Lancement d’un projet de deep learning dans la fabrication – Partie 3 : optimisation

« blue brain » (Projet Cerveau Bleu) avec connexions réseau sur fond de flèches-grand

Une fois qu’une entreprise a identifié des objectifs et obtenu des données et une vérité terrain pour son projet de deep learning, l’étape suivante consiste à optimiser le système de vision et la base de données d’images.

Au cours de cette phase, l’inspecteur humain et le système de vision classent les pièces de production comme étant bonnes ou mauvaises. Ensuite, un expert interne examine toutes les pièces peu claires et les étiquette correctement. Les parties ambiguës corrigées ainsi que des échantillons de bonnes et de mauvaises pièces sont intégrés à la base de données pour améliorer le modèle de deep learning. Les développeurs doivent s’assurer d’ajouter des images complexes, telles que celles montrant des pièces présentant des défauts inhabituels ou une réflexion de l’éclairage, à l’ensemble d’entraînement.

Augmentez vos données

Les logiciels basés sur le deep learning proposent généralement des ensembles de formation et des outils d’optimisation, mais les équipes doivent prendre des mesures supplémentaires, par exemple la validation croisée. Une fois qu’une quantité suffisante de données a été acquise, une équipe doit utiliser les différentes sections d’un ensemble de données pour s’entraîner et les valider par rapport au reste de l’ensemble. Quelles que soient les sections de l’ensemble de données choisies, les équipes doivent s’assurer de la cohérence des résultats car, si une section fonctionne différemment des autres, il pourrait y avoir des problèmes d’étiquetage, ou certains types de défauts pourraient être sous-représentés.

Il existe une autre étape qui consiste à isoler chaque variable clé du processus de production pour l’optimisation des composites. Ainsi, s’il existe plusieurs lignes de fabrication, les équipes doivent prendre des images de chaque ligne et les utiliser pour la formation tout en s’assurant que les données et les résultats de chaque ligne sont adéquats. En outre, si une entreprise dispose de différentes méthodes d’inspection, les équipes doivent optimiser les différentes versions de produits et types de défauts, soit par le biais de conventions de dénomination de fichiers, soit par le biais d’une structure de dossiers de fichiers.

Vous devez également chercher à alimenter vos données d’entraînement avec autant d’images de pièces défectueuses que possible. Par exemple, si vous avez 500 images de bonnes pièces et 282 images de mauvaises pièces, utilisez les images des mauvaises pièces pour former le système à ce qu’il faut rechercher afin qu’il fonctionne plus efficacement pendant la production.

Traiter différents types de défauts 

Dans le deep learning, il existe plusieurs façons d’examiner les défauts dans les images. Un système peut produire une mesure basée sur une image entière pour déterminer si une pièce est bonne ou mauvaise, ou bien il peut utiliser une approche basée sur les défauts qui identifie des défauts spécifiques dans les pièces. Cette dernière approche est utile lorsqu’une étape de classification supplémentaire est ajoutée pour le contrôle du processus, mais elle peut également nécessiter un traitement secondaire pour fusionner ou séparer les défauts. 

Alternativement, le système de deep learning peut isoler des pixels spécifiques sur chaque défaut d’une image et fournir des mesures de la zone défectueuse. Cette méthode nécessite aussi généralement un traitement d’image secondaire, avec la manipulation des régions défectueuses pour produire un périmètre ou un cadre englobant et également pour mesurer le défaut et le classer comme bon ou mauvais. Les applications individuelles nécessitent des approches différentes ; les développeurs doivent donc comprendre les métriques des défauts et la manière de les optimiser.

Comprendre différents types de défauts et définir des spécifications de qualité permet également aux équipes d’effectuer une optimisation de bout en bout pour améliorer davantage le modèle. Si une équipe spécifie qu’un défaut de plus de 10 mm2 ou deux défauts de plus de 5 mm2 représentent une mauvaise pièce, le système de deep learning ne fournit pas nécessairement des mesures précises des pixels. Dans ces cas, un outil d’analyse blob peut aider à obtenir une mesure plus précise des défauts, permettant à l’équipe d’utiliser ces images pour affiner le modèle. Cependant, si une équipe prévoit d’utiliser un outil blob pour une optimisation et une analyse supplémentaires, le développeur de l’équipe doit biaiser le système de deep learning pour signaler même les cas limites comme des défauts, à des fins de sécurité.

Détection des défauts deep learning par rapport à l’outil d’analyse blob

L’outil de segmentation (gauche) et l’outil d’analyse blob (droite) basés sur le deep learning en utilisation combinée pour préciser la zone de détection des défauts

Suivez les indicateurs clés

Les indicateurs clés de deep learning doivent être pris en compte pendant cette phase. Tous les membres de l’équipe ne doivent pas nécessairement comprendre tous les aspects du deep learning, mais le développeur doit comprendre toutes les métriques clés et la manière de les optimiser. Par exemple, il faut connaître la différence entre excès et insuffisance et entre précision et mémorisation, ainsi que les utilisations du score F1 et de l’aire sous la courbe (AUC).

En outre, les équipes devraient prendre en compte les fonctions de coût, en équilibrant le coût de la ferraille (excès) par rapport au coût des évasions (insuffisance), afin de déterminer la valeur d’une solution. Les développeurs ne doivent pas trop se préoccuper des fonctions de coût lors de la mise en place initiale d’un projet de deep learning, mais il faut plutôt diriger le projet pour atteindre des scores élevés F1 au fil du temps.

Dans la partie 4, nous nous pencherons sur les tests d’acceptation en usine. 

Plus d’articles sur

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

Rejoindre MyCognex