Blogs Cognex

Démarrer un projet basé sur le Deep Learning dans la fabrication – Partie 1 : planifier

De nombreuses entreprises de fabrication se tournent vers les logiciels de Deep Learning pour compléter leurs systèmes d’inspection existants ou lorsque les algorithmes basés sur les règles ne suffisent plus. Par exemple, lorsque le produit en lui-même ou le nombre de défauts potentiels varie considérablement d’une pièce à l’autre, un système peut avoir du mal à déterminer si les pièces sont conformes ou défectueuses en suivant une méthode programmatique.

Un logiciel de Deep Learning peut s’avérer utile dans ces cas de figure, mais pour réussir son implémentation et obtenir des résultats, il convient de prendre les mesures nécessaires en amont. Généralement, les projets basés sur le Deep Learning se déroulent en quatre étapes, à savoir la planification, la collecte des données et l’établissement de la vérité terrain, l’optimisation et les tests d’acceptation en usine. Dans cet article, nous nous intéressons à la première phase : la planification.

Constituer une équipe et identifier des objectifs

Lorsqu’une entreprise décide d’implémenter une solution basée sur le Deep Learning, elle doit constituer une équipe avec différentes parties prenantes pour examiner le processus actuel, définir de nouveaux objectifs et déterminer si le Deep Learning peut contribuer à l’atteinte de ces objectifs. Cette équipe doit être composée de représentants de la direction de l’usine, du service automatisation, du service assurance qualité et d’un intégrateur de systèmes/constructeur de machines. Les objectifs doivent être clairement définis, cohérents et faire l’objet d’un accord commun entre tous les membres de l’équipe. Ils peuvent inclure la réduction des fuites de produits défectueux/inacceptables (insuffisance), le contrôle des coûts par la réduction de la mise au rebut (excès) ou des pièces ou produits défectueux/inacceptables, ou encore l’ajout de fonctionnalités supplémentaires de classification des défauts pour aller plus loin que la simple détermination de type bon/mauvais.

Si l’équipe de collaborateurs décide de poursuivre dans cette voie, l’étape suivante consiste à identifier un projet « phare » qui sera utilisé pour justifier les dépenses à engager auprès de la direction. Le projet ne doit pas comporter d’objectifs irréalistes. Il doit s’agir d’un projet qui n’est ni trop facile, ni trop complexe, et qui peut produire des résultats concrets afin de montrer à la direction que les futurs déploiements du Deep Learning sont viables.

Choisir un projet et avancer dans cette voie

Pour certains fabricants, une solution de vision industrielle existante peut avoir produit trop de faux négatifs ou de faux positifs, ou le système peut ne plus fonctionner correctement en raison d’un nombre trop important de variations des produits ou de changements environnementaux. Prenons par exemple l’inspection des composants électroniques pour l’automobile : les applications de soudage par points sur les terminaisons peuvent poser des problèmes aux systèmes basés sur les règles.

Le soudage par points sur les terminaisons produit un large éventail de types de soudures (épingle à cheveux, fil sur plot et fil sur fil, notamment), qui créent une projection métallique 3D légèrement variable en présence de surfaces réfléchissantes. Lorsqu’un système de vision industrielle acquiert des images des soudures par points sur les terminaisons, des reflets, des ombres, des zones colorées et une texture de surface sont souvent observés, y compris avec des pièces optimales. Ces effets sont similaires à de vrais défauts, tels que des fissures, des rayures, des traces de brûlure et des soudures en quantité excessive ou manquantes. Ces variations naturelles posent des problèmes aux systèmes de vision industrielle conventionnels en raison de leur incapacité à inspecter les soudures avec fiabilité et à distinguer les bonnes pièces des mauvaises.

Trois images de soudures par points conformes

Soudures par points présentant une variation naturelle évaluées comme « bonnes » par le logiciel de Deep Learning

Soudure par points avec des trous, soudure par points de taille insuffisante, soudure par points de taille excessive

Soudures par points présentant des trous, une taille insuffisante et une taille excessive évaluées comme « mauvaises » par le logiciel de Deep Learning

Les systèmes d’inspection basés sur le Deep Learning sont entraînés à partir d’ensemble de données évalués et étiquetés par des experts internes. Cette méthode permet au logiciel de faire la distinction entre les bonnes et les mauvaises pièces, et d’identifier le type de problème qui se pose en présence d’un produit défectueux. Avec de telles capacités, le logiciel de Deep Learning constitue une alternative viable à l’inspection manuelle et aux essais électriques, et se substitue aux algorithmes basés sur les règles lorsque ceux-ci ne sont pas utilisables.

Dans la seconde partie, nous nous intéresserons à la collecte des données et à la vérité terrain.

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