• Contatto vendite Cognex: 02 30578196

  • Contatti

Blog Cognex

Come funziona lo strumento di classificazione con Deep Learning

classification deep learning inspections

La classificazione di parti e componenti è utile per la verifica di assemblaggi complessi, quando più elementi devono essere identificati e smistati per l'uso lungo la linea di prodotti. La classificazione è fondamentale anche per il controllo dei processi in linea e il miglioramento continuo dei processi, fornendo dati essenziali per cogliere gli errori prima che diventino problemi radicati.

Nonostante gli incredibili progressi compiuti nella visione industriale, il rilevamento di oggetti o componenti che variano in termini di forma, dimensioni e posizione ha tradizionalmente richiesto la flessibilità dell'occhio umano. Anche i sistemi di ispezione più potenti, alimentati da computer, sono facilmente fuorviati da sfondi confusi e altamente strutturati e da problemi di qualità dell'immagine come il riverbero speculare.

Tali condizioni rendono molto difficile per gli algoritmi di visione localizzare un oggetto o una regione di interesse con precisione affidabile. Può essere dispendioso in termini di tempo e difficile, se non del tutto impossibile, per un sistema automatizzato ignorare caratteristiche irrilevanti al fine di identificare con successo la regione di interesse.

In questi scenari, quando un'applicazione richiede una precisione automatizzata per trovare caratteristiche e oggetti complessi, può essere utile ricorrere a strumenti basati sul deep learning che, anziché affidarsi alla programmazione, apprendono da esempi di immagini. L'utilizzo di questi algoritmi di auto-apprendimento sblocca nuove abilità per individuare e smistare i componenti in classi in base al colore, alla struttura, al materiale, all'imballaggio o al tipo di difetto dei componenti stessi.

Esaminiamo come gli strumenti di classificazione basati sul deep learning possono fornire assistenza nei vari settori.

Classificazione con deep learning per il settore automobilistico

In numerose applicazioni per il settore automobilistico, l'identificazione viene effettuata tramite la lettura di codici a barre e il ricorso a tecnologia di riconoscimento ottico dei caratteri (OCR) per decodificare codici a barre e numeri di serie. Tuttavia, in ambienti che non supportano la lettura di codici o di testi alfanumerici, i produttori devono affidarsi all'identificazione visiva. Ciò può essere problematico per qualsiasi identificazione che avvenga in luoghi imprevedibili o con variazioni e deviazioni visive, ma è ulteriormente complicato quando i componenti devono essere contati e smistati o classificati secondo tali marcatori.

classificazione nel settore automobilistico

Immaginiamo il caso di un produttore del settore automobilistico che riceve una spedizione di candele di accensione da un produttore di componenti. Tali candele variano in termini di colore e di marcatura perché sono progettate per modelli diversi di automobili. Quando arrivano sulla linea di produzione per il pre-assemblaggio in vassoi di colore diverso, i sistemi di ispezione automatizzati devono identificarli, contarli e classificarli per poter trasmettere i dati alla fase di assemblaggio robotizzato. Per fare questo, il sistema automatizzato deve differenziare le candele di accensione di colore diverso, colore che offrirà informazioni importanti di assemblaggio ai robot, ma anche ignorare i colori dello sfondo dei vassoi, che sono una distrazione.

Una sfida di classificazione come questa richiede uno strumento basato sul deep learning che possa generalizzare l'aspetto normale delle candele di accensione in base alla loro forma e alle loro dimensioni senza farsi distrarre dalle singole marcature, per poi classificarle in base al loro colore. Per fare questo, uno strumento di analisi delle immagini basato sul deep learning come il Deep Learning di Cognex utilizza immagini di addestramento etichettate per generalizzare l'aspetto di una candela di accensione per contare la raccolta sul vassoio. Successivamente è in grado di classificarle in base al loro colore e di trasmettere tali dati al robot per l'assemblaggio.

Classificazione con deep learning per il settore dei componenti elettronici

Per i produttori di hardware elettronico che lavorano con tolleranze estremamente ristrette, tutti i difetti superficiali sui loro componenti devono essere meticolosamente rilevati e catalogati nelle prime fasi del processo di produzione. Le superfici metalliche di tali componenti creano un riverbero speculare che può confondere un sistema d'ispezione cambiando apparentemente l'aspetto del componente come appare alla telecamera.

classificazione nel settore dei componenti elettronici

Difetti comuni quali urti, graffi o macchie sui componenti che si verificano durante l'assemblaggio sono spesso difficili da distinguere durante le prime fasi di produzione a causa delle superfici ruvide, strutturate e riflettenti. Tali difetti sono inoltre visibili soltanto in determinate condizioni di illuminazione, spesso si manifestano durante i cambiamenti locali di contrasto causati da un'illuminazione non uniforme.

Allo stesso tempo, occorre che il sistema d'ispezione tolleri le normali variazioni e le anomalie naturali ma insignificanti della superficie del materiale. Utilizzando uno strumento basato sul deep learning, i produttori di componenti elettronici possono rilevare difetti tipici in qualsiasi orientamento utilizzando illuminazioni standard e non specializzate, tollerare il riverbero speculare e le anomalie insignificanti e, successivamente, smistare e classificare i difetti in base ai loro attributi comuni.

Un'applicazione comune consiste nel classificare i difetti superficiali per il controllo di qualità. Il deep learning è in grado di smistare ogni tipo di difetto nella sua classe, o tipo, in base alle sue caratteristiche comuni. Ad esempio, un modello può distinguere i "colpi" dalle "macchie", le "ammaccature" dai "graffi", a seconda di come si presentano comunemente sulle superfici metalliche. Poiché anche ogni colpo varia leggermente da un altro, un produttore deve usare il deep learning per concettualizzare e generalizzare le caratteristiche comuni dei colpi in maniera da identificarli correttamente.

