Identifiez différents composants ou configurations de pièces grâce aux outils de vérification de l’assemblage basés sur le Deep Learning
D’incroyables progrès ont été réalisés dans la vision industrielle. Ainsi, les algorithmes avancés peuvent différencier les pièces visuellement semblables selon les caractéristiques ou marquages les plus subtils. Il existe un compromis naturel entre spécificité et précision des inspections et investissement en programmation et apprentissage en amont. Développer des règles linéaires pour apprendre à un ordinateur à différencier des centaines, voire des milliers de variations possibles dans une seule pièce est, sans surprise, incroyablement long.
Et pourtant, l’approche n’est pas nécessairement infaillible.
Les scènes non structurées et/ou extrêmement complexes qui présentent des motifs contrastés et une réflexion spéculaire peuvent devenir trop difficiles à programmer, en particulier pour les applications de vérification de l’assemblage qui doivent identifier un grand nombre de composants pouvant varier d’une pièce à l’autre et apparaître dans différentes configurations. Même si les pièces sont uniformes et bien fabriquées, la vérification de l’assemblage reste l’une des inspections les plus difficiles à automatiser. En effet, bien que les systèmes de vision industrielle puissent tolérer une certaine variabilité d’aspect des pièces en raison de l’échelle, la rotation ou la distorsion de position, des conditions comme des textures de surface confuses et complexes et un manque d’éclairage posent de très gros problèmes. Les systèmes de vision industrielle ont du mal à tenir compte de la variabilité et l’écart entre des pièces visuellement très semblables.
Lorsqu’un assemblage ou un sous-assemblage contient de nombreux écarts et variations, la charge du système augmente jusqu’à ce que la détermination de toutes ces différences devienne trop difficile à programmer ou prendre en compte. L’attribution de ces inspections à des inspecteurs humains est inefficace, non évolutive et peut entraîner des erreurs en raison de la fatigue et des préférences variant d’un inspecteur à un autre.
Les outils d’analyse d’images basés sur le Deep Learning constituent une alternative pour automatiser la vérification de l’assemblage.
Vérification de l’assemblage pour le secteur automobile
De nombreux objets et scènes dans le secteur de la construction automobile sont imprévisibles et apparaissent différemment devant la caméra lors des diverses étapes d’assemblage. La vérification de l’assemblage final est un processus notoirement difficile pour les véhicules finis. En effet, il constitue un défi pour les algorithmes basés sur les règles de filtrage étape par étape, qui définissent le développement de la vision industrielle classique.
Avec l’augmentation des bibliothèques de défauts et des changements de configuration, il devient trop difficile de gérer les algorithmes. La vérification de l’assemblage final teste les limites de la programmation, car elle implique plusieurs variables, telles que l’éclairage, la couleur, le profil et le champ de vision, qui peuvent être très difficiles à isoler par un ordinateur ou une caméra. C’est pourquoi, généralement, les inspecteurs humains continuent d’effectuer un contrôle extérieur lors de l’étape finale de l’assemblage d’un véhicule. Bien qu’ils puissent être habiles à identifier une grande variété de pièces et caractéristiques, à mesure que différents modèles de véhicules avancent sur la ligne dans des conditions d’éclairage variables, les inspecteurs humains peuvent être irréguliers.
À la place, un logiciel basé sur le Deep Learning peut créer une bibliothèque de caractéristiques de référence à partir desdits composants et couleurs pour les localiser et les identifier dans une photo d’une automobile entièrement assemblée. Il est alors facile d’automatiser la vérification de l’assemblage final en ajoutant une caractéristique supplémentaire : une fois que les composants ont été localisés et identifiés, le logiciel peut fournir un résultat de type réussite/échec.
Vérification de l’assemblage pour le secteur électronique
Les fabricants électroniques adoptent le Deep Learning pour la prise de décision basée sur le jugement nécessaire dans leurs applications de vérification de l’assemblage. Il est trop fastidieux d’apprendre à un système d’inspection à détecter et vérifier la présence et le bon positionnement de plusieurs composants. Les inspections qui impliquent des images contenant de nombreux petits composants adjacents ou contigus peuvent être pratiquement impossibles ou trop complexes à effectuer à l’aide de la vision industrielle classique.
Un matériel électronique assemblé, tel qu’une boîte à fusibles, doit être inspecté afin de détecter tout défaut, contaminant, anomalie fonctionnelle ou autre irrégularité, qui pourrait nuire aux performances ou compromettre la sécurité. Ces erreurs doivent être détectées avant que la boîte à fusibles ne soit assemblée dans un appareil ou expédiée aux clients. Heureusement, un logiciel basé sur le Deep Learning est optimisé pour fonctionner dans ces conditions confuses, notamment lorsque les images manquent de contraste ou sont mal acquises.
Pour vérifier l’assemblage complet de la boîte à fusibles, l’outil basé sur le Deep Learning apprend d’abord à identifier les nombreux composants électroniques à partir d’images étiquetées avec la position de chaque type de pièce. À partir de ces données, les réseaux neuronaux de l’outil créent un modèle de référence de chaque composant qui intègre sa taille, forme, surface et position générale sur la boîte. Lors de l’exécution, l’outil segmente toutes les zones de la boîte contenant les composants pour déterminer correctement si les composants sont présents ou absents et du bon type.
Vérification de l’assemblage pour le secteur du conditionnement
Prenons, par exemple, la tâche de vérification du bon assemblage d’un plat surgelé conditionné. L’emballage de plusieurs plateaux-repas peut sembler similaire à l’extérieur mais contenir un mélange différent de produits à l’intérieur. À l’inverse, les mêmes aliments peuvent être présents dans tous les emballages, mais leur disposition ou taille de portion peut varier.
Le nombre d’aliments et les différentes configurations et dispositions sont fastidieux à programmer à l’aide de la vision industrielle classique, car il est difficile de localiser et d’identifier automatiquement plusieurs caractéristiques dans une seule image au moyen d’un outil unique. Les scènes extrêmement complexes impliquées dans toute application de vérification de l’assemblage final des emballages peuvent être trop difficiles à contrôler avec l’augmentation des bibliothèques de défauts et d’exceptions.
L’analyse d’images basée sur le Deep Learning facilite la vérification du bon assemblage d’un plateau-repas en apprenant non seulement l’aspect légèrement variable de chaque aliment, mais aussi les dispositions acceptables. Une fois l’aspect normal de chaque aliment appris, le logiciel crée une base de données complète des différents aliments à localiser. Lors de l’exécution, l’image d’inspection peut être divisée en différentes zones de façon à ce que le logiciel puisse rechercher la présence des aliments et vérifier qu’ils sont du bon type.
Dans les situations où les dispositions d’emballage varient, le logiciel est suffisamment flexible pour apprendre plusieurs configurations. Alors que les configurations changent, le logiciel basé sur le Deep Learning peut être ajusté pour continuer à détecter chaque aliment et vérifier qu’il est du bon type. Ainsi, l’utilisateur peut automatiser la vérification d’un plateau-repas ou d’un plat surgelé conditionné à l’aide d’un outil unique.
Vérification de l’assemblage pour le secteur de l’électronique grand public
Lors de l’assemblage de modules ou panneaux d’appareils mobiles, il n’est pas rare que des corps étrangers, notamment des vis desserrées, tombent dans le boîtier d’un module environnant sur la ligne. Il est essentiel de détecter toute inclusion avant qu’elle ne cause des obstructions ou des dommages lors de l’assemblage final. Les débris sont généralement petits et les légères variations d’aspect, en raison de subtils contrastes d’éclairage, de changements d’orientation ou de reflets sur les surfaces métalliques, peuvent gêner un système d’inspection automatique.
En parallèle, ces types de conditions peuvent rendre difficile la détermination de la présence des composants attendus dans le bon boîtier. Enfin, les panneaux d’appareils mobiles contiennent de nombreuses pièces adjacentes, qui peuvent être difficiles à différencier.
Programmer toutes ces variables à l’aide d’un algorithme basé sur les règles est une tâche fastidieuse, sujette aux erreurs et difficile à gérer sur site. Heureusement, un logiciel d’analyse d’images basé sur le Deep Learning peut apprendre l’aspect fini des nombreux composants du panneau ou du module afin d’identifier les pièces mal positionnées telles que le vis. Entraîné sur de mauvaises images d’un module où des débris sont présents ou des composants manquants, ainsi que sur de bonnes images où le module est correctement assemblé, un outil tel que Cognex Deep Learning crée un modèle de référence d’un panneau d’appareil mobile, qui s’avère extrêmement performant dans des conditions difficiles et capable d’identifier tout panneau défectueux de façon aussi fiable qu’un inspecteur humain, mais avec la vitesse et la fiabilité d’un système automatique.
Généralement, les applications de vérification de l’assemblage ont été confiées aux inspecteurs humains. Cependant, leurs capacités d’inspection restent insuffisantes sur les lignes de production où des centaines, voire des milliers de pièces doivent être inspectées par minute de façon fiable et répétée. Les outils basés sur le Deep Learning peuvent désormais combler cette lacune.
Cognex Deep Learning est entraîné sur des images étiquetées (sans aucun développement logiciel requis) pour localiser et identifier correctement les pièces qui varient en termes de taille, forme et surface. Une fois ces difficultés surmontées, la détermination de la présence des bons composants dans la disposition ou configuration appropriée devient facile et, contrairement à la vision classique, ne nécessite aucune création de règles supplémentaires.
