Blogs Cognex

Comment le japonais Sekisui House a automatisé l’inspection des défauts des murs en céramique avec VisionPro Deep Learning

Sekisui House uses Cognex deep learning to find defects on ceramic tile

Sekisui House Ltd. est l’un des principaux constructeurs immobiliers du Japon avec un chiffre d’affaires annuel proche de 20 milliards de dollars (USD). L’entreprise, fondée en 1960 et basée à Osaka, est connue pour ses revêtements en carreaux de céramique Bellburn fabriqués dans ses usines de Shizuoka et Tohoku.

Les carreaux de céramique Bellburn sont utilisés pour le revêtement extérieur des murs dans la construction de maisons haut de gamme. Ils sont non seulement attrayants, mais aussi durables, avec des propriétés autonettoyantes, et incarnent la philosophie de l’entreprise qui consiste à créer des produits « traditionnels mais intelligents ». Les carreaux sont trempés et des techniques issues des arts céramiques sont intégrées au processus de production. Mais tout comme dans les arts céramiques, il y a parfois des petits creux ou des petites lignes laissés sur l’extérieur par le processus de moulage d’origine, qui permet de façonner l’argile ou un autre matériau. Pour éliminer ces imperfections esthétiques du processus de moulage, il est indispensable d’inspecter chaque carreau.

Sekisui House 01

Le volume de l’inspection visuelle manuelle est toutefois impossible à gérer pour une personne. Il est également difficile et fastidieux de formuler des règles d’inspection par vision industrielle qui tiennent compte de tous les défauts visuels susceptibles de se présenter lors d’une inspection automatisée des carreaux Bellburn. Par ailleurs, toutes les imperfections résultant de défauts externes ou d’irrégularités des couleurs ne sont pas des causes de rejet. Certains défauts potentiels sont considérés comme acceptables pour limiter le risque de retrait d’un bon produit de la production, ce qui aurait un impact sur le volume d’approvisionnement nécessaire.

Afin de garantir la quantité des carreaux Bellburn requise au moment de l’inspection finale, des plans de production ont dû être établis sur la base des taux de rendement passés et des inspections manuelles inefficaces. Cela a entraîné une augmentation des stocks, dont une partie a été immobilisée.

Pour relever les défis de cette inspection, Sekisui House a déployé VisionPro Deep Learning et l’a associé à une caméra linéaire et à un éclairage LED pour automatiser l’inspection des défauts esthétiques tout au long du processus de production. En inspectant automatiquement toutes les pièces, le constructeur immobilier est parvenu à améliorer la qualité globale du processus de fabrication, à réduire la production excédentaire, à diminuer les stocks et les coûts et à stabiliser l’approvisionnement des revêtements en carreaux de céramique Bellburn.

La détection des défauts basée sur le Deep Learning ne nécessite qu’une petite quantité de données d’image

VisionPro Deep Learning, une solution de Deep Learning sur PC, identifie divers défauts esthétiques sur la plaque d’origine à partir d’un petit nombre d’échantillons de bonnes images. Généralement, une quantité colossale de données d’image est nécessaire pour qu’un outil de Deep Learning open source apprenne les défauts qui sont acceptables et ceux qui ne le sont pas. Mais VisionPro Deep Learning peut en faire autant en partant d’un échantillon d’environ 100 images, car son outil de détection des défauts est conçu spécialement pour la fabrication.

Après l’étape de cuisson du processus de moulage, la caméra linéaire accompagnée de l’éclairage LED capture des images externes pour l’inspection automatisée. VisionPro Deep Learning identifie les défauts tels que les bosses, les affaissements, les nuances de couleur ou les lignes indésirables. Il analyse ensuite ces images pour permettre aux ingénieurs automaticiens de perfectionner l’application en fonction des défauts esthétiques acceptables ou inacceptables.

Vitesse de traitement élevée pour la détection en temps réel sur la ligne de production

Sekisui House 02 

En détectant en temps réel les défauts qui surviennent lors du processus de moulage, les articles défectueux peuvent désormais être identifiés plus tôt. La gestion de la qualité est assurée de façon plus fiable à l’étape qui précède l’inspection finale pour une planification plus précise de la production. Par exemple, la distinction d’un matériau de 200 x 32 cm prend environ deux secondes. Une inspection externe à cette vitesse sur la ligne de production est totalement inenvisageable pour l’humain seul. VisionPro Deep Learning inspecte les zones déformées de manière sélective, ce qui lui permet de faire les distinctions qui s’imposent à une vitesse de traitement élevée.

Réduction réussie des stocks immobilisés

L’introduction de ce système d’inspection a entraîné une réduction de 40 % des stocks immobilisés, qui représentaient auparavant 0,4 % du volume de production en réserve, ce qui a permis de réduire les coûts.

L’automatisation de l’inspection visuelle à l’aide du Deep Learning avant le processus final a conduit à de grandes améliorations dans la gestion de la qualité, désormais plus fiable. Elle a permis d’améliorer le rendement, ce qui a rendu possible une planification plus précise de la production ainsi qu’une réduction des stocks.

Nouvelles réductions des coûts grâce au développement horizontal

Après le succès du déploiement dans l’usine de Shizuoka, le système de détection des défauts basé sur le Deep Learning a également été mis en œuvre dans l’usine de Tohoku. Dans cette dernière, l’inspection externe a été intégrée après l’étape de pressage de l’argile. Si des défauts sont détectés avant que l’argile sèche, les matériaux sont recyclés, éliminant ainsi le gaspillage. D’importantes économies ont ainsi pu être réalisées sur le coût des matériaux.

Assurer un approvisionnement stable

La capacité à détecter les défauts en temps réel grâce à l’automatisation de l’inspection visuelle en cours de production à l’aide de VisionPro Deep Learning a permis de réduire les stocks et les coûts. L’automatisation de l’inspection visuelle externe de chaque carreau à l’aide de VisionPro Deep Learning a rendu possible la production du nombre exact de plaques de céramique requises au moment précis où elles étaient requises.

Globalement, le processus de production du revêtement en céramique Bellburn a été davantage rationalisé. Grâce à VisionPro Deep Learning qui a automatisé ces inspections, Sekisui House a pu mieux appliquer sa devise : « créer des résidences conçues librement, une à la fois, chacune faite entièrement sur mesure pour que le rêve des clients devienne réalité ».

Plus d’articles

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...