Utilisation du Deep Learning dans les applications de soudage par points

La technologie de Deep Learning permet aux fabricants de détecter des soudures par points défectueuses qui affaiblissent la qualité des composants électriques.

Les soudures par points sont essentielles à la performance des appareils électriques car elles maintiennent les pièces ensemble et permettent au courant de circuler. Des points de soudure défectueux réduisent la durée de vie des composants électriques, engendrant des retours ou des réparations coûteux qui ternissent la réputation des fabricants. Détecter plus de défauts à l’étape de fabrication permet de réduire les coûts de rappel et de retraitement.

Les êtres humains ont une grande compétence pour détecter des soudures défectueuses mais ils ont une cohérence variable et une disponibilité limitée. Ils ne peuvent pas examiner en permanence chaque point de soudure. En revanche, l’automatisation de l’inspection des soudures par points permet de saisir plus de défauts et de réduire les coûts de retraitement en décelant des problèmes en amont dans vos processus de production. Cela donne à l’automatisation un avantage considérable par rapport à la seule fiabilité des inspecteurs humains.

Le Deep Learning utilise des algorithmes logiciels et la modélisation statistique pour reproduire le fonctionnement du cerveau humain. Les algorithmes créent des réseaux neuronaux optimisés pour identifier des anomalies et faire la distinction entre les bons et les mauvais résultats. Avec suffisamment de temps et de données, ces réseaux apprennent efficacement eux-mêmes à optimiser leur performance.

Mais pourquoi les fabricants devraient-ils déployer des applications de Deep Learning pour inspecter leurs soudures par points ? Pourquoi ne pas utiliser des systèmes de vision industrielle classiques pour des inspections par point de soudure ? Principalement parce que les soudures sont des objets tridimensionnels, par définition ambigus. Deux soudures n’ont pas la même forme ni les mêmes dimensions.

(Différents types de soudures par points, de gauche à droite : broche sur broche, fil sur broche/plot, fil sur fil)

Un système de vision industrielle basé sur des règles utilise un logiciel pour identifier des détails spécifiques sur une image numérique — comme un numéro de série sur un bloc-moteur ou les bords d’un composant en acier. Il fonctionne particulièrement bien lorsque vous avez des composants possèdent des caractéristiques quasi identiques.

Avec des soudures par points, chaque pièce de métal présente des dimensions légèrement différentes. Cela rend beaucoup plus complexe la création d’un système de vision industrielle basé sur des règles pour l’inspection des grandes quantités de points de soudure utilisés sur une ligne d’assemblage.

Une application d’inspection Deep Learning relève ce défi en comparant des images de soudures par points défectueuses à des images de soudures sans défaut. Un ensemble d’images entraîne le réseau neuronal à rechercher des défauts connus alors qu’un autre ensemble d’images de validation fournit une base de comparaison.

(Soudures par points conformes)

(Soudures par points défectueuses, de gauche à droite : trou, taille insuffisante, taille excessive)

Comment VisionPro Deep Learning fonctionne dans les inspections de soudure par points

Cognex a développé la suite logicielle VisionPro® Deep Learning pour simplifier l’automatisation des processus de fabrication, tels que les inspections de soudure par points. VisionPro Deep Learning dispose de deux outils principaux qui fonctionnent bien dans les applications d’inspection de soudure par points :

• Outil Red Analyze qui identifie les défauts afin que vous puissiez les éliminer du processus de production
• Outil Green Classify qui crée des catégories de défauts vous permettant d’optimiser la qualité du processus et la précision en amont, à partir du point d’inspection.

Utilisation de l’outil Red Analyze

L’outil Red Analyze recherche les anomalies sur les images numériques de points de soudure. Les utilisateurs déterminent à quoi ressemble une image correcte et signalent toute variation par rapport à cette image. Un ensemble d’images entraîne le réseau neuronal à identifier des soudures par points défectueuses. Un deuxième ensemble d’images de validation est conservé dans la base de données de formation. Ces images de validation permettent au logiciel d’établir la ”vérité terrain“ de l’aspect de soudures par points conformes et défectueuses.

L’outil Red Analyse possède deux modes d’apprentissage :

• Mode supervisé : En mode supervisé (comme décrit ci-dessus), les utilisateurs prennent des photos de soudures, les limitent aux défauts ou anomalies, documentent chaque type de défaut et attribuent une étiquette indiquant au logiciel qu’il “s’agit d’un défaut.”
• Mode non supervisé. En mode non supervisé, les utilisateurs commencent par une image sans défauts ni anomalies et l’étiquette comme “conforme”. Toute image qui s’écarte de cette base est supposée identifier un défaut.

Les étiquettes de ces modes donnent des images de formation pour le réseau neuronal dans VisionPro Deep Learning. Lors d’une inspection, le logiciel analyse une image d’une soudure sur la ligne de production. Le réseau neuronal profond compare cette image de production sur ligne aux images de validation entraînées pour déterminer si la soudure réussit ou échoue à l’inspection.

Utilisation de l’outil Green Classify

L’outil Green Classify crée des catégories de défauts ou d’anomalies, utilisées pour diagnostiquer des problèmes en amont sur la ligne de production. Par exemple, des soudures trop plates ou de forme irrégulière peuvent révéler un dysfonctionnement sur une machine de soudure. L’outil Classify permet aux utilisateurs d’étiqueter ces artéfacts et d’ordonner au système d’inspection de cocher le défaut et d’informer les opérateurs de machines à souder de l’erreur.
Comme l’outil Red Analyze, Green Classify possède deux modes d’apprentissage :

• Classification de scènes. Ces classifications de scènes permettent aux utilisateurs d’étiqueter des images comme conformes ou défectueuses, puis d’ajouter des étiquettes pour documenter un défaut comme un trou ou une forme défectueuse.
• Classification individuelle des défauts. Avec les classifications individuelles, les utilisateurs prennent des images et des données de résultat de l’outil Red Analyze et les utilisent pour classer des défauts spécifiques ou des zones de défauts.

(Déroulement du processus pour des classifications individuelles de défauts)

Une fois que les utilisateurs ont classé les images, le réseau neuronal compare les catégories aux images de validation et renvoie le type correct de défaut.

Les outils Red Analyze et Green Classify sont souvent utilisés en séquence. Red Analyze détecte d’abord la présence d’un défaut ou d’une anomalie, puis Green Classify évalue l’anomalie et détermine le type de défaut. Le résultat est indiqué à l’opérateur de la ligne qui décide de la façon de traiter le produit défectueux.

3 décisions permettant d’améliorer le succès des applications de Deep Learning

Prendre de bonnes décisions au bon moment joue un rôle essentiel pour garantir la réussite de Deep Learning dans des applications de soudure par points. Ces trois décisions sont primordiales :

1. Mesurer le retour sur investissement

L’automatisation des inspections de soudure par points doit générer plus d’avantages que de coûts. Appliquer le Deep Learning implique d’investir dans un logiciel, de payer des salaires et d’acheter un équipement. En outre, le temps requis pour créer, tester et mettre en œuvre le système génère des coûts. L’investissement en automatisation doit permettre d’économiser de l’argent ou tout au moins d’optimiser la performance pour le même prix.
Les contrôles d’automatisation fournissent également des résultats intéressants qui peuvent éventuellement ne pas apporter une zone d’intérêt explicite, par exemple :

• Contrôle de processus statistique. Les données révèlent des problèmes en amont dans le processus de fabrication, ils peuvent donc être résolus plus tôt.
• Formation continue. Plus les images sont entraînées sur un réseau neuronal profond, plus elles deviennent précises au fil du temps.
• Documentation du processus. Les rapports sur la qualité des inspections sont facilement développés et communiqués.

2.  Répliquer l’environnement de production avec précision

Les caméras d’automatisation industrielle utilisées dans les inspections Deep Learning nécessitent un éclairage et un positionnement appropriés pour capturer toutes les données critiques dans une soudure par points. Le contrôle des reflets et la limitation des ombres sur des images numériques facilitent la détection des défauts. Si un élément sur une soudure est invisible à l’œil nu, une application de Deep Learning ne le verra pas non plus.

Le développement d’une application de Deep Learning commence en laboratoire, puis se poursuit à l’atelier. Bien entendu, il est presque impossible de reproduire intégralement un environnement de production dans un laboratoire. Les utilisateurs souhaiteront donc sortir les applications du laboratoire et commencer à les tester dans un environnement de production dès que possible. Le système basé sur le Deep Learning peut récupérer de nouvelles données de la ligne de production pour améliorer la qualité des inspections.

3. Rendre l’étiquetage plus simple et précis

Développer une application de Deep Learning permettant d’inspecter des soudures par points nécessite une documentation approfondie des défauts classiques, tels que des trous ou des soudures difformes. Chacun de ces défauts doit être étiqueté de façon précise et systématique sur des douzaines d’images voire des centaines d’étiquettes.

La qualité des travaux réalisés dans la phase d’étiquetage impacte les résultats par la suite. Les développeurs ont donc besoin d’un système d’étiquetage précis, constant, convivial et facile à comprendre — comme l’interface du logiciel VisionPro Deep Learning.

La technologie de Deep Learning est parfaite pour les applications implicitement ambiguës. À l’instar des empreintes digitales et des flocons de neige, il n’existe pas deux points de soudure identiques, ce qui en fait de bons candidats pour des solutions basées sur le Deep Learning. Cependant, avant d’investir des ressources dans un système de Deep Learning, les fabricants doivent prendre en compte trois facteurs essentiels : La zone d’intérêt, capacité à reproduire des environnements de production pour des tests précis et la simplicité de l’étiquetage d’images de formation. 

Heureusement, Cognex propose une solution couvrant tous ces aspects – le logiciel VisionPro Deep Learning. Les outils Red Analyze et Green Classify intégrés au logiciel garantissent l’intégrité du composant en identifiant d’abord les défauts puis en les classant. Grâce à la mise en œuvre de ce logiciel dans des applications de soudure par points, les fabricants identifient des défauts en amont dans le processus de production, ce qui permet d’éviter des retraitements onéreux, d’apporter une qualité supérieure et de susciter la confiance du grand public dans nos produits.