Como a Detecção de Defeitos com Deep Learning Automatiza Inspeções para o Setor Automotivo e Outros

deep learning defect detection

O deep learning é ideal para detectar defeitos estéticos e outras anomalias indesejadas em aplicações de automação de fábrica marcadas por sua complexidade natural e alto grau de variabilidade, especialmente em meio a cenários não estruturados. Cenários de plano de fundo com padrões complexos ou alto grau de variação de posição podem confundir um sistema de visão de inspeção tradicional. A variabilidade natural entre as peças pode ser difícil de prever. E, claro, mesmo um plano de fundo consistente pode variar drasticamente em sua aparência visual devido à natureza elástica, flexível e propensa a deformação do material. Esta é uma preocupação especial no caso de plásticos e tecidos.

Quando os tipos de defeitos são complexos e exibem muitas variações de posição, isso pode impedir os fabricantes de usar métodos de inspeção mais tradicionais porque a programação é muito extensa, complicada e tediosa. A detecção de defeitos em que a aparência visual varia, seja devido à imagem (brilho) ou à natureza mutável e deformável do material (por exemplo, em tecido), e em que os defeitos aparecem em muitas formas e tipos diferentes torna a busca explícita muito difícil.

Nessas circunstâncias, os fabricantes podem usar o deep learning para identificar todos os componentes que se desviam da aparência normal e exibem defeitos. Ou, em situações em que alguns defeitos são causa de rejeição e outros não, um engenheiro de treinamento pode treinar o modelo de referência em imagens marcadas como boa e ruim para capturar tipos específicos de defeitos, ainda tolerando a variabilidade natural.

Em ambos os casos, a abordagem é simples e direta e não requer experiência em visão. Um engenheiro de aplicação de inspeção simplesmente coleta e alimenta o sistema com um conjunto representativo de imagens de treinamento. A partir daí, a solução de deep learning usa inteligência semelhante à humana para desenvolver seu modelo de referência, que o engenheiro consegue validar e refinar com imagens adicionais conforme necessário até que a tomada de decisão do modelo esteja no mesmo nível dos melhores inspetores humanos. Em seguida, o sistema consegue analisar as imagens de inspeção de forma precisa e repetitiva durante o tempo de execução para detectar anomalias e defeitos estéticos.

Nos exemplos a seguir, exploraremos a proposta de valor da ferramenta de detecção de defeitos de Deep Learning da Cognex nos setores automotivo, de produtos eletrônicos, de embalagens e de ciências da vida.

Detecção de Defeitos para o Setor Automotivo

As peças automotivas têm muitas superfícies desafiadoras. Algumas das coisas que mais confundem um sistema de detecção automatizado são as superfícies metálicas que podem ser bastante texturizadas, ásperas e porosas e os tecidos usados em assentos internos e airbags.

detecção de defeitos no setor automotivo

Os tecidos têm uma variabilidade natural na espessura do fio, na textura e na padronagem. Para uma inspeção do airbag, é essencial detectar quaisquer defeitos na costura e nas emendas, que podem ter um impacto catastrófico em sua implementação. O desafio é duplo. Primeiro, o tecido natural é complexo e sua aparência pode mudar dependendo de como é esticado ou capturado pela luz. Em segundo lugar, e mais problemático, está o grande número de pontos ou defeitos de emenda; buscar explicitamente cada um é tedioso e quase impossível de capturar em um algoritmo baseado em regras. Portanto, torna-se útil para um sistema de inspeção identificar defeitos potenciais ao treinar sem supervisão na aparência normal de um tecido de airbag.

Usando redes neurais, uma ferramenta baseada em deep learning consegue conceituar e generalizar a natureza mutável do tecido para identificar todas as apresentações anômalas enquanto se mantém estável para variações naturais no padrão de tecelagem, propriedades do fio, cores e outras imperfeições toleráveis. Quaisquer anomalias que divergem dessas variações naturais, como pontos inesperados, flutuações na trama, laços na urdidura ou trama, protuberâncias ou buracos são sinalizados pelo sistema como defeituosos. Desta forma, o tecido pode ser inspecionado sem qualquer biblioteca de defeitos predefinida. Essa abordagem inovadora baseada em deep learning traz desempenhos de inspeção visual humana ao controle automático de qualidade para tecidos automotivos.

Detecção de Defeitos para o Setor de Produtos Eletrônicos

Além da fabricação de telas OLED, em nenhum outro lugar do setor de eletrônicos o rigoroso gerenciamento de qualidade e a detecção de defeitos são mais críticos do que em semicondutores. Assim como pinos arranhados, torcidos, tortos ou ausentes são causas automáticas de rejeição, o mesmo ocorre com as falhas mais superficiais que interferem nas tolerâncias de erro extremamente estreitas de um chip.

detecção de defeitos no setor de produtos eletrônicos

Ainda assim, é ineficiente programar tantos tipos de defeitos explícitos em um algoritmo de visão baseado em regras. Quando essencialmente cada falha conta como uma anomalia funcional, é mais simples ensinar ao sistema de inspeção qual é a aparência de um chip semicondutor ou cabo de circuito integrado (CI) perfeito do que sinalizar todos os chips ou cabos divergentes como defeituosos. Esta é uma tarefa perfeita para uma ferramenta de inspeção baseada em deep learning operando no modo não supervisionado. Neste modo, as redes neurais do software conceituam e generalizam a aparência normal de um chip incluindo quaisquer variações percebidas devido a planos de fundo de metal brilhantes para sinalizar aqueles com componentes ausentes, quebrados ou desgastados como defeituosos.

