Blogs Cognex

Comment le Deep Learning automatise-t-il les inspections pour l’automobile et les autres secteurs ?

deep learning defect detection

Le Deep Learning est idéal pour la détection des défauts esthétiques et d’autres anomalies indésirables dans les applications d’automatisation industrielle marquées par leur complexité et leur haut degré de variabilité naturels, en particulier dans les scènes non structurées. Les scènes d’arrière-plan comportant des motifs complexes ou un haut degré de variation de position peuvent gêner un système d’inspection par vision industrielle classique. La variabilité naturelle des pièces peut être difficile à prévoir. Et bien sûr, même l’aspect visuel d’un arrière-plan uniforme peut varier considérablement en raison de la nature extensible, flexible et sujette à la déformation du matériau. Cela est surtout un problème pour le plastique et le tissu.

Lorsque les types de défauts sont complexes et présentent une grande variation de position, cela peut empêcher les fabricants d’utiliser des méthodes d’inspection plus classiques, car la programmation est trop intensive et fastidieuse. La détection de défauts où l’aspect visuel varie, en raison de l’imagerie (reflets) ou de la nature changeante et déformable du matériau (par exemple, le tissu), et apparaissant sous différentes formes et types, rend la recherche explicite trop difficile.

Dans ces circonstances, les fabricants peuvent utiliser le Deep Learning pour identifier tous les sujets qui diffèrent de l’aspect normal et présentent des défauts. Sinon, dans des situations où certains défauts sont une cause de rejet et d’autres non, un ingénieur de formation peut entraîner le modèle de référence sur de bonnes et mauvaises images étiquetées pour détecter des types de défauts spécifiques, tout en tolérant la variabilité naturelle.

Dans tous les cas, l’approche est simple et claire, et ne nécessite aucune expertise en vision. Un ingénieur en applications d’inspection recueille un ensemble représentatif d’images d’apprentissage et les transmet au système. La solution basée sur le Deep Learning utilise alors l’intelligence anthropomorphe pour développer son modèle de référence, que l’ingénieur peut valider et affiner avec des images supplémentaires au besoin jusqu’à que la prise de décision basée du modèle soit l’égale de celle des meilleurs inspecteurs. Le système peut ensuite analyser de façon précise et répétée les images d’inspection lors de l’exécution et détecter les anomalies et défauts esthétiques.

Dans les exemples suivants, nous allons découvrir la proposition de valeur de l’outil de détection des défauts de Cognex Deep Learning dans les secteurs de l’automobile, de l’électronique, du conditionnement et des sciences de la vie.

Détection des défauts pour le secteur automobile

Les pièces automobiles présentent de nombreuses surfaces difficiles. Parmi les plus gênantes pour un système de détection automatique sont les surfaces métalliques, qui peuvent être extrêmement texturées, rugueuses et poreuses, et les tissus utilisés pour les sièges intérieurs et les airbags.

détection des défauts pour l’automobile

Les tissus ont une variabilité naturelle en termes d’épaisseur de fil, de grain de tissage et de relief. Lors de l’inspection des airbags, il est essentiel de détecter les défauts de couture et de piqûre, qui pourraient avoir un impact catastrophique sur leur déploiement. Le défi est double. Premièrement, le tissu naturel est complexe et son aspect peut varier selon la façon dont il est étiré ou capturé par la lumière. Deuxièmement, et plus problématique encore, est le grand nombre de défauts de couture ou de piqûre. Leur recherche explicite est une tâche fastidieuse et pratiquement impossible à programmer dans un algorithme basé sur les règles. Par conséquent, il devient utile pour un système d’inspection d’identifier les défauts potentiels en apprenant en mode non supervisé l’aspect normal du tissu d’un airbag.

Grâce à ses réseaux neuronaux, un outil basé sur le Deep Learning peut conceptualiser et généraliser la nature variable du tissu pour identifier toutes les présentations anormales, tout en tolérant les variations naturelles du motif de tissage, des propriétés du fil, des couleurs et d’autres imperfections acceptables. Toute anomalie qui diffère de ces variations naturelles, notamment des coutures imprévues, des fils flottants dans l’armure, des boucles dans la chaîne ou la trame, des accrocs ou des trous, est détecté par le système comme élément défectueux. Ainsi, le tissu peut être inspecté sans aucune bibliothèque de défauts prédéfinie. Cette nouvelle approche basée sur le Deep Learning exploite les performances de l’inspection visuelle humaine pour le contrôle qualité automatique des tissus automobiles.

Détection des défauts pour le secteur électronique

Dans le secteur électronique, la gestion rigoureuse de la qualité et la détection précise des défauts n’ont jamais été aussi essentielles que pour les semi-conducteurs, excepté dans la fabrication d’écrans OLED. De la même manière que les broches rayées, tordues, pliées ou manquantes sont des causes automatiques de rejet, même les défauts les plus superficiels peuvent interférer avec les tolérances d’erreur extrêmement faibles d’une puce.

détection des défauts pour l’électronique

Toutefois, il est inefficace de programmer autant de types de défauts explicites dans un algorithme de vision industrielle basé sur les règles. Lorsque, fondamentalement, tous les défauts sont considérés comme anomalies « fonctionnelles », il est plus simple d’apprendre au système d’inspection l’aspect parfait d’un fil de carte de circuit imprimé ou d’une puce de semi-conducteur au lieu de signaler tous les fils ou puces comme défectueux. Il s’agit d’une tâche parfaite pour un outil d’inspection basé sur le Deep Learning en mode non supervisé. Dans ce mode, les réseaux neuronaux du logiciel conceptualisent et généralisent l’aspect normal d’une puce, y compris toute variation perçue en raison d’arrière-plans métalliques réfléchissants, afin de signaler celles présentant des composants manquants, cassés ou érodés comme défectueuses.

Les gains pour les fabricants sont immédiats : pas besoin d’un expert de la vision ou d’un développeur d’applications, aucun défaut imprévisible par la programmation, plus des taux de détection des défauts supérieurs et des rendements subséquents.

Détection des défauts pour le secteur du conditionnement

L’identification des défauts esthétiques tels que les rayures et les bosses sur un arrière-plan confus n’est pas limitée aux surfaces métalliques. Les emballages des produits de consommation et agroalimentaires sont susceptibles d’être fabriqués en céramique ou plastique brillant car ce sont des tôles. Pourtant, ces surfaces présentent les mêmes problèmes de réflexion spéculaire. Dans ces conditions, il peut être difficile pour les systèmes de vision industrielle classiques de déterminer les légères différences entre les images.

détection des défauts pour le conditionnement

Heureusement, un réseau neuronal basé sur le Deep Learning est conçu pour gérer la réflexion spéculaire. Il peut également tolérer les imperfections normales de la surface et détecter les défauts réels. Dans le cas de pots à maquillage en céramique, les différences inhérentes entre les pots ne sont pas toujours une cause immédiate de rejet. Les anomalies « fonctionnelles », qui affectent l’usage d’un pot, sont presque toujours une cause de rejet, tandis que les anomalies esthétiques peuvent l’être ou pas, selon les besoins et les préférences du fabricant.

Cognex Deep Learning combine les avantages de l’inspection par vision industrielle et de l’inspection humaine dans une solution économique et facile à déployer. Pour cela, un ingénieur en applications ou qualité entraîne le logiciel basé sur le Deep Learning sur un ensemble représentatif de bonnes et mauvaises images de pots en céramique. Les mauvais pots peuvent comporter des bosses profondes ou de longues rayures, par exemple. À partir de ces images, le logiciel apprend la forme et la texture naturelles des surfaces coulées et, tout en tolérant les variations de présentation naturelles pouvant être dues à l’éclairage, signale les images qui n’entrent pas dans la plage acceptable.

Ainsi, Cognex Deep Learning offre une solution de détection des défauts efficace pour le conditionnement, combinant la capacité humaine à identifier les variations mineures et la fiabilité, la constance et la vitesse d’un système informatique automatique.

Détection des défauts pour le secteur des sciences de la vie

Aujourd’hui, le rôle du radiologue évolue rapidement grâce au diagnostic assisté par ordinateur. La recherche d’anomalies biologiques telles que des tumeurs nécessitait généralement le jugement humain. Leur position et leur présentation peuvent varier énormément. Parfois, un radiologue peut être moins intéressé à identifier une anomalie spécifique qu’une petite variation de l’aspect normal et sain du corps.

détection des défauts pour les sciences de la vie

Les humains sont incroyablement bien positionnés pour examiner les résultats d’une radio ou d’un IRM et détecter ces variations, car ils peuvent naturellement former des modèles des différentes présentations et faire la différence entre une image « normale » et « anormale ». Mais la productivité des radiologues a ses limites. Il est également possible même pour les radiologues les plus expérimentés de rencontrer une image présentant une caractéristique inconnue. Mais le risque de manquer une tumeur potentielle ou d’une erreur de diagnostic est tout simplement trop important.

Dans ce cas, la puissance des mégadonnées peut être exploitée. Un outil logiciel peut localiser la zone d’intérêt, par exemple un organe ou une vertèbre spécifique, même lorsque l’arrière-plan est confus ou manque de contraste. À partir d’un ensemble d’images d’apprentissage étiquetées, l’algorithme peut développer un modèle de référence de l’aspect normal de l’organe ou la vertèbre, y compris un certain nombre de variations. En se basant sur les bonnes et mauvaises images d’exemple étiquetées, le système d’inspection basé sur le Deep Learning peut apprendre à déterminer si une image est normale ou anormale. Ainsi, le modèle de référence est capable de détecter toute zone présentant des anomalies biologiques qui diffèrent de la physiologie normale et saine, en vue d’un examen ultérieur par un radiologue, si nécessaire.

Les fabricants s’appuient sur l’outil de détection des défauts de Cognex Deep Learning pour détecter les anomalies et les défauts esthétiques sur tous les types de surfaces, notamment le papier, le verre, le plastique, la céramique et le métal. Cognex Deep Learning peut identifier les rayures, les bosses, les erreurs typographiques et d’alignement en apprenant simplement l’aspect normal d’un objet, ainsi que ses variations naturelles et tolérables. L’outil de détection des défauts peut également segmenter des zones d’intérêt spécifiques pour localiser les défauts sur les grandes surfaces en apprenant l’aspect variable de la cible.

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...