Come il rilevamento di difetti con deep learning automatizza le ispezioni per il settore automobilistico e altri settori
Il deep learning è ideale per individuare difetti estetici e altre anomalie indesiderate nelle applicazioni di automazione dello stabilimento caratterizzate dalla loro naturale complessità e dall'elevato grado di variabilità, soprattutto nel mezzo di scene non strutturate. Scene di sfondo con modelli complessi o un alto grado di variabilità di posizione possono confondere un sistema d'ispezione attraverso la visione industriale tradizionale. Può essere difficile prevedere la variabilità naturale tra i componenti. E naturalmente, anche uno sfondo coerente può variare drasticamente nel suo aspetto visivo a causa della natura estensibile, flessibile e deformabile del materiale. Ciò è particolarmente importante per le materie plastiche e i tessuti.
Quando i tipi di difetti sono complessi e presentano numerose variazioni di posizione, ciò può impedire ai produttori di utilizzare metodi di ispezione più tradizionali, perché la programmazione è troppo estesa, complessa e tediosa. Il rilevamento di difetti nell'ambito del quale l'aspetto visivo varia, a causa dell'imaging (riverbero) o della natura mutevole e deformabile del materiale (ad esempio, su tessuto) e nell'ambito del quale i difetti si presentano in numerose forme e molti tipi diversi rende troppo difficile una ricerca esplicita.
In queste circostanze, i produttori possono ricorrere al deep learning per identificare tutti i soggetti che si discostano dall'aspetto normale e che presentano difetti. Oppure, in situazioni nelle quali alcuni difetti sono causa di un rifiuto e altri no, un tecnico competente per l'addestramento può addestrare il modello di riferimento su immagini etichettate come "conformi" e "non conformi" per acquisire tipi specifici di difetti, pur tollerando la variabilità naturale.
In entrambi i casi, l'approccio è semplice e diretto e non richiede competenze in materia di visione. Un tecnico che sviluppa applicazioni di ispezione si limita a raccogliere e ad alimentare nel sistema una serie rappresentativa di immagini di addestramento. A partire da quel momento la soluzione di deep learning utilizza un'intelligenza simile a quella umana per sviluppare il suo modello di riferimento, che il tecnico può convalidare e perfezionare con immagini aggiuntive, se necessario, fino a quando il modello non si colloca sullo stesso livello dei migliori ispettori umani. Da quel momento in poi il sistema è in grado di analizzare in modo preciso e ripetitivo le immagini di ispezione durante il funzionamento per rilevare anomalie e difetti estetici.
Negli esempi che seguono, esamineremo la proposta di valore per lo strumento di rilevamento di difetti del Deep Learning di Cognex nel settore automobilistico, nonché in quelli dell'elettronica, del packaging e delle scienze biologiche.
Rilevamento di difetti per il settore automobilistico
I componenti automobilistici presentano numerose superfici impegnative. Alcune di quelle più fuorvianti per un sistema di rilevamento automatico sono le superfici metalliche, che possono essere altamente strutturate, ruvide e porose, così come i tessuti utilizzati nei sedili interni e sugli airbag.
I tessuti presentano una variabilità naturale in termini di spessore del filato, grana della tessitura e disegno. Per l'ispezione di un airbag, è essenziale rilevare eventuali difetti nelle cuciture e nelle giunture, che potrebbero avere un impatto catastrofico sul loro utilizzo. La sfida è duplice. Innanzitutto, il tessuto naturale è complesso e il suo aspetto può cambiare a seconda di come viene allungato o colpito dalla luce. Il secondo aspetto, e il più problematico, è il numero di difetti di cucitura e giuntura; la ricerca esplicita di ciascuno di essi è tediosa e quasi impossibile da racchiudere in un algoritmo basato su regole. Di conseguenza diventa utile per un sistema d'ispezione identificare potenziali difetti attraverso l'addestramento in assenza di supervisione sull'aspetto normale del tessuto di un airbag.
Utilizzando le reti neurali, uno strumento basato sul deep learning è in grado di concettualizzare e generalizzare la natura mutevole del tessuto per identificare tutte le presentazioni anomale, mantenendo costanti le variazioni naturali del motivo di tessitura, le proprietà del filato, i colori e altre imperfezioni tollerabili. Qualsiasi anomalia che si discosti da tali variazioni naturali, quali punti inaspettati, sporgenze nella tessitura, anelli nell'ordito o nella trama, strappi o fori, viene segnalata dal sistema come difettosa. In questo modo, il tessuto può essere ispezionato senza una libreria di difetti predefinita. Questo nuovo approccio, basato sul deep learning, apporta le prestazioni dell'ispezione visiva umana al controllo automatico della qualità dei tessuti per il settore automobilistico.
Rilevamento di difetti per il settore dei componenti elettronici
Escludendo la produzione di display OLED, in nessun altro caso nel settore dei componenti elettronici la gestione rigorosa della qualità e il rilevamento di difetti sono più critici che nel caso dei semiconduttori. Così come bordi graffiati, attorcigliati, piegati o mancanti costituiscono una causa automatica di rigetto, lo sono anche i difetti più superficiali che interferiscono con le tolleranze di errore estremamente ristrette di un chip.
Eppure è inefficiente programmare così tanti tipi di difetti espliciti in un algoritmo di visione industriale basato su regole. Quando sostanzialmente ogni difetto conta come un'anomalia "funzionale", è più semplice insegnare al sistema d'ispezione qual è l'aspetto perfetto di un chip a semiconduttore o un conduttore di circuito integrato piuttosto che segnalare tutti i chip o i conduttori divergenti come difettosi. Questo è un compito perfetto per uno strumento di ispezione basato sul deep learning che opera in modalità non supervisionata. In questa modalità, le reti neurali del software concettualizzano e generalizzano l'aspetto normale di un chip (comprese eventuali variazioni percepite a causa di sfondi metallici riflettenti) per segnalare come difettosi quelli con componenti mancanti, rotti o abrasi.
Il vantaggio per i produttori è immediato: Non c'è bisogno di un esperto di visione o di uno sviluppatore di applicazioni, non ci sono difetti imprevedibili di programmazione, oltre a tassi di rilevamento di difetti e conseguenti rendimenti più elevati.
Rilevamento di difetti per il settore del packaging
L'identificazione di difetti estetici quali graffi e ammaccature su uno sfondo confuso non si limita alle superfici metalliche. Nei prodotti del settore food and beverage e dei beni di consumo, le confezioni sono realizzate in materiali che vanno dalla plastica lucida o da materiali ceramici lucidi fino alla lamiera. Eppure queste superfici presentano gli stessi problemi di riflessione e di riverbero speculare. In queste condizioni può essere difficile per i sistemi di visione industriale tradizionali apprezzare piccole differenze tra le immagini.
Fortunatamente, una rete neurale basata sul deep learning è progettata per vedere oltre il riverbero. Si tratta anche del modo migliore per guardare oltre le normali imperfezioni della superficie e cogliere i difetti effettivi. Nel caso dei barattoli di ceramica di crema per il viso, le differenze intrinseche tra i barattoli non sono sempre causa immediata di rifiuto. Le anomalie “funzionali”, che compromettono l'utilità del barattolo, sono sempre rifiutate, mentre quelle cosmetiche possono essere rifiutate come no, dipende dalle esigenze e dalle preferenze del produttore.
Il Deep Learning di Cognex coniuga i vantaggi tanto dell'ispezione attraverso la visione industriale quanto quelli dell'ispezione umana in modo economico e facile da implementare. Per fare questo, un tecnico della qualità o che sviluppa applicazioni addestra il software basato sul deep learning su un insieme rappresentativo di immagini di barattoli in ceramica "conformi" e "non conformi". I barattoli "non conformi" possono essere quelli con ammaccature profonde o lunghi graffi, ad esempio. Sulla base di queste immagini, il software apprende a riconoscere la forma naturale e la texture superficiale delle superfici fuse in ceramica e, pur tollerando le naturali variazioni di presentazione che possono essere dovute all'illuminazione, il software contrassegna le immagini che non rientrano nell'intervallo accettabile.
In questo modo il Deep Learning di Cognex offre una soluzione di rilevamento di difetti efficiente per il packaging che combina la capacità umana di rilevare le variazioni di minore entità con l'affidabilità, l'uniformità e la velocità di un sistema computerizzato automatizzato.
Rilevamento di difetti per il settore delle scienze biologiche
Il ruolo del radiologo odierno sta cambiando rapidamente grazie alla diagnosi assistita da computer (CAD). La ricerca di anomalie biologiche quali un tumore richiede da sempre il giudizio umano. La localizzazione può variare in maniera estrema, così come la presentazione. A volte, un radiologo può essere meno interessato a identificare una specifica anomalia piuttosto che una piccola deviazione, per quanto lieve, rispetto all'aspetto normale e sano del corpo.
Gli esseri umani si trovano in una posizione incredibilmente buona per esaminare l'esito di una radiografia o di una risonanza magnetica e cogliere uno di questi due scenari, dato che sono in grado naturalmente di creare modelli di ciò che le diverse presentazioni possono essere e distinguere tra "normale" o "anomalo". Tuttavia la produttività dei radiologi ha un limite. Anche il radiologo più esperto può incontrare un'immagine con una caratteristica che non gli è familiare e che non rientra nella sua esperienza. Ma il rischio di non riconoscere un potenziale tumore o di formulare una diagnosi errata è troppo elevato.
In questo caso, si può sfruttare la potenza dei big data. Lo strumento software basato sul deep learning è in grado di individuare la zona di interesse, quale un dato organo o una vertebra specifica, anche quando lo sfondo è confuso o presenta uno scarso contrasto. Utilizzando una serie di immagini di addestramento etichettate, l'algoritmo di IA è in grado di sviluppare un modello di riferimento dell'aspetto normale dell'organo, comprese numerose variazioni. Sulla base delle immagini di esempio etichettate come "conformi" e "non conformi", il sistema d'ispezione con deep learning può imparare a considerare se una qualsiasi immagine è anomala o normale. In questo modo, il modello di riferimento è in grado di contrassegnare eventuali zone che presentano anomalie biologiche che si discostano dalla fisiologia normale e sana affinché vengano prese in considerazione successivamente da un radiologo, se necessario.
I produttori si affidano allo strumento di rilevamento di difetti del Deep Learning di Cognex per rilevare anomalie e difetti estetici su ogni tipo di superficie, compresi carta, vetro, plastica, ceramica e metallo. Che si tratti di graffi, ammaccature, errori di stampa o errori di allineamento, il Deep Learning di Cognex è in grado di identificarli semplicemente apprendendo a riconoscere l'aspetto normale di un oggetto e le sue variazioni naturali e tollerabili. Per le grandi superfici, lo strumento di rilevamento di difetti è in grado altresì di segmentare specifiche zone di interesse per individuare i difetti imparando a riconoscere l'aspetto variabile dell'oggetto di interesse.
