• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Come il deep learning aiuta ad automatizzare le ispezioni per il settore automobilistico

deep learning for automotive inspections

I produttori del settore automobilistico sono stati tra i primi nell'industria ad accogliere la meccanizzazione, l'automazione e i miglioramenti della produttività offerti dalla visione industriale. Attualmente, praticamente ogni sistema, componente e sottoinsieme di un'automobile è prodotto ricorrendo alla visione industriale e alla tecnologia di lettura dei codici a barre. Grazie agli straordinari progressi dell'intelligenza artificiale, numerosi produttori di autoveicoli e componenti stanno ora esaminando un software di analisi di immagine basato sul deep learning per automatizzare i processi manuali rimanenti considerati, fino a poco tempo fa, semplicemente troppo complessi da automatizzare.

Storicamente, tali applicazioni includevano un'individuazione dei componenti imprevedibile, ispezioni cosmetiche su sfondi confusi e la classificazione: una categoria di ispezione che gli algoritmi di visione industriale non sono semplicemente in grado di automatizzare. Automatizzando tali categorie di applicazioni con l'uso di software di deep learning, i produttori possono aumentare la loro produttività limitando i difetti e i falsi scarti. Gli altri sottoprodotti derivanti dell'impiego di questa tecnologia comprendono l'aumento della qualità complessiva e la potenziale riduzione al minimo della manodopera.

Continua a leggere per scoprire come i produttori del settore automobilistico stanno impiegando l'analisi di immagine basata sul deep learning negli stabilimenti proprio in questo momento per migliorare il rilevamento di difetti, il riconoscimento ottico dei caratteri (OCR), la verifica di assemblaggi e la classificazione.

Rilevamento di difetti

I produttori del settore automobilistico sono estremamente incentivati a garantire l'integrità dei loro componenti e sottoinsiemi, dato che il minimo difetto può compromettere il funzionamento e la sicurezza di un componente. Eppure non tutti i difetti estetici sono motivo di preoccupazione dal punto di vista funzionale.

Prendiamo, ad esempio, un pistone in un motore a pistoni. Eventuali graffi sui cordoni di saldatura di un pistone influiscono negativamente sulle sue prestazioni. Altri, quali macchie di ruggine e persino alcune cricche e fessurazioni, sono puramente estetiche. Queste differenze nei difetti possono tuttavia essere difficili da valutare per i sistemi di ispezione automatizzati, a causa delle leggere differenze di aspetto (un graffio può assomigliare a una crepa) e dei problemi di imaging.

Le superfici metalliche saldate creano riflessi speculari che possono confondere le telecamere. Per questo motivo, molti produttori continuano ad impiegare ispettori manuali piuttosto che cercare di automatizzare l'ispezione delle saldature metalliche testurizzate, dato che gli ispettori umani, sebbene lenti e soggetti a fatica, sono più adatti a identificare e classificare correttamente le sottigliezze cosmetiche.

ispezione con rilevamento di difetti con deep learning

Fortunatamente, i progressi nel deep learning hanno consentito di individuare e classificare automaticamente difetti imprevedibili e variabili su superfici metalliche come le saldature senza bisogno di un'ispezione manuale. Un nuovo potente software è in grado non soltanto di identificare ma persino di classificare tali difetti, proprio come farebbero l'occhio e il cervello umani. La programmazione di questo tipo di ispezione richiederebbe algoritmi complessi con ampie librerie di difetti; e anche in questo caso, le ispezioni genererebbero comunque probabilmente degli errori.

Al contrario, gli algoritmi del deep learning imparano da immagini di esempio per crearsi i propri modelli di difetti di saldatura. Tali sistemi sono in grado di tollerare immagini confuse e sfocate e sfondi complessi dopo un periodo di addestramento iniziale, in modo da essere in grado di valutare e riconoscere anche le variazioni più piccole e di categorizzarle efficacemente. Inoltre, il vantaggio aggiuntivo è la velocità. Questi programmi, che possono essere eseguiti soltanto come software o direttamente a bordo di telecamere intelligenti, sono rapidi e coerenti. In questo modo, i sistemi con deep learning offrono una combinazione imbattibile di velocità e coerenza con un'intelligenza di tipo umano.

Poiché vi sono diversi difetti e condizioni di luce possibili, l'analisi con deep learning offre un'alternativa semplice e solida all'ispezione attraverso la visione industriale tradizionale. Dopo che il sistema è stato addestrato durante il funzionamento, il software basato sul deep learning, avendo imparato a riconoscere e ad ignorare le variazioni irrilevanti, è in grado di classificare le immagini di saldature eccessive o carenti come difettose.

Riconoscimento ottico dei caratteri

Anche la lettura automatizzata dei caratteri può confondere un sistema di ispezione in caso di presenza di luce speculare, riflessione, e i colori della vernice. Di norma, gli strumenti OCR e di verifica ottica dei caratteri (OCV) riconoscono i caratteri al fine di leggerli o di verificarne la correttezza, dando all'utente le opzioni per ottimizzare i propri sistemi in termini di velocità e tasso di lettura.

La maggior parte degli strumenti OCR/OCV disponibili attualmente è in grado di leggere rapidamente e in modo affidabile i font neri stampati su sfondi bianchi e non confusi. Non sorprende che tali condizioni ideali non siano la norma nella maggior parte dei contesti industriali. Anche se gli algoritmi avanzati sono attualmente in grado di apprendere e leggere la maggior parte dei font stampati, anche con poco contrasto tra il carattere e lo sfondo e con una significativa variazione in larghezza e altezza, i problemi si presentano quando le lettere o i numeri si toccano, sono deformati o distorti.

