• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

4 Strumenti per le ispezioni di automazione industriale con deep learning

4 Critical Functions Large

Il software di deep learning automatizza un vasto assortimento di funzioni di produzione che sono poco pratiche per i lavoratori umani e per algoritmi basati su regole.

Prendiamo in considerazione un ispettore che lavora su una linea di produzione del settore automobilistico: porte, parafanghi, sedili, finestrini e centinaia di altri componenti possono venire graffiati, ammaccati, strappati o scheggiati lungo il percorso. Gli esseri umani possono cogliere alcuni di questi difetti. I sistemi di visione industriale con telecamere ad alta tecnologia e algoritmi complessi possono evidenziare alcuni altri difetti ben definiti e predeterminati.

Il problema è che tutte le variabili in un ambiente di produzione possono produrre imperfezioni impossibili da prevedere. Ecco un caso in cui il software di deep learning viene in soccorso: Utilizza telecamere digitali e algoritmi di riconoscimento delle immagini per apprendere ad identificare un ampio spettro di problemi quali ruggine, scolorimento e danni.

Se sviluppate correttamente, le applicazioni di deep learning aiutano i produttori a ridurre gli errori e a migliorare la qualità dei prodotti. In un'applicazione di ispezione, la visione industriale e il deep learning lavorano insieme in questo modo:

  • Gli sviluppatori costruiscono una base di immagini di addestramento per i prodotti non danneggiati per stabilire l'aspetto "corretto" del prodotto.
  • Gli sviluppatori aggiungono immagini di prodotti danneggiati per identificare le anomalie e i difetti più comuni.
  • Le telecamere per la visione industriale scattano immagini di articoli sulle linee di produzione. L'applicazione di apprendimento artificiale confronta queste nuove immagini con le immagini di addestramento per segnalare eventuali difetti.
  • Dato che l'applicazione è ottimizzata per cercare di ottenere il successo ed evitare il fallimento, essenzialmente insegna a sé stessa a diventare più precisa nel tempo.

Il software per costruire applicazioni di deep learning per la produzione deve avere quattro capacità fondamentali:

1. Localizzazione di caratteristiche e verifica di assemblaggi

verifica di assemblaggi nel settore automobilistico 

Trovare i difetti non è l'unico ruolo il software di visione industriale e di deep learning. Può anche utilizzare le immagini di addestramento e gli algoritmi di apprendimento per individuare componenti specifici che possono fornire assistenza con compiti quali istruire un braccio robotico affinché allinei correttamente i componenti. Ciò è essenziale per prodotti di alta precisione quali i semiconduttori, gli smartphone e i prodotti farmaceutici.

Queste applicazioni sono altresì in grado di scansionare il numero di prodotti in un luogo e dire ad un robot di continuare ad aggiungere ulteriori prodotti uguali fino a quando uno scaffale o un cartone non è pieno. Possono altresì contare tutti i componenti di una confezione per garantire che non manchi nulla.

I migliori strumenti di localizzazione e verifica funzionano con un'ampia varietà di illuminazione e superfici che confondono i sistemi di visione basati su regole e il personale addetto al controllo qualità.

Leggi tutto: Identificare vari componenti o configurazioni di componenti con strumenti di verifica di assemblaggi con deep learning

2. Rilevamento di difetti e segmentazione

 Rilevamento di difetti nel settore automobilistico

L'identificazione di difetti è forse la capacità più ricercata per il software di apprendimento artificiale in ambienti di produzione. Mentre i sistemi di visione industriale possono essere programmati per segnalare un tipo di difetto, identificare più difetti in questo modo è troppo dispendioso in termini di tempo.

Gli strumenti di rilevamento di difetti iniziano con una base di immagini "conformi" e immagini di difetti comuni quali ruggine, ammaccature, graffi e disallineamenti. Gli strumenti di rilevamento di alta qualità dispongono altresì di un'opzione per identificare eventuali difetti che si discostano dall'immagine "conforme". Tali immagini di rari risultati di produzione possono aiutare lo strumento a insegnare a sé stesso a migliorare la sua precisione.

La segmentazione identifica una sezione all'interno di un'immagine, dicendo al software di scansionare tale zona alla ricerca di difetti. Ciò aiuta a semplificare le applicazioni di deep learning filtrando le zone che non sono rilevanti per la scansione di segmenti.

Ulteriori informazioni: Come il rilevamento di difetti con deep learning automatizza le ispezioni per il settore automobilistico e altri settori

3. Classificazione di oggetto e situazione

Esempi di classificazione

La classificazione di oggetti e scene aiuta le applicazioni di deep learning a dividere i difetti in classi, il che contribuisce a ottimizzare la capacità dell'applicazione di auto-migliorarsi senza l'intervento umano. In generale, le immagini vengono etichettate in base a determinate caratteristiche e poi classificate secondo parametri specifici. In questo modo, ad esempio, i prodotti graffiati possono essere reindirizzati automaticamente alla linea di verniciatura, mentre i prodotti ammaccati possono essere inviati al reparto di lavorazione dei metalli.

La classificazione separa altresì prodotti e componenti in base a caratteristiche comuni quali il colore, la texture, i materiali, l'imballaggio e il tipo di difetto. I migliori strumenti di classificazione stabiliscono le tolleranze per le deviazioni naturali in termini di tonalità, forme o dimensioni e variano tali tolleranze in base alle esigenze di ciascuna classe.

Leggi tutto: Come funziona lo strumento di classificazione con deep learning

4. Lettura di testi e caratteri

OCR su un blocco motore

Leggere parole, numeri o testo in maniera coerente su una superficie come un blocco motore o un tubo di rame può essere pressoché impossibile per le persone e per gli algoritmi standard di visione industriale. L'illuminazione può variare notevolmente su una linea di produzione, creando ombre in alcuni luoghi e riverbero in altri che si spostano durante il giorno a seconda dei cambiamenti della luce ambientale presso lo stabilimento.

Le applicazioni di deep learning collegano i caratteri e i caratteri tipografici con le scritte sui componenti in produzione. Ciò rende molto più facile la lettura del testo attraverso le copertine di plastica e su superfici irregolari quali abiti o utensili da giardinaggio. Gli strumenti avanzati di lettura di caratteri trascendono dallo stabilimento produttivo, trovando un ruolo nei sofisticati sistemi di distribuzione, logistica e commercializzazione.

Dai un'occhiata: Leggi codici complessi e impegnativi in qualsiasi condizione con l'OCR basato sul deep learning

Altre caratteristiche da cercare in un software di deep learning

Oltre alle quattro capacità sopra descritte, un robusto pacchetto software di deep learning dovrebbe essere:

  • Facile da imparare a utilizzare, con un'interfaccia grafica utente intuitiva che non richiede conoscenze tecniche avanzate.
  • Ottimizzato per ambienti di produzione con ispezione visiva, con serie di immagini più piccole che richiedono meno addestramento.
  • Progettato per PC Windows con GPU (unità di elaborazione grafica).

Il Deep Learning di Cognex dispone di queste e di molte altre potenti caratteristiche progettate proprio per gli ambienti di fabbrica e di produzione, a differenza di altri framework di deep learning open source. Combina una libreria completa di strumenti di visione industriale con strumenti avanzati di deep learning all'interno di un quadro comune di sviluppo e distribuzione.

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI
Loading...