4 outils pour les inspections d’automatisation industrielle basées sur le Deep Learning

examples of deep learning finding defects, performing kitting inspections, and reading characters

Un logiciel basé sur le Deep Learning automatise un large éventail de fonctions de production irréalisables par les inspecteurs humains et les algorithmes basés sur les règles.

Prenons, par exemple, un inspecteur travaillant sur une ligne de production automobile. Les portes, ailes, sièges, fenêtres et des centaines d’autres composants peuvent être rayés, cabossés, déchirés ou abîmés. Les humains peuvent détecter certains de ces défauts. Les systèmes de vision industrielle dotés de caméras haute technologie et d’algorithmes complexes peuvent détecter quelques défauts prédéterminés et bien définis de plus.

Le problème est que toutes les variables dans un environnement de production peuvent produire des imperfections impossibles à anticiper. C’est là que le logiciel basé sur le Deep Learning vient à notre secours : il utilise des caméras numériques et des algorithmes de reconnaissance d’image pour apprendre à identifier un large éventail de problèmes, tels que la rouille, la décoloration et les dommages.

Lorsqu’elles sont correctement développées, les applications basées sur le Deep Learning permettent aux fabricants de réduire les erreurs et d’améliorer la qualité des produits. Dans une application d’inspection, la vision industrielle et le Deep Learning fonctionnent conjointement :

  • Les développeurs créent une base d’images d’apprentissage des produits non endommagés pour établir l’aspect normal du produit.
  • Les développeurs ajoutent des images des produits endommagés pour identifier les anomalies et les défauts les plus courants.
  • Les caméras de vision industrielle prennent des photos des éléments sur les lignes de production. Le logiciel d’apprentissage automatique compare ces images avec les images d’apprentissage pour détecter les défauts possibles.
  • Comme le logiciel est optimisé pour rechercher la réussite et éviter tout échec, il apprend lui-même à devenir plus précis avec le temps.

Le logiciel permettant de créer des applications basées sur le Deep Learning pour la fabrication doit disposer de quatre fonctionnalités principales :

1. Localisation des caractéristiques et vérification de l’assemblage

vérification de l’assemblage pour le secteur automobile 

La détection des défauts n’est pas le seul rôle du logiciel basé sur le Deep Learning et la vision industrielle. Il peut également utiliser les images et les algorithmes d’apprentissage pour localiser des composants spécifiques, ce qui facilite certaines tâches comme ordonner au bras robotisé d’aligner correctement les composants. C’est essentiel pour les produits haute précision, tels que les semi-conducteurs, les smartphones et les produits pharmaceutiques.

Ces applications peuvent également déterminer le nombre de produits à un endroit et demander à un robot de continuer à ajouter d’autres produits identiques jusqu’à ce que la boîte ou l’étagère soit pleine. Elles peuvent également compter tous les composants d’un produit afin de s’assurer que rien ne manque.

Les meilleurs outils de localisation et de vérification sont performants dans un large éventail d’éclairages et de surfaces qui gênent les systèmes de vision basés sur les règles et le personnel chargé de l’assurance qualité.

En savoir plus : Identifiez différents composants ou configurations de pièces grâce aux outils de vérification de l’assemblage basés sur le Deep Learning

2. Détection et segmentation des défauts

 Détection des défauts pour le secteur de l’automobile

L’identification des défauts est peut-être la fonctionnalité la plus demandée d’un logiciel d’apprentissage automatique dans les environnements de production. Alors que les systèmes de vision industrielle peuvent être programmés pour détecter un type de défaut, l’identification de plusieurs défauts de cette façon est bien trop fastidieuse.

Les outils de détection des défauts commencent par utiliser une base de bonnes images et de photos de défauts courants, tels que la rouille, les bosses, les rayures et les défauts d’alignement. Les outils de détection de pointe peuvent également identifier toutes les anomalies qui diffèrent des bonnes images. Ces images provenant de résultats de production rares peuvent aider l’outil à apprendre lui-même à améliorer sa précision.

La segmentation identifie une section d’une image, indiquant au logiciel de rechercher les défauts dans cette zone. Cela permet de simplifier les applications basées sur le Deep Learning en supprimant les zones non pertinentes pour l’analyse.

En savoir plus : Comment le Deep Learning automatise-t-il les inspections pour l’automobile et les autres secteurs

3. Classification d’objets et de scènes

Exemples de classification

La classification d’objets et de scènes permet aux applications basées sur le Deep Learning de diviser les défauts en catégories, optimisant ainsi leur capacité à s’améliorer sans aucune intervention humaine. En général, les images sont étiquetées en fonction de certaines caractéristiques, puis classées selon certains paramètres. Ainsi, par exemple, les produits rayés peuvent être automatiquement réacheminés vers la ligne de peinture, tandis que les produits cabossés peuvent être envoyés vers l’atelier de métallurgie.

La classification trie également les produits et les composants en fonction de caractéristiques communes, telles que la couleur, la texture, les matériaux, l’emballage et le type de défaut. Les meilleurs outils de classification établissent des tolérances pour les variations naturelles des nuances, formes ou dimensions, et les ajustent selon les besoins de chaque catégorie.

En savoir plus : Fonctionnement de l’outil de classification basé sur le Deep Learning

4. Lecture de texte et de caractères

Reconnaissance optique de caractères sur un bloc-moteur

La lecture de mots, chiffres ou texte de façon constante sur une surface telle qu’un bloc-moteur ou un tube de cuivre peut être pratiquement impossible pour les inspecteurs et les algorithmes de vision industrielle standard. L’éclairage peut varier considérablement sur une ligne de production, créant des ombres à certains endroits et des reflets à d’autres, et variant tout au long de la journée en fonction des changements d’éclairage ambiant sur le site de production.

Les applications basées sur le Deep Learning associent les polices de caractères aux caractères figurant sur les pièces en production. Cela facilite grandement la lecture de texte à travers les emballages en plastique ou sur des surfaces irrégulières, notamment les outils de jardinage ou les nécessaires de couture. Les outils avancés de lecture de caractères dépassent le site de production, jouant un rôle dans les systèmes de distribution, logistique et commerce sophistiqués.

En savoir plus : Lisez les codes complexes dans toutes les conditions grâce à la reconnaissance optique de caractères basée sur le Deep Learning

Autres caractéristiques à rechercher dans un logiciel basé sur le Deep Learning

Outre les quatre fonctionnalités décrites ci-dessus, un logiciel basé sur le Deep Learning fiable devrait être :

  • Facile à utiliser, avec une interface utilisateur graphique qui ne nécessite aucune connaissance technique avancée.
  • Optimisé pour les environnements de production à inspection visuelle, avec de plus petits ensembles d’images qui exigent moins d’apprentissage.
  • Conçu pour les ordinateurs Windows dotés de processeurs graphiques.

Cognex Deep Learning offre toutes ces caractéristiques et de nombreuses autres fonctionnalités puissantes, conçues précisément pour les environnements industriels et de production, contrairement aux environnements de Deep Learning open source. Il associe une bibliothèque complète d’outils de vision industrielle et des outils avancés basés sur le Deep Learning au sein d’un environnement de déploiement et de développement commun.

Plus d’articles

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

Rejoindre MyCognex