Può inoltre essere difficile distinguere tra forme simili (ad esempio, la lettera "O" e il numero "0") quando lo strumento non è stato previamente addestrato sullo specifico font in uso. Cosa succede quando sono presenti luce speculare, riflessi e vernice colorata? Oppure quando i caratteri alfanumerici stampati sono in qualche modo deformati e non sono più immediatamente riconoscibili? Di norma tali situazioni richiederebbero un'etichettatura eccessiva durante il processo di addestramento e anche in tal caso potrebbero fallire.

deep learning per applicazioni OCR del settore automobilistico

Nel caso del codice VIN di un'automobile, i produttori devono essere in grado di decodificare rapidamente una stringa di lettere e numeri che può essere stampata su superfici diverse. Le condizioni ambientali e la distorsione della stampa possono rendere difficile per un sistema di visione industriale localizzare e riconoscere i caratteri, che possono essere di tipo DPM (Direct Part Marking), incisi su una piastra metallica o stampati su un adesivo. Per questo compito, i produttori del settore automobilistico possono finalmente optare su applicazioni OCR basate sul deep learning (un gradino superiore rispetto agli strumenti OCR esistenti basati sulla visione industriale) quando si trovano ad affrontare tanto font difficili quanto difficoltà di formazione dell'immagine.

In maniera unica, lo strumento OCR basato sul deep learning di Cognex utilizza uno strumento preaddestrato e omnifont per riconoscere i caratteri anche se sono oscurati da deformazioni di stampa, contrasto elevato o basso o riflettenza. In caso di lettura errata, è sufficiente riaddestrare il modello di deep learning con esempi aggiuntivi sui caratteri non letti, risparmiando tempo e diminuendo la percentuale di errori.

Verifica dell'assemblaggio

Gli assemblaggi incompleti o difettosi possono essere difficili da ispezionare per una serie di motivi: i componenti multipli richiedono uno sviluppo meticoloso dell'algoritmo e tali scene possono essere visivamente confuse a causa della loro struttura e del loro sfondo. In questi casi, un sistema automatizzato deve essere in grado di apprendere l'aspetto corretto e normale di una scena, tenendo allo stesso tempo conto delle lievi variazioni che possono incidere o meno sulla qualità.

ispezione di fili nel settore automobilistico

Per assemblaggi di grandi dimensioni e complicati, un sistema di ispezione deve essere altresì in grado di segmentare regioni specifiche come aree di interesse per l'ispezione o come contenenti difetti. Tali attori rendono la programmazione basata su regole troppo macchinosa e soggetta a errori. Al contrario, gli strumenti di rilevamento di difetti, localizzazione e verifica del layout basati sul deep learning possono sviluppare modelli basati sull'intelligenza artificiale per identificare regioni mirate di interesse in un'immagine, semplicemente apprendendo a riconoscere possibili variazioni nell'aspetto, da un set di immagini campione rappresentativo e ispezionarle per verificarne la completezza.

In questo modo, il sistema basato sul deep learning crea un modello di riferimento affidabile di un assieme come la portiera di un'auto e può confermare in modo rapido e affidabile che tutti i componenti sono presenti, correttamente posizionati nella loro posizione e completamente assemblati. Sebbene gli ispettori umani siano esperti in questo tipo di giudizio, il deep learning può svolgere il compito con la velocità, la precisione, la portata e la robustezza di un computer.

Classificazione

Torniamo all'esempio del rilevamento di difetti di saldatura per capire meglio la proposta di valore del deep learning. Come spiegato in precedenza, le incongruenze di saldatura possono essere anomale ma non difettose dal punto di vista funzionale. Ciò richiede un sistema di ispezione automatizzato che, oltre a rilevare i difetti, sia in grado di classificarli correttamente come "conformi" (effettivamente, passabili) o "non conformi" indicando la causa dello scarto. I produttori necessitano di dati per capire se ci sono troppi casi di un solo tipo di difetto che causano gli scarti sulla linea, al fine di modificare i metodi di produzione o limitare direttamente il verificarsi del tipo di difetto.

Le limitazioni intrinseche alla visione industriale le impediscono di classificare le immagini. Tuttavia i progressi compiuti nelle reti neurali fanno sì che i programmi basati sull'intelligenza artificiale possano ora eseguire una classificazione basata sulle immagini. L'intelligenza artificiale è in grado di classificare in maniera efficace le immagini del medesimo componente in sottocategorie, imparando a riconoscerne i principali differenziali visivi. Dopo essere stato addestrato su una serie di immagini rappresentative etichettate di ogni classe di immagini, il modello di deep learning impara a distinguere le immagini in tempo reale e a classificarle in classi come nel caso dei tipi di candele. 

ispezione di candele con deep learning

Il deep learning è semplicemente lo strumento più recente di cui dispongono gli ingegneri delle applicazioni di ispezione per risolvere le sfide complesse delle ispezioni nel settore automobilistico. Ciò che un tempo era ritenuto possibile soltanto attraverso l'ispezione umana, ora può essere fatto attraverso un sistema di visione che sfrutta la tecnologia del deep learning. 

Contatto vendite

Altri post in merito a

RICHIEDI L'ACCESSO PER OTTENERE SUPPORTO E FORMAZIONE SUI PRODOTTI E MOLTO ALTRO

REGISTRATI A 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...