Utilizzo del Deep Learning nelle applicazioni di saldature a punti

banner che mostra un cervello con nodi connessi sovrapposto ad un’immagine di saldatura a punti

La tecnologia del deep learning è in grado di aiutare i produttori a rilevare saldature a punti difettose che minano la qualità dei componenti elettronici.

Le saldature a punti sono essenziali per le prestazioni dei dispositivi elettrici, in quanto tengono insieme le parti e mantengono il flusso della corrente. Saldature a punti difettose riducono la durata dei componenti elettronici, causando costose restituzioni o riparazioni che inolgtre danneggiano la reputazione dei produttori. L’individuazione di un numero maggiore di difetti nella fase di produzione riduce i costi correlati ai richiami e alla rilavorazione.

Gli esseri umani hanno una grande capacità di rilevare i difetti nelle saldature, ma offrono coerenza variabile e limitata disponibilità. Non sono in grado di analizzare sempre ogni saldatura a punti. L’automazione dell’ispezione delle saldature a punti è invece in grado di individuare un numero maggiore di difetti e ridurre i costi di rilavorazione, rilevando i problemi a monte nei processi di produzione. Questo offre all’automazione un vantaggio sostanziale rispetto al basarsi solamente sugli ispettori umani.

Il deep learning si avvale di algoritmi software e modeling statistico per simulare il funzionamento del cervello umano. Gli algoritmi creano reti neurali ottimizzate per identificare anomalie e differenziare tra gli esiti positivi e negativi. Con la disponibilità di dati e tempo sufficienti, tali reti si auto-insegnano in modo efficace a performare meglio.

Ma perché i produttori dovrebbero implementare le applicazioni di deep learning per le ispezioni delle saldature a punti? Perché non usare sistemi di visione artificiale convenzionali per questo tipo di controlli? Principalmente perché le saldature sono oggetti tridimensionali intrinsecamente ambigui. Ogni saldatura differisce per forma o dimensioni.

Pin to pin weld, wire to pin/pad weld, wire to wire weld

(Tipi differenti di saldature a punti, da sinistra a destra: da pin to pin, da filo a pin/piastrina, da filo a filo)

Un sistema di visione artificiale basato su regole si avvale di software per identificare dettagli specifici in un’immagine digitale — come un numero di serie su un blocco motore o sui bordi di un componente in acciaio. Offre prestazioni particolarmente eccellenti con componenti dalle caratteristiche quasi identiche.

Quando si tratta di saldature a punti, ogni pezzo di metallo ha dimensioni leggermente differenti. Ciò rende estremamente complesso creare un sistema di visione artificiale basato su regole per l’ispezione di un volume elevato di saldature a punti utilizzati in una linea di assemblaggio.

Un’applicazione di ispezione basata sul deep learning risolve questo problema confrontando immagini di saldature a punti difettose con quelle di saldature prive di difetti. Un set di immagini addestra la rete neurale in modo che verifichi la presenza di eventuali difetti noti, mentre un altro set di immagini di convalida fornisce una base per il confronto.

Three images of good spot welds

(Saldature a punti conformi)

Spot weld with pitting, undersized spot weld, oversized spot weld

(Saldature a punti non conformi, da sinistra a destra: vaiolatura, sottodimensionato, sovradimensionato)

Come funziona VisionPro Deep Learning nelle ispezioni delle saldature a punti

Cognex ha sviluppato la suite di software VisionPro® Deep Learning per semplificare l’automazione dei processi di produzione, come le ispezioni delle saldature a punti. VisionPro Deep Learning dispone di due strumenti fondamentali che funzionano bene nelle applicazioni di ispezione delle saldature a punti:

  • Red Analyze, che identifica i difetti in modo da rimuoverli dal processo di produzione
  • Green Classify, che crea classi di difetti che aiutano a migliorare la qualità e la precisione del processo a monte del punto di ispezione.

Utilizzo di Red Analyze

Red Analyze rileva anomalie nelle immagini digitali delle saldature a punti. Gli utenti stabiliscono che aspetto deve avere un’immagine corretta e segnalano eventuali deviazioni rispetto a essa. Un set di immagini addestra la rete neurale a riconoscere le saldature a punti difettose. Un secondo set di immagini di convalida è trattenuto dal database di addestramento. Le immagini di convalida aiutano il software a stabilire la “verità” sull’aspetto di saldature conformi e non.

Red Analyze dispone di due modalità di addestramento:

  • Con supervisione: Nella modalità soggetta a supervisione (come descritto in precedenza), gli utenti scattano foto di saldature, restringono il campo su difetti o anomalie, documentano ogni tipo di difetto, e gli assegnano un’etichetta che dice al software “questo è un difetto”.
  • Senza supervisione. Nella modalità non soggetta a supervisione, gli utenti iniziano con un’immagine priva di difetti o anomalie e la etichettano come “conforme”. Eventuali immagini differenti da questa base sono ritenute identificanti un difetto.

Le etichette di queste modalità producono immagini di addestramento per la rete neurale all’interno di VisionPro Deep Learning. Durante un’ispezione, il software analizza un’immagine di una saldatura su una linea di produzione. La rete neurale profonda confronta questa immagine di produzione sulla linea con quelle di convalida addestrate per determinare se la saldatura supera o fallisce l’ispezione.

