Iniciando o Projeto de Deep Learning na Fabricação - Parte 3: Otimização

cérebro em azul com conexões de rede em um fundo com seta-grande

Assim que a empresa identificar os objetivos, os dados obtidos e a confiabilidade para seu projeto de deep learning, as etapas seguintes envolvem a otimização do sistema de visão e da base de dados das imagens.

Durante essa fase, o inspetor humano e o sistema de visão classificam as peças de produção como boas ou ruins. Em seguida, um especialista interno analisa todas as peças sem classificação clara e as rotula corretamente. As peças ambíguas corrigidas mais as amostras das peças boas e ruins passam para a base de dados para melhorar o modelo de deep learning. Os desenvolvedores precisam se assegurar de adicionar ao conjunto de treinamento as imagens complicadas como, por exemplo, aquelas que mostram peças com defeitos incomuns ou reflexo de luz.

Aumente seus Dados

O software baseado em deep learning geralmente oferece conjuntos de treinamento e ferramentas para otimização, mas as equipes precisam realizar etapas adicionais como, por exemplo, a validação cruzada. Assim que dados suficientes forem adquiridos, a equipe deve usar as diferentes seções de um conjunto de dados para treinamento e validação em relação ao restante do conjunto. Não importa quais seções do conjunto de dados sejam escolhidas, as equipes devem assegurar-se de que os resultados sejam consistentes, porque se uma seção apresentar desempenho diferente das demais, poderá haver problemas de rotulagem ou alguns tipos de defeito poderão ser sub-representados.

Outra etapa envolve isolar cada variável-chave no processo de produção para a otimização dos compósitos. Assim, se existirem múltiplas linhas de fabricação, as equipes devem fazer imagens de cada linha e usá-las para treinamento, ao mesmo tempo em que também garantem que os dados e os resultados de cada linha sejam adequados. Além disso, se uma empresa tiver métodos de inspeção diferentes, as equipes devem otimizar as diferentes versões do produto e os tipos de defeito, seja através de convenções de nomenclatura de arquivo ou da estrutura da pasta de arquivos.

Você também precisa alimentar seus dados de treinamento com o maior número possível de imagens de peças com defeito. Por exemplo, se você tiver 500 imagens de peças boas e 282 imagens de peças ruins, use as imagens das peças ruins para treinar o sistema sobre o que procurar, de modo que ele trabalhe mais efetivamente durante a produção.

Lide com Diferentes Tipos de Defeitos 

No deep learning, há diversos modos para procurar defeitos nas imagens. Um sistema pode produzir uma medição com base em uma imagem completa para determinar se uma peça é boa ou ruim, ou pode usar uma abordagem baseada em defeitos que identifica falhas específicas nas peças. A última é útil quando uma etapa de classificação adicional é acrescentada para controle do processo, mas também pode exigir processamento secundário para mesclar ou separar defeitos. 

Alternativamente, o sistema de deep learning pode isolar pixels específicos em cada defeito de uma imagem e fornecer medições da área com defeito. Esse método geralmente também exige processamento de imagem secundário, com a manipulação das regiões com defeito para produzir um perímetro ou uma caixa delimitadora e também medir o defeito e classificá-lo como bom ou ruim. As aplicações individuais exigem abordagens diferentes, portanto, os desenvolvedores devem entender as métricas dos defeitos e como otimizá-las.

Entender os diferentes tipos de defeitos e configurar as especificações de qualidade também permite executar a otimização de ponta a ponta para melhorar ainda mais o modelo. Se a equipe especificar que um defeito acima de 10 mm2 ou quaisquer dois defeitos acima de 5 mm2 representam uma peça ruim, o sistema de deep learning não necessariamente fornece medições de pixel precisas. Nesses casos, uma ferramenta de análise de blob pode ajudar a obter medição mais precisa dos defeitos, permitindo que a equipe use essas imagens para refinar o modelo. Entretanto, se uma equipe planejar usar uma ferramenta blob para otimização e análise adicionais, o desenvolvedor na equipe deverá influenciar o sistema de deep learning para relatar até mesmo casos limítrofes como defeitos, para manter a segurança.

Detecção de defeitos com deep learning comparada à ferramenta de análise de blob

Ferramenta de segmentação deep learning (esquerda) e ferramenta de análise de blob (direita) utilizadas combinadas para aperfeiçoar a região de detecção de defeitos

Acompanhe as Métricas

As principais métricas do sistema de deep learning devem ser consideradas nesta fase. Nem todos na equipe precisam entender todos os aspectos do deep learning, mas o desenvolvedor precisa entender todas as métricas-chave e como otimizá-las. Os exemplos incluem a diferença entre sobrevalorização e subvalorização versus precisão e recall, pontuações F1 e estatísticas da área sob a curva (AUC).

Além disso, as equipes devem analisar as funções de custo, equilíbrio de custo da sucata (sobrevalorização) em relação ao custo das fugas (subvalorização) para determinar o valor de uma solução. Os desenvolvedores não devem se preocupar muito com as funções de custo ao configurar inicialmente um projeto de deep learning, mas sim orientar o projeto no sentido de obter pontuações F1 altas ao longo do tempo.

Na parte 4, analisaremos o teste de aceitação de fábrica. 

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex