Avviare un progetto di Deep Learning nel settore manifatturiero – Parte 1: Pianificazione


Molte aziende manifatturiere fanno affidamento su software di deep learning per integrare i loro sistemi di ispezione esistenti o quando gli algoritmi basati su regole non sono sufficienti. Ad esempio, quando un prodotto o il numero di potenziali difetti in un componente varia significativamente da un pezzo all'altro, un sistema può avere difficoltà nel definire programmaticamente i componenti come conformi o non conformi.

Il software di deep learning può fungere da ausilio in queste circostanze, ma la riuscita dell'implementazione e i risultati finali dipendono dall'adozione anticipata di misure necessarie. Di norma, i progetti di deep learning comportano quattro fasi: pianificazione, raccolta dei dati ed etichettatura della base di conoscenza, ottimizzazione e test di accettazione dello stabilimento. Qui diamo un'occhiata a ciò che rientra nella fase 1, ossia quella di pianificazione.

Creare una squadra, individuare gli obiettivi

Se un'azienda decide di implementare una soluzione di deep learning, deve mettere insieme un team costituito da diverse parti interessate per esaminare il processo attuale, definire obiettivi nuovi e stabilire se il deep learning può contribuire al conseguimento di questi obiettivi. Questo team dovrebbe essere composto da personale di gestione dello stabilimento, automazione, assicurazione della qualità, nonché un integratore di sistema/costruttore di macchine. Gli obiettivi devono essere ben definiti, coerenti e reciprocamente concordati da tutti i componenti della squadra. Potrebbero comprendere la riduzione degli scarti di prodotti difettosi/inaccettabili (underkill), il controllo dei costi riducendo gli scarti (overkill) o i prodotti o i componenti difettosi/inaccettabili, oppure la fornitura di capacità ulteriori di classificazione dei difetti che vadano oltre la determinazione conforme/non conforme.

Se il team collaborativo decide di procedere, una fase consiste nell'individuare un progetto "faro" che possa essere utilizzato per giustificare alla dirigenza l’impiego di risorse. Un tale progetto non dovrebbe comportare obiettivi irrealistici. Dovrebbe essere un progetto che non sia né troppo facile né troppo difficile, un progetto capace di produrre rendimenti affidabili in modo da dimostrare alla dirigenza che le future implementazioni di deep learning possono essere redditizie.

Scegliere un progetto, procedere

Per alcuni produttori, una soluzione di visione artificiale esistente potrebbe aver prodotto troppi falsi negativi o falsi positivi, oppure il sistema potrebbe aver smesso di funzionare bene a causa di troppe variazioni di prodotto o variazioni ambientali. Nell'ispezione dell'elettronica nell’automotive, ad esempio, le applicazioni di saldatura a punti di morsetti possono presentare problemi per i sistemi basati su regole.

La saldatura a punti di morsetti produce un'ampia varietà di tipi di saldatura tra cui forcine, da filo a piastra e da filo a filo, i quali creano una proiezione metallica 3D leggermente variabile con superfici riflettenti. Quando un sistema di visione artificiale acquisisce immagini di saldatura a punti di morsetti, queste contengono spesso riflessi, ombre, aree colorate e texture di superficie, anche nel caso di componenti ottimali. Questi effetti sono spesso simili a difetti effettivi, quali fessure, graffi, bruciature e saldature eccessive o mancanti. Queste variazioni naturali creano problemi ai sistemi tradizionali di visione artificiale in ragione della loro incapacità di ispezionare in modo affidabile le saldature e di distinguere i componenti conformi da quelli non conformi.

Tre immagini di saldature a punti conformi

Le saldature a punti che mostrano una variazione naturale ricevono una corretta classificazione "conformi" da un software basato sul deep learning

Saldatura a punti con vaiolatura, saldatura a punti sottodimensionata, saldatura a punti sovradimensionata

Le saldature a punti con pitting, saldatura a punti sottodimensionata e saldatura a punti sovradimensionata ricevono una corretta classificazione "non conformi" dal software basato sul deep learning

I sistemi di ispezione basati sul deep learning sono addestrati su set di dati che sono valutati ed etichettati da esperti interni. Ciò aiuta il software a distinguere tra i componenti conformi e quelli non conformi e persino a individuare il tipo di problema in un prodotto difettoso. Grazie a queste capacità, il software di deep learning fornisce una valida alternativa all'ispezione manuale e ai test elettrici, e interviene nei casi in cui gli algoritmi basati su regole non possono funzionare.

Nella parte 2, esamineremo la raccolta dei dati e la base di conoscenza.

Altri post su

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex