Blogs Cognex

Fonctionnement de l’outil de classification Cognex Deep Learning

classification deep learning inspections

La classification des pièces et des composants est utile pour la vérification complexe de l’assemblage, lorsque plusieurs éléments doivent être identifiés et triés sur la ligne de production. La classification est également cruciale pour le contrôle en ligne et l’amélioration continue des processus, car elle fournit des données essentielles permettant de détecter les erreurs avant qu’elles ne deviennent des problèmes tenaces.

Malgré les incroyables avancées dans la vision industrielle, la détection des objets ou composants qui varient en termes de forme, taille et position nécessitait généralement la flexibilité de l’œil humain. Même les systèmes d’inspection les plus puissants sont facilement confus en présence d’arrière-plans à motifs chargés et de problèmes de qualité d’image, tels que la réflexion spéculaire.

Ces conditions rendent difficile la localisation précise d’un objet ou d’une zone d’intérêt par les algorithmes de vision. Identifier la zone d’intérêt tout en ignorant les caractéristiques non pertinentes peut s’avérer long et difficile, voire impossible, pour un système automatique.

Dans ces scénarios, lorsqu’une application exige une précision automatique pour localiser des caractéristiques et des objets complexes, il peut être utile d’avoir recours aux outils basés sur le Deep Learning qui apprennent à partir d’images d’exemple au lieu de s’appuyer sur la programmation. L’utilisation de ces algorithmes intelligents offre de nouvelles capacités de localisation et de tri des pièces selon la couleur, la texture, les matériaux, l’emballage ou le type de défaut.

Examinons comment les outils de classification basés sur le Deep Learning peuvent aider différents secteurs.

Classification basée sur le Deep Learning pour le secteur automobile

Dans de nombreuses applications automobiles, l’identification est effectuée à l’aide des technologies de lecture de codes et de reconnaissance optique de caractères permettant de décoder les codes-barres et les numéros de série. Cependant, dans les environnements qui ne prennent pas en charge la lecture de codes ou de texte alphanumérique, les constructeurs doivent s’appuyer sur l’identification visuelle. Cela peut être problématique pour toute identification effectuée dans une position variable ou présentant une variation et un écart visuels, mais encore plus compliqué lorsque les pièces doivent être comptées et triées ou classées selon ces marqueurs.

classification pour le secteur automobile

Imaginez un constructeur automobile recevant une cargaison de bougies d’allumage d’un fabricant de pièces. Ces bougies varient en termes de couleur et de marquage, car elles ont été conçues pour différents modèles de véhicules. Alors qu’elles arrivent dans des bacs de différentes couleurs sur la ligne de production pour le pré-assemblage, les systèmes d’inspection automatiques doivent les identifier, les compter et les classer afin de transmettre les données au robot pour l’assemblage. Pour cela, le système automatique doit distinguer les bougies d’allumage de différentes couleurs, qui fourniront d’importantes informations d’assemblage aux robots, tout en ignorant la couleur de fond de leurs bacs, qui est une distraction.

Un tel défi de classification exige un outil basé sur le Deep Learning, qui peut généraliser l’aspect normal des bougies d’allumage en fonction de leur forme et de leurs dimensions sans être distrait par les marquages individuels, puis les classer par couleur. Pour cela, un outil d’analyse d’images basé sur le Deep Learning tel que Cognex Deep Learning utilise des images d’apprentissage étiquetées pour généraliser l’aspect d’une bougie d’allumage afin de compter l’ensemble dans le bac. Il peut ensuite les trier par couleur et transmettre ces données au robot pour l’assemblage.

Classification basée sur le Deep Learning pour le secteur électronique

Pour les fabricants de matériel électronique qui travaillent dans des limites de tolérance très strictes, tous les défauts de surface de leurs composants doivent être méticuleusement détectés et catalogués au début du processus de production. Les surfaces métalliques de ces composants produisent une réflexion spéculaire, qui peut gêner un système d’inspection en modifiant l’aspect de la pièce devant la caméra.

classification pour le secteur électronique

Les défauts courants tels que les coups, les rayures ou les taches, qui surviennent sur les composants lors de l’assemblage, sont souvent difficiles à discerner dès les premières étapes de la production en raison des surfaces rugueuses, texturées et réfléchissantes. De plus, ces défauts sont uniquement visibles dans certaines conditions d’éclairage. En effet, ils se manifestent souvent lors de changements de contraste locaux causés par un éclairage non uniforme.

En parallèle, les variations normales et les anomalies apparaissant naturellement mais insignifiantes à la surface des matériaux doivent être tolérées par le système d’inspection. Grâce à un outil basé sur le Deep Learning, les fabricants de matériel électronique peuvent détecter les défauts types dans n’importe quel sens à l’aide d’éclairages standard et non spécialisés, tolérer la réflexion spéculaire et les anomalies insignifiantes, puis trier et classer les défauts selon leurs attributs communs.

Une application commune implique la classification des défauts de surface pour l’assurance qualité. Le Deep Learning peut trier chaque type de défaut par classe ou type, selon leurs caractéristiques communes. Par exemple, un modèle peut distinguer les coups des taches, bosses et rayures, selon leur aspect commun sur les surfaces métalliques. En effet, même si chaque coup varie légèrement par rapport à un autre, un fabricant doit utiliser le Deep Learning pour conceptualiser et généraliser les caractéristiques communes des coups afin de les identifier correctement.

Pour cela, le système d’inspection basé sur le Deep Learning intègre des informations conceptuelles sur les surfaces métalliques des composants afin de former un modèle fiable de la forme, des dimensions et de la texture de surface. Par conséquent, les défauts tels que les coups et les rayures sont détectés comme anomalies (ou mauvaises images), car ils apparaissent sous forme de zones texturées qui diffèrent de la texture normale de la surface. Toutes les mauvaises images présentant des caractéristiques communes sont alors triées selon leurs aspects communs, tels que les coups, bosses et rayures.

Si certains types de défauts ne causent aucun dommage fonctionnel et sont considérés comme acceptables par le fabricant, le système peut décider de tolérer cette classe et d’autoriser son passage vers l’étape de production suivante.

Classification basée sur le Deep Learning pour le secteur du conditionnement

L’identification des emballages en fonction de leur aspect sans utiliser de code-barres représente un véritable défi. Dans ces cas, les systèmes d’inspection doivent être sensibles non seulement aux variations normales et attendues de l’aspect des produits ou des lots, mais aussi aux variations d’aspect des emballages en raison de changements de contraste locaux causés par un éclairage non uniforme.

classification pour le secteur du conditionnement

Dans le cas d’emballages groupés de produits de consommation et agroalimentaires, où les mêmes lots peuvent être préparés différemment dans leurs boîtes, le système d’inspection doit reconnaître instantanément que les subtiles différences d’emballage (qui peuvent être difficiles à détecter dans certaines conditions d’éclairage) produisent deux classes d’emballages distinctes.

Par exemple, deux lots de quatre rouleaux de papier toilette identiques comportant le même code-barres peuvent être emboîtés différemment ; certains lots de quatre peuvent être emboîtés individuellement, tandis que d’autres sont emballés avec des lots supplémentaires en vue de leur expédition. Un système d’inspection par vision industrielle nécessiterait une programmation avec des critères de sélection étendus, ainsi que des algorithmes de détection soigneusement ajustés et optimisés pour pouvoir détecter cette subtile différence.

À la place, l’analyse d’images basée sur le Deep Learning apprend à différencier les deux classes d’emballages à l’aide d’une approche anthropomorphique. En se basant sur les images étiquetées des deux classes d’emballages, le système peut percevoir que l’emballage supplémentaire est ce qui les distingue et les trie en conséquence.

Classification basée sur le Deep Learning pour le secteur des sciences de la vie

Les cellules cancéreuses présentent des formes variables et imprévisibles. En fait, les tailles et formes d’un seul type de cancer diffèrent plus qu’elles ne partagent de caractéristiques communes. Il peut être pratiquement impossible pour un pathologiste d’identifier les caractéristiques d’une cellule du cancer du sein. Le vieil adage selon lequel « il faut le voir pour le croire » s’avère malheureusement vrai lorsqu’il s’agit de la cytopathologie.

classification pour les sciences de la vie

Les outils de détection des défauts basés sur le Deep Learning surmontent ces difficultés en apprenant les innombrables formes d’une cellule cancéreuse et peuvent détecter avec précision toutes celles qui apparaissent comme anormales, tout en gardant en mémoire les variations naturelles et normales d’une cellule saine. Mais lorsqu’il s’agit de l’évaluation du degré de différenciation d’une cellule, un outil basé sur le Deep Learning peut classer toutes les images anormales selon des morphologies spécifiques. C’est une tâche que la vision industrielle ne peut pas effectuer en raison de limitations de programmation inhérentes.

Par exemple, les cellules du cancer de la prostate sont évaluées en fonction du grade de Gleason ou de la structure glandulaire, sur une échelle de 1 à 5. « 1 » est uniforme et « 5 » est irrégulier et distinct. Un outil de classification basé sur le Deep Learning peut permettre d’automatiser l’inspection en intégrant un modèle de l’aspect des tissus cellulaires évalués de 1 à 5 en fonction de leur degré de différenciation glandulaire et ainsi de trier tous les échantillons en conséquence. Un outil tel que Cognex Deep Learning est performant même lorsque la scène comprend plusieurs éléments en se concentrant sur plusieurs zones d’intérêt dans une seule image.

Lorsqu’il s’agit de la classification, les classes peuvent varier selon le type de défaut, la taille, la forme, la couleur et la morphologie propre à chaque secteur industriel. Un logiciel d’analyse d’images industrielles basé sur le Deep Learning peut non seulement optimiser les inspections automatiques, mais aussi effectuer des tâches auparavant impossibles : classer, trier et évaluer sans aucune programmation. Cela permet d’automatiser les inspections qui impliquent la différenciation de produits visuellement semblables, mais différents, tout en tolérant de grandes variations dans la même classe, ainsi que la distinction entre des anomalies tolérables et des défauts réels.

Les solutions basées sur le Deep Learning, telles que Cognex Deep Learning, étendent la puissance de la vision industrielle classique non seulement à l’inspection, mais aussi au tri et à la classification des pièces selon leurs caractéristiques visuelles, permettant ainsi d’accélérer l’assemblage et de détecter les erreurs de production avant qu’elles n’affectent la qualité et le rendement.

Plus d’articles

Fonctionnement de l’outil de classification Cognex Deep Learning

classification deep learning inspections

La classification des pièces et des composants est utile pour la vérification complexe de l’assemblage, lorsque plusieurs éléments doivent être identifiés et triés sur la ligne de production. La classification est également cruciale pour le contrôle en ligne et l’amélioration continue des processus, car elle fournit des données essentielles permettant de détecter les erreurs avant qu’elles ne deviennent des problèmes tenaces.

Malgré les incroyables avancées dans la vision industrielle, la détection des objets ou composants qui varient en termes de forme, taille et position nécessitait généralement la flexibilité de l’œil humain. Même les systèmes d’inspection les plus puissants sont facilement confus en présence d’arrière-plans à motifs chargés et de problèmes de qualité d’image, tels que la réflexion spéculaire.

Ces conditions rendent difficile la localisation précise d’un objet ou d’une zone d’intérêt par les algorithmes de vision. Identifier la zone d’intérêt tout en ignorant les caractéristiques non pertinentes peut s’avérer long et difficile, voire impossible, pour un système automatique.

Dans ces scénarios, lorsqu’une application exige une précision automatique pour localiser des caractéristiques et des objets complexes, il peut être utile d’avoir recours aux outils basés sur le Deep Learning qui apprennent à partir d’images d’exemple au lieu de s’appuyer sur la programmation. L’utilisation de ces algorithmes intelligents offre de nouvelles capacités de localisation et de tri des pièces selon la couleur, la texture, les matériaux, l’emballage ou le type de défaut.

Examinons comment les outils de classification basés sur le Deep Learning peuvent aider différents secteurs.

Classification basée sur le Deep Learning pour le secteur automobile

Dans de nombreuses applications automobiles, l’identification est effectuée à l’aide des technologies de lecture de codes et de reconnaissance optique de caractères permettant de décoder les codes-barres et les numéros de série. Cependant, dans les environnements qui ne prennent pas en charge la lecture de codes ou de texte alphanumérique, les constructeurs doivent s’appuyer sur l’identification visuelle. Cela peut être problématique pour toute identification effectuée dans une position variable ou présentant une variation et un écart visuels, mais encore plus compliqué lorsque les pièces doivent être comptées et triées ou classées selon ces marqueurs.

classification pour le secteur automobile

Imaginez un constructeur automobile recevant une cargaison de bougies d’allumage d’un fabricant de pièces. Ces bougies varient en termes de couleur et de marquage, car elles ont été conçues pour différents modèles de véhicules. Alors qu’elles arrivent dans des bacs de différentes couleurs sur la ligne de production pour le pré-assemblage, les systèmes d’inspection automatiques doivent les identifier, les compter et les classer afin de transmettre les données au robot pour l’assemblage. Pour cela, le système automatique doit distinguer les bougies d’allumage de différentes couleurs, qui fourniront d’importantes informations d’assemblage aux robots, tout en ignorant la couleur de fond de leurs bacs, qui est une distraction.

Un tel défi de classification exige un outil basé sur le Deep Learning, qui peut généraliser l’aspect normal des bougies d’allumage en fonction de leur forme et de leurs dimensions sans être distrait par les marquages individuels, puis les classer par couleur. Pour cela, un outil d’analyse d’images basé sur le Deep Learning tel que Cognex Deep Learning utilise des images d’apprentissage étiquetées pour généraliser l’aspect d’une bougie d’allumage afin de compter l’ensemble dans le bac. Il peut ensuite les trier par couleur et transmettre ces données au robot pour l’assemblage.

Classification basée sur le Deep Learning pour le secteur électronique

Pour les fabricants de matériel électronique qui travaillent dans des limites de tolérance très strictes, tous les défauts de surface de leurs composants doivent être méticuleusement détectés et catalogués au début du processus de production. Les surfaces métalliques de ces composants produisent une réflexion spéculaire, qui peut gêner un système d’inspection en modifiant l’aspect de la pièce devant la caméra.

classification pour le secteur électronique

Les défauts courants tels que les coups, les rayures ou les taches, qui surviennent sur les composants lors de l’assemblage, sont souvent difficiles à discerner dès les premières étapes de la production en raison des surfaces rugueuses, texturées et réfléchissantes. De plus, ces défauts sont uniquement visibles dans certaines conditions d’éclairage. En effet, ils se manifestent souvent lors de changements de contraste locaux causés par un éclairage non uniforme.

En parallèle, les variations normales et les anomalies apparaissant naturellement mais insignifiantes à la surface des matériaux doivent être tolérées par le système d’inspection. Grâce à un outil basé sur le Deep Learning, les fabricants de matériel électronique peuvent détecter les défauts types dans n’importe quel sens à l’aide d’éclairages standard et non spécialisés, tolérer la réflexion spéculaire et les anomalies insignifiantes, puis trier et classer les défauts selon leurs attributs communs.

Une application commune implique la classification des défauts de surface pour l’assurance qualité. Le Deep Learning peut trier chaque type de défaut par classe ou type, selon leurs caractéristiques communes. Par exemple, un modèle peut distinguer les coups des taches, bosses et rayures, selon leur aspect commun sur les surfaces métalliques. En effet, même si chaque coup varie légèrement par rapport à un autre, un fabricant doit utiliser le Deep Learning pour conceptualiser et généraliser les caractéristiques communes des coups afin de les identifier correctement.

Pour cela, le système d’inspection basé sur le Deep Learning intègre des informations conceptuelles sur les surfaces métalliques des composants afin de former un modèle fiable de la forme, des dimensions et de la texture de surface. Par conséquent, les défauts tels que les coups et les rayures sont détectés comme anomalies (ou mauvaises images), car ils apparaissent sous forme de zones texturées qui diffèrent de la texture normale de la surface. Toutes les mauvaises images présentant des caractéristiques communes sont alors triées selon leurs aspects communs, tels que les coups, bosses et rayures.

Si certains types de défauts ne causent aucun dommage fonctionnel et sont considérés comme acceptables par le fabricant, le système peut décider de tolérer cette classe et d’autoriser son passage vers l’étape de production suivante.

Classification basée sur le Deep Learning pour le secteur du conditionnement

L’identification des emballages en fonction de leur aspect sans utiliser de code-barres représente un véritable défi. Dans ces cas, les systèmes d’inspection doivent être sensibles non seulement aux variations normales et attendues de l’aspect des produits ou des lots, mais aussi aux variations d’aspect des emballages en raison de changements de contraste locaux causés par un éclairage non uniforme.

classification pour le secteur du conditionnement

Dans le cas d’emballages groupés de produits de consommation et agroalimentaires, où les mêmes lots peuvent être préparés différemment dans leurs boîtes, le système d’inspection doit reconnaître instantanément que les subtiles différences d’emballage (qui peuvent être difficiles à détecter dans certaines conditions d’éclairage) produisent deux classes d’emballages distinctes.

Par exemple, deux lots de quatre rouleaux de papier toilette identiques comportant le même code-barres peuvent être emboîtés différemment ; certains lots de quatre peuvent être emboîtés individuellement, tandis que d’autres sont emballés avec des lots supplémentaires en vue de leur expédition. Un système d’inspection par vision industrielle nécessiterait une programmation avec des critères de sélection étendus, ainsi que des algorithmes de détection soigneusement ajustés et optimisés pour pouvoir détecter cette subtile différence.

À la place, l’analyse d’images basée sur le Deep Learning apprend à différencier les deux classes d’emballages à l’aide d’une approche anthropomorphique. En se basant sur les images étiquetées des deux classes d’emballages, le système peut percevoir que l’emballage supplémentaire est ce qui les distingue et les trie en conséquence.

Classification basée sur le Deep Learning pour le secteur des sciences de la vie

Les cellules cancéreuses présentent des formes variables et imprévisibles. En fait, les tailles et formes d’un seul type de cancer diffèrent plus qu’elles ne partagent de caractéristiques communes. Il peut être pratiquement impossible pour un pathologiste d’identifier les caractéristiques d’une cellule du cancer du sein. Le vieil adage selon lequel « il faut le voir pour le croire » s’avère malheureusement vrai lorsqu’il s’agit de la cytopathologie.

classification pour les sciences de la vie

Les outils de détection des défauts basés sur le Deep Learning surmontent ces difficultés en apprenant les innombrables formes d’une cellule cancéreuse et peuvent détecter avec précision toutes celles qui apparaissent comme anormales, tout en gardant en mémoire les variations naturelles et normales d’une cellule saine. Mais lorsqu’il s’agit de l’évaluation du degré de différenciation d’une cellule, un outil basé sur le Deep Learning peut classer toutes les images anormales selon des morphologies spécifiques. C’est une tâche que la vision industrielle ne peut pas effectuer en raison de limitations de programmation inhérentes.

Par exemple, les cellules du cancer de la prostate sont évaluées en fonction du grade de Gleason ou de la structure glandulaire, sur une échelle de 1 à 5. « 1 » est uniforme et « 5 » est irrégulier et distinct. Un outil de classification basé sur le Deep Learning peut permettre d’automatiser l’inspection en intégrant un modèle de l’aspect des tissus cellulaires évalués de 1 à 5 en fonction de leur degré de différenciation glandulaire et ainsi de trier tous les échantillons en conséquence. Un outil tel que Cognex Deep Learning est performant même lorsque la scène comprend plusieurs éléments en se concentrant sur plusieurs zones d’intérêt dans une seule image.

Lorsqu’il s’agit de la classification, les classes peuvent varier selon le type de défaut, la taille, la forme, la couleur et la morphologie propre à chaque secteur industriel. Un logiciel d’analyse d’images industrielles basé sur le Deep Learning peut non seulement optimiser les inspections automatiques, mais aussi effectuer des tâches auparavant impossibles : classer, trier et évaluer sans aucune programmation. Cela permet d’automatiser les inspections qui impliquent la différenciation de produits visuellement semblables, mais différents, tout en tolérant de grandes variations dans la même classe, ainsi que la distinction entre des anomalies tolérables et des défauts réels.

Les solutions basées sur le Deep Learning, telles que Cognex Deep Learning, étendent la puissance de la vision industrielle classique non seulement à l’inspection, mais aussi au tri et à la classification des pièces selon leurs caractéristiques visuelles, permettant ainsi d’accélérer l’assemblage et de détecter les erreurs de production avant qu’elles n’affectent la qualité et le rendement.

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...