negativos en comparación con las tasas de precisión y retirada, puntajes F1 y estadísticas del área bajo la curva (Area Under Curve, AUC).

Además, los equipos tienen que prestar atención a las funciones de costos y equilibrar el costo de los desperdicios (falsos positivos) en relación con el costo de los escapes (falsos negativos) para calcular el valor de una solución. Si bien los desarrolladores no deberían preocuparse demasiado por las funciones de costos al configurar por primera vez un proyecto de Deep Learning, sí es de esperar que con el tiempo el proyecto tenga como objetivo lograr puntajes F1 altos.

En la parte 4, nos enfocaremos en las pruebas de aceptación en fábrica.