Avviare un progetto di Deep Learning nel settore manifatturiero – Parte 2: raccogliere dati e determinare la base di conoscenza

Dati assoluti e relativi

Occorre raccogliere due tipi di dati in questa fase: dati di immagine (assoluti) e dati di processo (relativi). I dati delle immagini raccolti dal team per il deep learning contribuiscono a ottimizzare e ad addestrare la rete neurale sui difetti e sulle determinazioni accettato/rifiutato. L'acquisizione affidabile delle immagini implica, tra le altre cose, l'individuazione di una telecamera con una risoluzione appropriata e la selezione e la configurazione di un'impostazione di illuminazione adeguata.
I dati di processo permettono a un'azienda che sviluppa un sistema basato sul deep learning di effettuare un'ottimizzazione avanzata. Ciò può comprendere dati sul costo unitario delle fughe rispetto agli scarti, la frequenza dei prodotti conformi rispetto a quelli non conformi e la frequenza dei diversi tipi di difetti. Il team per il deep learning deve esaminare le prestazioni del sistema di deep learning rispetto alla base di conoscenza, così come le prestazioni di una soluzione esistente, come l'ispezione manuale, rispetto alla base di conoscenza.

Mantenere un processo continuo

Tutte le fasi di un progetto di deep learning devono solitamente essere compiute su base continua. Questa attività comprende la raccolta di dati di immagini e di processo, l'addestramento del modello e il mantenimento dell'aggiornamento dell'etichettatura dei dati.

Le aziende necessitano di addetti che possano etichettare i difetti nelle immagini in modo coerente e affidabile, affinché il modello di deep learning possa addestrarsi su dati di qualità. Mantenere il processo di formazione continua permette ai team di ottimizzare la raccolta e la registrazione di dati accurati.

Per evitare anomalie statistiche, i team devono cogliere e tracciare le variazioni dei prodotti, i cambiamenti dei componenti, gli scostamenti delle attrezzature e l'usura degli utensili. Inoltre, tutta l'etichettatura delle immagini deve essere coerente e imparziale, con misurazioni indipendenti e definizioni chiare. Quando le specifiche dei prodotti cambiano, vengono aggiunti prodotti nuovi oppure vengono rimossi prodotti obsoleti, i team devono aggiornare le etichette delle immagini. I team devono inoltre stabilire un processo per acquisire in modo continuo le informazioni nel tempo, in modo che quando si verifica un problema il team possa reagire e correggerlo.

Un team di deep learning dovrebbe evitare di usare difetti falsi nella fase di addestramento. Difetti falsi come segni, fessure o graffi su un componente possono non essere rappresentativi dei difetti effettivi e possono avere un impatto negativo sul processo di addestramento. Ad esempio, se qualcuno in un team aggiunge manualmente dei graffi al centro di un componente per i test, il sistema comincia a cercare i difetti soltanto in quell'area.

Raggiungere la base di conoscenza

I team dispongono di diverse opzioni quando si tratta di definire la base di conoscenza, compreso l'uso dei risultati delle ispezioni manuali in fabbrica. In questo metodo, i dati sono facilmente disponibili e accettati. Questa può essere l'unica opzione per i componenti che richiedono una manipolazione speciale, come il ribaltamento, per l'ispezione. D'altra parte, i risultati possono variare o nel tempo o tra gli ispettori, e alcuni stakeholder possono avere un interesse acquisito nel sistema attualmente in uso. Questo metodo dovrebbe essere utilizzato solo come punto di partenza, poiché le aziende devono investire nella raccolta e nella cura dei dati per determinare uno scenario di base più accurato.

I test di Knapp possono assistere le aziende a classificare gli ispettori di qualità umani facendo passare diversi componenti noti per essere conformi o non conformi davanti allo stesso gruppo di ispettori più volte. Nei test Knapp, singoli ispettori controllano più volte componenti di controllo mischiati a componenti di produzione, e i risultati che emergono da ogni persona vengono quindi raccolti per raggiungere un risultato condiviso di accettazione/rifiuto. Sebbene questo metodo permetta alle aziende di vedere quali tipi di difetti vengono colti in modo coerente e quali ispettori si comportino meglio, è limitato a piccole serie di dati. Può inoltre produrre risultati non rappresentativi poiché l'aspetto dei difetti può essere irrealistico o artificiale e la distribuzione dei difetti è sempre irrealistica. Le aziende dovrebbero valutare i singoli ispettori per la precisione e la ripetibilità e creare set di dati iniziali etichettati per l'addestramento di reti neurali utilizzando immagini con difetti realistici.

Infine, un'azienda deve avere almeno un esperto di fiducia che disponga di una profonda conoscenza delle norme di qualità dell'azienda per ottenere la base di conoscenza. In primo luogo, i team registrano le immagini e i risultati delle ispezioni durante la produzione con ispezioni tanto manuali quanto automatizzate. L'esperto conferma quindi se la determinazione di un risultato accettato/rifiutato può essere fatta in modo affidabile dall'immagine e aiuta a stabilire uno standard di qualità dell'immagine per il team di etichettatura, assicurando che solo dati accurati siano inseriti nel modello di deep learning.

In questo esempio, viene utilizzato un esperto affidabile per stabilire la base di conoscenza in un'applicazione di ispezione di saldatura a punti.

I risultati dell'ispezione visiva manuale e automatizzata possono poi essere confrontati. Se i risultati si allineano, il team può presumere che le decisioni siano corrette e le immagini possono essere aggiunte al set di dati. Se i risultati differiscono, l'esperto li rivede e decide cosa fare. L'esperto contribuisce a stabilire un database affidabile di immagini di base di conoscenza con immagini basate su campioni del mondo reale in condizioni realistiche.Inoltre, l'esperto contribuisce a creare statistiche affidabili sulle prestazioni, compresa la distribuzione dei difetti e i dati sulle prestazioni delle ispezioni manuali e automatizzate, migliorando anche i processi di ispezione. L'esperto inoltre fornisce dati che possono essere riutilizzati per progetti di automazione futuri. Si noti che quando i componenti devono essere manipolati o maneggiati per trovare i difetti, questo metodo darà risultati scadenti. Un ulteriore svantaggio di questo metodo è che si basa su un singolo decisore.

Nella parte 3, esamineremo la fase di ottimizzazione.