Utilizzo di Green Classify

Green Classify crea classi di difetti o anomalie che sono usate per diagnosticare problemi a monte nella linea di produzione. Ad esempio, le saldature troppo piatte o dalla forma strana possono rivelare un guasto nella saldatrice. Con Classify, gli utenti etichettano questi artefatti e istruiscono il sistema di ispezione a segnalare il difetto e informare gli operatori delle saldatrici circa l’errore.
Proprio come il Red Analyze, Green Classify dispone di due modalità di addestramento:

  • Classificazione della scena. Con le classificazioni delle scene, gli utenti etichettano le immagini come conformi o non conformi, e aggiungono tag per documentare un difetto, come il pitting o la forma errata.
  • Classificazione dei singoli difetti. Con le classificazioni individuali, gli utenti scattano foto e traggono dati dal Red Analyze e li usano per classificare difetti o regioni di difetti specifici.

Flow diagram showing process for classifying defects individually and by scene

(Flusso di processo per le classificazioni delle scene e dei singoli difetti)

Una volta che gli utenti classificano le immagini, la rete neurale confronta le classi con le immagini di convalida e indica il tipo corretto di difetto.

I Red Analyze e Green Classify sono spesso usati in sequenza. Red Analyze rileva innanzitutto la presenza di un difetto o anomalia, e Green Classify valuta l’anomalia e determina il tipo di difetto. Il risultato è inviato all’operatore della linea che stabilisce come gestire il prodotto difettoso.

3 decisioni che migliorano il successo delle applicazioni di Deep Learning

Prendere buone decisioni al momento giusto può contribuire in modo significativo ad assicurare il successo del deep learning nelle applicazioni di saldature a punti. Le seguenti tre decisioni sono essenziali:

1. Soppesare il ritorno sull’investimento

L’automazione delle ispezioni delle saldature a punti deve generare più profitti che costi. L’applicazione del deep learning richiede investimenti nel software, nell’erogare retribuzioni e nell’acquisto di apparecchiature. Inoltre, il tempo necessario per creare, testare e implementare il sistema genera costi. L’investimento nell’automazione deve offrire risparmi in denaro o, per lo meno, prestazioni migliori allo stesso prezzo.
Inoltre, l’automazione delle ispezioni produce risultati importanti che potrebbero non consentire un ROI esplicito, come:

  • Controllo statistico di processo. I dati rivelano la presenza di problemi a monte nel processo di produzione, così da risolverli in tempi ristretti.
  • Addestramento continuo. Quante più immagini sono inviate alla rete neurale profonda, tanto più preciso il processo diverrà nel tempo.
  • Documentazione del processo. I report sulla qualità delle ispezioni sono implementati e condivisi in modo facile.

2.  Replica precisa dell’ambiente di produzione

Le telecamere per l’automazione industriale utilizzate nelle ispezioni di deep learning necessitano di illuminazione e posizionamento adeguati per acquisire tutti i dati critici in una saldatura a punti. Il controllo dei riverberi e la limitazione delle ombre nelle immagini digitali semplifica il rilevamento dei difetti. Se l’occhio umano non è in grado di vedere qualcosa su una saldatura, non lo sarà nemmeno un’applicazione di deep learning.

Lo sviluppo delle applicazioni di deep learning inizia in laboratorio, per poi passare allo stabilimento. Ovviamente, è quasi impossibile duplicare completamente un ambiente di produzione in laboratorio. Di conseguenza, gli utenti vorranno portare le applicazioni fuori dal laboratorio e iniziare e testarle in un ambiente di produzione il più presto possibile.  Il sistema di deep learning è in grado di acquisire nuovi dati dalla linea di produzione per migliorare la qualità delle ispezioni.

3. Rendere l’etichettatura un processo semplice e preciso

Lo sviluppo di un’applicazione di deep learning per l’ispezione delle saldature a punti richiede una documentazione accurata dei difetti comuni, come il pitting o le saldature deformate. Ognuno di questi difetti deve essere etichettato in modo accurato e coerente in dozzine di immagini e probabilmente centinaia di etichette.

Successivamente, la qualità del lavoro svolto nella fase di etichettatura influisce su tutti i risultati. Di conseguenza, gli sviluppatori necessitano di un sistema di etichettatura preciso, coerente, intuitivo e di facile comprensione — proprio come l’interfaccia utente del software VisionPro Deep Learning.

Le tecnologia di deep learning rappresenta l’ideale per le applicazioni dall’ambiguità intrinseca. Proprio come le impronte digitali e i fiocchi di neve, non esistono saldature a punti identiche, per cui esse rappresentano un buon candidato per le soluzioni basate sul deep learning. Tuttavia, prima di investire risorse in un sistema di deep learning, i produttori devono considerare tre importanti fattori: Il ROI, la capacità di replicare gli ambienti di produzione per un testing accurato, e la facilità di etichettatura delle immagini di addestramento. 

Fortunatamente, Cognex fornisce una soluzione per tutti e tre i punti – il software VisionPro Deep Learning. Gli strumenti Red Analyze e Green Classify contenuti nel software assicurano l’integrità dei componenti rilevando dapprima i difetti per poi classificarli. L’implementazione del software nelle applicazioni di saldatura a punti consente ai fabbricanti di identificare tempestivamente i difetti nel flusso di produzione, evitando così rilavorazioni costose, offrendo qualità migliore e promuovendo la fiducia del cliente verso il prodotto.

Altri post su

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

Entra a far parte di MyCognex