Per fare ciò il sistema d'ispezione basato sul deep learning incorpora informazioni contestuali sulle superfici metalliche dei componenti per formare un modello affidabile della forma, delle dimensioni e della struttura dei difetti superficiali. Di conseguenza, difetti quali colpi e graffi sono segnalati come anomalie, o immagini non conformi o "cattive", perché appaiono come aree strutturate che si discostano dalla normale texture superficiale. Da lì, tutte le immagini "non conformi" con caratteristiche comuni sono separate in base ai loro aspetti comuni, ad esempio in colpi, macchie, ammaccature e graffi.

Se alcuni tipi di difetti non causano danni funzionali e sono considerati ammissibili dal produttore, il sistema può decidere di tollerare tale classe e consentire il passaggio alla fase successiva della produzione.

Classificazione con deep learning per il settore del packaging

L'identificazione di imballaggi basata sull'aspetto senza l'uso di un codice a barre è impegnativa. In questi casi, i sistemi di ispezione devono essere sensibili non solo alle variazioni normali e previste dell'aspetto del prodotto o del lotto, ma anche al modo in cui le confezioni cambiano aspetto a causa di cambiamenti locali in termini di contrasto in presenza di un'illuminazione non uniforme.

classificazione nel settore dell'imballaggio di beni di consumo

Nel caso di alimenti e bevande nonché di beni di consumo disponibili in più confezioni, nell'ambito delle quali le stesse confezioni possono essere preparate in modo diverso nei loro imballaggi, il sistema d'ispezione deve riconoscere immediatamente che le sottili differenze di confezionamento, che possono essere difficili da rilevare sotto certe luci, danno luogo a due classi separate di confezioni.

Ad esempio due confezioni identiche da quattro rotoli di carta igienica etichettate con lo stesso codice a barre possono essere integrate in modo diverso nei loro imballaggi; alcune confezioni da quattro possono essere imballate singolarmente, mentre altre sono imballate insieme con pellicola termoplastica con confezioni aggiuntive per la spedizione. Per fare in modo che un sistema d'ispezione attraverso la visione industriale rilevi tale differenza sottile, sarebbe necessario effettuare una programmazione con ampi criteri di selezione e algoritmi di rilevamento accuratamente impostati e ottimizzati.

L'analisi di immagini basata sul deep learning si affida piuttosto a un approccio di tipo umano per apprendere a distinguere le due diverse classi di confezioni. Basandosi sulle immagini etichettate di entrambe le classi di confezioni, il sistema è in grado di percepire che l'applicazione della pellicola termoretraibile aggiuntiva è ciò che le distingue e quindi di smistarle di conseguenza.

Classificazione con deep learning per il settore delle scienze biologiche

Le cellule tumorali presentano forme variabili e imprevedibili. Infatti, le varie dimensioni e forme di un singolo tipo di cellula tumorale differiscono più di quanto non condividano alcuna caratteristica comune. Può essere quasi impossibile per un patologo puntare il dito su ciò che rende tale una cellula di un tumore al seno. Il vecchio adagio secondo il quale uno "lo sa quando lo vede" si dimostra vero per quanto ciò sia frustrante quando si tratta di una patologia cellulare.

classificazione per il settore delle scienze biologiche

Gli strumenti per il rilevamento di difetti basati sul deep learning superano questo ostacolo apprendendo a riconoscere le varie e innumerevoli forme di una cellula tumorale e sono in grado di segnalare con precisione tutte quelle che appaiono anomale, il tutto tenendo conto delle naturali e normali variazioni di una cellula sana. Tuttavia, quando si tratta di classificare il grado di differenziazione di una cellula, uno strumento basato sul deep learning è in grado di classificare tutte le immagini anomale secondo morfologie specifiche. Si tratta di un compito che la visione industriale non è in grado di gestire a causa di limitazioni intrinseche di programmazione.

Ad esempio, le cellule prostatiche cancerose sono classificate secondo la loro valutazione in base alla "scala di Gleason", ossia del grado di struttura ghiandolare, su una scala da 1 a 5. In tale scala "1" indica una cellula uniforme mentre "5" indica una cellula irregolare e distinta. Uno strumento basato sul deep learning è in grado di aiutare ad automatizzare l'ispezione integrando un modello dell'aspetto dei tessuti cellulari classificati da 1 a 5 in base al loro grado di differenziazione ghiandolare e, sulla base di tale aspetto, uno strumento di classificazione può separare tutti i campioni di conseguenza. Uno strumento come il Deep Learning di Cognex può farlo anche quando la scena coinvolge punti multipli concentrandosi su diverse regioni di interesse all'interno di una singola immagine.

Quando si tratta di classificazione, le "classi" possono variare in base al tipo di difetto, alle dimensioni, alla forma, al colore e alle varie morfologie specifiche di ogni settore industriale. Un software di analisi di immagini industriali basato sul deep learning è in grado non soltanto di potenziare le ispezioni automatizzate dei produttori, ma anche di fare ciò che prima era impossibile: classificare, separare e valutare senza necessità di programmazione. Ciò consente di automatizzare finalmente le ispezioni che comportano la differenziazione tra prodotti visivamente simili ma diversi, pur tollerando grandi variazioni all'interno della stessa classe, oltre a distinguere tra anomalie tollerabili e difetti reali.

Soluzioni basate sul deep learning quali il Deep Learning di Cognex espandono la potenza della visione industriale tradizionale non solo per ispezionare, ma anche per separare e classificare i componenti in base alle loro caratteristiche visive, contribuendo a velocizzare l'assemblaggio e a individuare gli errori di produzione prima che incidano sulla qualità e sulla produttività.

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...