In che modo la casa giapponese Sekisui ha automatizzato le ispezioni dei difetti delle pareti in ceramica con il Deep Learning VisionPro

Sekisui House uses Cognex deep learning to find defects on ceramic tile

Sekisui House Ltd. è uno dei più grandi costruttori di case del Giappone con un fatturato annuo vicino a $ 20 miliardi di dollari. L'azienda, fondata nel 1960 e con sede a Osaka, è nota per il suo caratteristico rivestimento in piastrelle di ceramica Bellburn realizzato nelle sue fabbriche di Shizuoka e Tohoku.

Le piastrelle in ceramica Bellburn sono utilizzate per il rivestimento di pareti esterne nella costruzione di case di lusso. Non sono solo attraenti ma durevoli, con proprietà autopulenti, e rappresentano la filosofia aziendale di creare prodotti "lenti e intelligenti". Le piastrelle sono temperate e le tecniche artistiche della ceramica sono incorporate nel processo di produzione. Ma proprio come nelle arti ceramiche, a volte ci sono piccoli concavi o linee lasciate all'esterno dal processo di stampaggio originale, che dà forma all'argilla o ad altro materiale. Per eliminare le imperfezioni estetiche dal processo di stampaggio è fondamentale ispezionare ogni pezzo di piastrella.

Sekisui House 01

Il volume dell'ispezione visiva manuale, tuttavia, è impossibile da seguire per una persona. È stato anche difficile e dispendioso in termini di tempo formulare regole di ispezione della visione industriale per tenere conto di tutti i potenziali difetti visivi che potrebbero presentarsi durante un'ispezione automatizzata delle piastrelle Bellburn. Inoltre, non tutte le imperfezioni derivanti da difetti esterni o irregolarità del colore sono motivo di rifiuto. Alcuni dei potenziali difetti rientrano nell'intervallo accettabile per limitare il rischio di rimuovere un buon prodotto dalla produzione, il che avrebbe un impatto sul volume di fornitura richiesto.

Per garantire il numero richiesto di piastrelle Bellburn al momento dell'ispezione finale, i piani di produzione dovevano essere formulati sulla base dei tassi di rendimento passati e di un'ispezione manuale inefficiente. Ciò ha comportato un aumento delle scorte, alcune delle quali sono diventate scorte immobili.

Per affrontare queste sfide di ispezione, Sekisui House ha implementato Deep Learning VisionPro combinato con una telecamera a scansione lineare e illuminazione a LED per automatizzare le ispezioni dei difetti estetici durante il processo di produzione. Ispezionando automaticamente tutti i pezzi, il costruttore di case è riuscito a migliorare la qualità complessiva del processo di produzione manifatturiera, ridurre la produzione in eccesso, ridurre il magazzino e i costi e stabilizzare la fornitura di rivestimenti in piastrelle di ceramica Bellburn.

Il rilevamento dei difetti tramite il deep learning richiede solo una piccola quantità di dati immagine

Deep Learning VisionPro, una soluzione di deep learning basata su PC, identifica i molteplici difetti estetici sulla lastra originale sulla base di un piccolo numero di buone immagini campione. In generale, è necessaria un'enorme quantità di dati di immagine affinché uno strumento di deep learning open source distingua i difetti accettabili da quelli inaccettabili. Tuttavia, Deep Learning VisionPro può farlo da un set campione di circa 100 immagini perché il suo strumento di rilevamento di difetti è appositamente progettato per la produzione manifatturiera.

Dopo la fase di cottura del processo di stampaggio, la telecamera a scansione lineare e l'illuminazione a LED acquisiscono immagini esterne per l'ispezione automatizzata. Deep Learning VisionPro identifica difetti come rigonfiamenti, depressioni, sfumature di colore o linee indesiderate. Quindi, analizza queste immagini consentendo agli ingegneri dell'automazione di perfezionare ulteriormente l'applicazione in base a difetti estetici accettabili o inaccettabili.

Elevata velocità di elaborazione per il rilevamento in tempo reale sulla linea di produzione

Sekisui House 02 

Rilevando i difetti che si verificano durante il processo di stampaggio in tempo reale, gli articoli difettosi possono ora essere rilevati in una fase precedente del processo. La gestione della qualità viene eseguita in modo più accurato nella fase prima dell'ispezione finale, migliorando la precisione della pianificazione della produzione. Ad esempio, la differenziazione di un materiale da 200 x 32 cm richiede circa due secondi. Le ispezioni esterne a questa velocità sulla linea di produzione sono completamente impossibili con la sola ispezione umana. Deep Learning VisionPro ispeziona selettivamente i punti deformati, consentendogli di fare distinzioni ad un'elevata velocità di elaborazione.

Successo nella riduzione delle scorte immobili

L'introduzione di questo sistema di ispezione ha portato a una riduzione del 40% delle scorte immobili, che in precedenza rappresentavano lo 0,4% del volume di produzione di riserva, portando a riduzioni dei costi.

L'automazione dell'ispezione visiva attraverso il deep learning prima del processo finale ha portato a enormi miglioramenti nella gestione della qualità più precisa. Ha migliorato i rendimenti che rendono possibile una pianificazione precisa della produzione consentendo anche una riduzione delle scorte.

Ulteriore riduzione dei costi con espansione orizzontale

Dopo il successo dell'implementazione nella fabbrica di Shizuoka, il sistema di rilevamento dei difetti con deep learning è stato implementato anche nella fabbrica di Tohoku. A Tohoku l'ispezione esterna è stata incorporata dopo la fase di pressatura del materiale argilloso. Se vengono rilevati difetti prima che l'argilla si asciughi, i materiali vengono riciclati, eliminando gli sprechi. Ciò ha portato a un notevole risparmio sui costi dei materiali.

Rendere l'approvvigionamento stabile una cosa sicura

La capacità di rilevare i difetti in tempo reale attraverso l'automazione dell'ispezione visiva durante la produzione utilizzando Deep Learning VisionPro ha permesso di ridurre le scorte e i costi. Il raggiungimento dell'automazione dell'ispezione visiva esterna di ogni pezzo di piastrella utilizzando Deep Learning VisionPro ha permesso di produrre il numero esatto di piastre in ceramica richieste proprio quando sono richieste.

Nel complesso, il processo di produzione dei rivestimenti in ceramica Bellburn è diventato più snello. Con Deep Learning VisionPro che automatizza queste ispezioni Sekisui House è stata in grado di realizzare meglio il suo motto di "creare residenze progettate liberamente una alla volta, ognuna personalizzata da zero per realizzare il sogno dei clienti".

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