O benefício para os fabricantes é imediato: Não há necessidade de um especialista em visão ou desenvolvedor de aplicação, nenhuma programação de defeitos imprevisíveis, além de taxas mais altas de detecção de defeitos e rendimentos subsequentes.

Detecção de Defeitos para o Setor de Embalagem

A identificação de defeitos estéticos como arranhões e amassados em um plano de fundo confuso não se limita a superfícies de metal. Nos setores de alimentos e bebidas e de produtos de consumo, as embalagens têm tanta probabilidade de ser feitas de plástico brilhante ou materiais cerâmicos brilhantes quanto de folha de metal. No entanto, essas superfícies apresentam os mesmos problemas de reflexão e brilho especular. Nessas condições, pode ser difícil para os sistemas de visão tradicionais avaliarem pequenas diferenças entre as imagens.

detecção de defeitos na embalagem

Felizmente, uma rede neural baseada em deep learning é projetada para ver além do brilho. É também a melhor maneira de enxergar além das imperfeições normais da superfície e detectar defeitos reais. No caso de potes de cerâmica de creme facial, as diferenças inerentes entre os potes nem sempre são causa imediata de rejeição. Anomalias funcionais, que afetam a utilidade de um pote, quase sempre são causa de rejeição, enquanto anomalias estéticas podem ou não ser, dependendo das necessidades e preferências do fabricante.

O Deep Learning da Cognex combina as vantagens da inspeção por sistemas de visão e a inspeção humana de uma maneira econômica e fácil de implementar. Para fazer isso, um engenheiro de aplicação ou de qualidade treina o software baseado em deep learning em um conjunto representativo de imagens de pote de cerâmica boa e ruim. Um pote ruim pode ser aquele com amassados profundos ou arranhões longos, por exemplo. Com base nessas imagens, o software aprende a forma natural e a textura de superfície das superfícies fundidas de cerâmica e, embora tolere variações naturais na apresentação que podem ser devido à iluminação, sinaliza imagens que estão fora da faixa aceitável.

Dessa forma, o Deep Learning da Cognex oferece uma solução eficaz de detecção de defeitos para embalagens, combinando a capacidade humana de avaliar pequenas variações com a confiabilidade, consistência e velocidade de um sistema de computador automatizado.

Detecção de Defeitos para o Setor de Ciências da Vida

O papel do radiologista atual está mudando rapidamente graças ao diagnóstico auxiliado por computador (CAD). A pesquisa de anormalidades biológicas, como tumores, tradicionalmente exige julgamento humano. A localização pode variar muito, assim como a apresentação. Às vezes, um radiologista pode estar menos interessado em identificar uma anormalidade específica do que um pequeno desvio, ainda que leve, da aparência normal e saudável do corpo.

detecção de defeitos nas ciências da vida

Os seres humanos estão incrivelmente bem posicionados para revisar um resultado de raio-x ou de ressonância magnética e capturar qualquer um desses cenários, uma vez que conseguem naturalmente formar modelos do que as diferentes apresentações podem ser e diferenciar entre normal ou anômalo. Mas os radiologistas têm um limite superior para sua produtividade. Também é possível para o radiologista mais experiente encontrar uma imagem com uma característica desconhecida e que foge à sua experiência. Mas, o risco de perder um tumor em potencial ou de fazer um diagnóstico incorreto é muito grande.

Nesse caso, o poder do big data pode ser utilizado. Uma ferramenta de software baseada em deep learning consegue localizar a região de interesse, como um determinado órgão ou uma vértebra específica, mesmo quando o plano de fundo é confuso e pouco contrastado. Usando um conjunto de imagens de treinamento etiquetadas, o algoritmo de IA consegue desenvolver um modelo de referência da aparência normal do órgão, incluindo uma série de variações. Com base nas imagens de exemplo etiquetadas como boa e ruim, o sistema de inspeção de deep learning consegue aprender a considerar se uma imagem é anômala ou normal. Desta forma, o modelo de referência é capaz de sinalizar quaisquer regiões com anormalidades biológicas que se desviem da fisiologia normal e saudável para futura consideração por um radiologista, se necessário.

Os fabricantes contam com a ferramenta de detecção de defeitos de Deep Learning da Cognex para detectar anomalias e defeitos estéticos em todos os tipos de superfícies, incluindo papel, vidro, plástico, cerâmica e metal. Quer sejam arranhões, amassados, erros de impressão ou erros de alinhamento, o Deep Learning da Cognex pode identificá-los simplesmente aprendendo a aparência normal de um objeto, bem como suas variações naturais e toleráveis. Para grandes superfícies, a ferramenta de detecção de defeitos também consegue segmentar regiões de interesse específicas para localizar defeitos, aprendendo a aparência variável do alvo.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex