Como Funciona a Ferramenta de Classificação do Deep Learning

Classificar peças e componentes é útil para verificação de montagem complexa, quando vários itens devem ser identificados e classificados para uso ao longo da linha de produtos. A classificação também é importante para o controle do processo em linha e a melhoria contínua do processo, fornecendo dados essenciais para detectar erros antes que se tornem problemas enraizados.

Apesar dos incríveis avanços nos sistemas de visão, a detecção de objetos ou componentes que variam em forma, tamanho e localização tradicionalmente exigia a flexibilidade do olho humano. Mesmo os mais poderosos sistemas de inspeção acionados por computador são facilmente confundidos por fundos cheios e altamente padronizados e problemas de qualidade de imagem, como brilho especular.

Essas condições tornam muito difícil para os algoritmos de visão localizar um objeto ou região de interesse com precisão confiável. Pode ser demorado e difícil, senão totalmente impossível, para um sistema automatizado ignorar recursos irrelevantes para identificar com êxito a região de interesse.

Nesses cenários, quando uma aplicação exige precisão automatizada para encontrar características e objetos complexos, pode ser útil recorrer a ferramentas baseadas em deep learning que, em vez de depender de programação, aprendem com exemplos de imagens. O uso desses algoritmos de autoaprendizagem abre novas habilidades para localizar e classificar as peças em classes por sua cor, textura, material, embalagem ou tipo de defeito.

Vamos examinar como as ferramentas de classificação baseadas em deep learning podem ajudar vários setores.

Classificação do Deep Learning para o Setor Automotivo

Em muitas aplicações automotivas, a identificação é realizada por leitura de código de barras e tecnologia de reconhecimento óptico de caracteres (OCR) para decodificar códigos de barras e números de série. Ainda assim, em ambientes que não suportam leitura de código ou texto alfanumérico, os fabricantes devem confiar na identificação visual. Isso pode ser problemático para qualquer identificação que ocorra em locais imprevisíveis ou com variação visual e desvio, mas é ainda mais complicado quando as peças precisam ser contadas e classificadas de acordo com esses marcadores.

Imagine um fabricante de automóveis recebendo uma remessa de velas de ignição de um fabricante de peças. Essas velas variam em sua cor e marcação porque foram projetadas para vários modelos de automóveis. À medida que chegam à linha de produção para pré-montagem em bandejas de cores diferentes, os sistemas de inspeção automatizada precisam identificá-las, contá-las e classificá-las para passar os dados para a etapa de montagem robótica. Para fazer isso, o sistema automatizado precisa diferenciar as velas de ignição de cores diferentes, o que fornecerá informações importantes de montagem aos robôs, mas também ignorar as cores de fundo das bandejas, que são uma distração.

Um desafio de classificação como esse exige uma ferramenta baseada em deep learning que pode generalizar a aparência normal das velas de ignição com base em sua forma e dimensões, sem se distrair com marcações individuais e então classificá-las por sua cor. Para fazer isso, uma ferramenta de análise de imagem baseada em deep learning como o Deep Learning da Cognex usa imagens de treinamento etiquetadas para generalizar a aparência de uma vela de ignição para contar a coleção na bandeja. Em seguida, a ferramenta é capaz de classificá-las por cores e transmitir esses dados ao robô para montagem.

Classificação do Deep Learning para o Setor de Produtos Eletrônicos

Para fabricantes de hardware eletrônico que trabalham com tolerância extremamente restrita, todos os defeitos de superfície em seus componentes devem ser meticulosamente detectados e catalogados no início do processo de produção. As superfícies metálicas desses componentes lançam brilho especular, o que pode confundir um sistema de inspeção, aparentemente mudando a aparência da peça para a câmera.

Defeitos comuns como pancadas, arranhões ou manchas em componentes que ocorrem durante a montagem são frequentemente difíceis de discernir durante os estágios iniciais de produção por causa das superfícies ásperas, texturizadas e reflexivas. Além do mais, esses defeitos são visíveis apenas sob certas condições de iluminação, muitas vezes se manifestando durante mudanças locais no contraste causadas por iluminação não uniforme.

Ao mesmo tempo, variações normais e anomalias que ocorrem naturalmente, mas insignificantes, na superfície do material precisam ser toleradas pelo sistema de inspeção. Usando uma ferramenta baseada em deep learning, os fabricantes de eletrônicos podem detectar defeitos típicos em qualquer orientação usando iluminações padrão e não especializadas, tolerar brilho especular e anomalias insignificantes e, em seguida, avaliar e classificar os defeitos por seus atributos comuns.

Uma aplicação comum envolve a classificação de defeitos de superfície para controle de qualidade. O deep learning consegue classificar cada tipo de defeito em sua própria classe, ou tipo, de acordo com suas características comuns. Por exemplo, um modelo consegue separar pancadas de manchas, amassados e riscos de acordo com a forma como costumam se apresentar em superfícies de metal. Como até mesmo cada pancada varia ligeiramente de outra, um fabricante precisa usar o deep learning para conceituar e generalizar as características comuns das pancadas para identificá-las corretamente.

Para fazer isso, o sistema de inspeção baseado em deep learning incorpora informações contextuais sobre as superfícies metálicas dos componentes, a fim de formar um modelo confiável de forma, dimensões e textura da detecção de superfície. Consequentemente, defeitos como pancadas e arranhões são sinalizados como anomalias ou imagens com falha ou ruins porque aparecem como áreas texturizadas que se desviam da textura normal da superfície. A partir daí, todas as imagens ruins com características comuns são classificadas por seus aspectos comuns, como essas pancadas, manchas, amassados e arranhões.

Se certos tipos de defeitos não causam danos funcionais e são considerados permitidos pelo fabricante, o sistema pode tomar a decisão de tolerar essa classe e permitir que passe para o próximo estágio de produção.

Classificação do Deep Learning para o Setor de Embalagens

A identificação da embalagem baseada na aparência sem o uso de um código de barras é um desafio. Nesses casos, os sistemas de inspeção precisam ser sensíveis não apenas às variações normais e esperadas na aparência do produto ou do lote, mas também à maneira como as embalagens mudam na aparência devido às mudanças no contraste do local a partir da iluminação não uniforme.

No caso de alimentos e bebidas em multi-packs e de produtos de consumo, onde as mesmas embalagens podem ser preparadas de forma diferente em seus carregadores, o sistema de inspeção precisa reconhecer instantaneamente que as diferenças sutis na embalagem que podem ser difíceis de detectar sob certas luzes resultam em duas classes distintas de pacotes.

Por exemplo, dois pacotes idênticos de quatro rolos de papel higiênico etiquetados com o mesmo código de barras podem ser colocados de maneira diferente em seus carregadores; alguns pacotes de quatro podem se encaixar individualmente, enquanto outros são embalados com pacotes adicionais para envio. Conseguir que um sistema de inspeção por sistema de visão detecte essa diferença sutil envolveria programação com critérios de seleção extensivos e algoritmos de detecção cuidadosamente ajustados e otimizados.

A análise de imagem baseada em deep learning, em vez disso, depende de uma abordagem semelhante à humana para aprender a distinguir entre as duas classes diferentes de pacotes. Com base nas imagens etiquetadas de ambas as classes de embalagens, o sistema é capaz de perceber que a embalagem adicional é o que as distingue e classifica-as de acordo.

Classificação do Deep Learning para o Setor de Ciências da Vida

As células cancerosas apresentam formas variáveis e imprevisíveis. Na verdade, os vários tamanhos e formas de um único tipo de célula cancerosa diferem mais do que compartilham quaisquer características comuns. Pode ser quase impossível para um patologista identificar do que é feita uma célula de câncer de mama. O velho ditado que diz que a pessoa reconhece quando vê é frustrantemente real quando se trata de patologia celular.

As ferramentas de detecção de defeitos baseadas em deep learning superam esse obstáculo ao aprender as várias e inúmeras formas de uma célula cancerosa e são capazes de sinalizar com precisão todas aquelas que parecem anômalas, ao mesmo tempo em que mantêm em mente as variações naturais e normais de uma célula saudável. Mas quando se trata de avaliar o grau de diferenciação de uma célula, uma ferramenta baseada em deep learning consegue classificar todas as imagens anômalas de acordo com morfologias específicas. Esta é uma tarefa que os sistemas de visão não conseguem realizar devido às limitações inerentes à programação.

Por exemplo, as células do câncer de próstata são classificadas de acordo com a pontuação de Gleason ou de acordo com o grau de estrutura glandular, em uma escala de 1-5. 1 é uniforme e 5 é irregular e distinto. Uma ferramenta baseada em deep learning consegue ajudar a automatizar a inspeção incorporando um modelo de como os tecidos celulares classificados de 1 a 5 se parecem com base em seu grau de diferenciação glandular e, com base nessa aparência, uma ferramenta de classificação pode avaliar todas as amostras de acordo. Uma ferramenta como o Deep Learning da Cognex consegue fazer isso mesmo quando o cenário envolve variações, focando em diversas regiões de interesse em uma única imagem.

Quando se trata de classificação, as classes podem variar por tipo de defeito, tamanho, forma, cor e várias morfologias exclusivas para cada setor industrial. O software de análise de imagens industriais baseado em deep learning consegue não apenas aumentar as inspeções automatizadas dos fabricantes, mas também fazer o que antes era impossível: classificar, avaliar e selecionar sem programação. Isso torna possível finalmente automatizar as inspeções que envolvem a diferenciação entre produtos visualmente semelhantes, mas diferentes, ao mesmo tempo que tolera grandes variações dentro da mesma classe, bem como distingue entre anomalias toleráveis e defeitos reais.

Soluções baseadas em deep learning, como o Deep Learning da Cognex, expandem o poder dos sistemas de visão tradicionais para não apenas inspecionar, mas também avaliar e classificar as peças por suas características visuais, ajudando a acelerar a montagem e detectar erros de produção antes que afetem a qualidade e o rendimento.