Puesta en marcha de un proyecto de Deep Learning para la producción, parte 2: recolección de datos y obtención de información real

cerebro azul a través de conexiones de red sobre un fondo rojo gradiente grande

Una vez que la empresa haya conformado un equipo de proyectos de Deep Learning, identificado objetivos y seleccionado un proyecto para seguir adelante, el paso siguiente es recolectar los datos e información real.

Datos absolutos y relativos 

Durante esta fase es necesario recolectar dos tipos de datos: datos de imágenes (absolutos) y datos de procesos (relativos). Los datos de imágenes recolectados por el equipo de Deep Learning permiten optimizar y entrenar la red neuronal en la detección de defectos y la determinación de aprobado/fallo. La captura de imágenes confiables conlleva —entre otras cosas— identificar una cámara con una resolución adecuada y seleccionar y configurar una iluminación correcta.
Los datos del proceso permiten que una empresa que esté desarrollando un sistema basado en el Deep Learning pueda ejecutar una optimización avanzada. Esto podría incluir datos sobre el costo de los escapes por unidad en comparación con los desperdicios, la frecuencia de instancias de aprobación o fallo y la frecuencia de aparición de distintos tipos de defectos. El equipo de Deep Learning tiene que observar el desempeño del sistema de Deep Learning en relación con información real y el desempeño de alguna solución existente, como la inspección manual, en relación con esa verdad fundamental. 

Mantener un proceso continuo

Por lo general, todas las fases de un proyecto de Deep Learning deben llevarse a cabo sin interrupciones. Esta tarea incluye recolectar las imágenes y procesar los datos, entrenar el modelo y mantener actualizadas las etiquetas de los datos.

Las empresas precisan empleados que sean capaces de etiquetar los defectos en las imágenes de manera constante y confiable para que el modelo de Deep Learning se pueda entrenar a partir de datos confiables. Mantener una continuidad en el proceso de entrenamiento les permite a los equipos optimizar la recolección y registro de datos precisos.

A fin de evitar las anomalías estadísticas, los equipos deben captar las variaciones en los productos, los cambios en los componentes, los desplazamientos de los equipamientos y el desgaste de las herramientas, y hacer un seguimiento de estas instancias. En general, el etiquetado de las imágenes debe ser constante e imparcial e incluir mediciones independientes y definiciones claras. Cuando cambian las características de un producto, se agregan productos nuevos o se quitan productos obsoletos, los equipos tienen que actualizar las etiquetas de las imágenes. Además, los equipos tienen que establecer un proceso de captación ininterrumpida de información, de modo que, si ocurre algún problema, sea posible reaccionar y corregirlo.

Los equipos de Deep Learning tienen que evitar usar defectos falsos en la capacitación. Los defectos falsos, como las marcas, grietas o rayones de alguna pieza, podrían no ser representativos de los defectos reales y repercutir de manera negativa en el proceso de entrenamiento. Por ejemplo, si alguien hiciera un rayón de forma manual en el medio de alguna pieza a fin de realizar una prueba, el sistema empezaría a buscar defectos solamente en esa área.

Obteniendo información real

Los equipos cuentan con distintas opciones a la hora de obtener información real, lo que incluye usar resultados manuales de inspecciones industriales. En este método, los datos están fácilmente disponibles y aceptados. Puede que esta sea la única opción viable para las piezas que demanden ser manejadas de un modo específico para su inspección, por ejemplo, inclinándolas. Por otra parte, es posible que los resultados varíen con el tiempo o de inspector a inspector y que algunos de las partes interesadas tengan un interés personal en el sistema en ejecución al momento. Este método debe utilizarse únicamente como punto de partida. Las empresas tienen que invertir en la recolección y la selección de datos para determinar un valor de referencia más preciso.

Las pruebas de Knapp pueden ayudar a las empresas a calificar a los inspectores humanos de calidad haciendo circular distintas piezas conocidas —aceptables y no aceptables— varias veces entre el mismo grupo de inspectores. En una prueba de Knapp, cada inspector revisa varias veces por separado piezas de control mezcladas con piezas de producción. A continuación, se recopilan los resultados de cada uno de estos inspectores y se llega a un acuerdo sobre si la pieza está aprobada o desaprobada. Si bien este método posibilita a las empresas ver qué tipos de defectos se detectan de manera constante y qué inspector trabaja mejor, su eficacia se limita a conjuntos de datos pequeños. Además, podría entregar resultados poco representativos, dado que la aparición de defectos podría no ser realista —o artificial— y la distribución de defectos es siempre poco realista. Las empresas tienen que evaluar la precisión y la repetibilidad de cada inspector y generar conjuntos de datos iniciales etiquetados para entrenar redes neuronales a partir de imágenes con defectos realistas.

Método Ventajas Limitaciones Recomendaciones
Inspección manual
  • Los datos existen y se aceptan
  • Puede que esta sea la única opción viable si las piezas demandan ser manejadas de un modo específico para su inspección (inclinándolas, etc.)
  • Inconsistencia, a lo largo del tiempo y entre distintos inspectores
  • Muchos actores tienen un interés personal en el sistema actual
  •  Utilice los resultados de la inspección manual como punto de partida
  • Invierta en la recolección y la selección de datos para determinar un punto de referencia más preciso
Prueba de Knapp
  • Comportamiento de la prueba en un entorno de fabricación real
  • Más confiable que el juicio de cualquier inspector
  • Implementación de pruebas inviables en algunas industrias
  • Restringida a conjuntos de datos pequeños
  • Los resultados suelen ser poco representativos
  •  Evalúe la precisión y repetibilidad de cada inspector por separado
  • Genere un conjunto de datos iniciales etiquetado para entrenar redes neuronales
  • Valide para la producción

Por último, las empresas deben contar al menos con un experto de confianza que conozca en profundidad los estándares de calidad de la empresa para obtener información real. Para comenzar, los equipos registran las imágenes y los resultados de las inspecciones durante la producción con inspecciones manuales y automáticas. A continuación, el experto indica si es posible determinar con seguridad la aprobación o fallo a partir de las imágenes y ayuda a fijar un estándar de calidad de imagen para el equipo de etiquetado, de modo de garantizar que solo se alimente el modelo de Deep Learning con datos precisos.

Diagrama que compara el software de Deep Learning con los inspectores humanos para la aplicación de soldadura por puntos

En este ejemplo, se utiliza un experto especialista para establecer información real para la revisión de soldadura por puntos.

A continuación, pueden compararse los resultados de las inspecciones visuales manuales y automatizadas. Si los resultados concuerdan, el equipo pude asumir que las decisiones son correctas y agregar las imágenes al conjunto de datos. Si los resultados varían, el experto los revisa y toma una decisión al respecto. El experto ayuda a establecer una base de datos de imágenes confiables basadas en información real, que incluye imágenes de muestras reales en condiciones reales. Además, el experto colabora con la creación de estadísticas de desempeño, que incluyen datos sobre distribución de defectos y de ejecución de inspecciones automatizadas y manuales, mientras que también mejora los procesos de inspección. El experto también proporciona datos reutilizables en futuros proyectos de automatización. Tenga en cuenta que cuando sea necesario manejar o entrar en contacto con las piezas para encontrar defectos, los resultados arrojados por este método son poco satisfactorios. Otra de las desventajas de este método es que se basa en las decisiones de una sola persona.

En la parte 3, abordaremos la fase de optimización.

Más artículos sobre

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex