Iniciando um Projeto de Deep Learning na Produção – Parte 1: Planejamento


Muitas fabricantes recorrem ao software de deep learning para complementar seus sistemas de inspeção existentes ou quando os algoritmos à base de regras falham. Por exemplo, quando um produto em si ou o número de defeitos potenciais em uma peça varia significativamente de uma peça para outra, um sistema pode lutar para definir programaticamente as peças como boas ou más.

O software de deep learning pode ajudar nesses cenários, mas a implementação bem-sucedida e os eventuais resultados dependem da execução de medidas necessárias de forma antecipada. Normalmente, os projetos de deep learning envolvem quatro passos: planejamento, coleta de dados e etiquetagem com a verdade absoluta, otimização e teste de aceitação de fábrica. Aqui vamos olhar o que está incluído no passo 1, a fase de planejamento.

Reúna uma equipe, identifique os objetivos

Se uma empresa decide implementar uma solução de deep learning, ela deve reunir uma equipe com partes interessadas diferentes para analisar o processo atual, definir novos objetivos e determinar se o deep learning pode ajudar a atingir esses objetivos. Essa equipe deve ser composta por gerenciamento de fábrica, automação, controle de qualidade e um integrador de sistemas/construtor de máquinas. Os objetivos devem ser bem definidos, consistentes e mutuamente acordados por todos da equipe. Eles podem incluir a redução de fugas de produtos com defeitos/inaceitáveis (underkill), controlar os custos na redução de sucata (overkill) ou de produtos ou peças com defeitos/inaceitáveis ou no fornecimento de recursos adicionais de classificação de defeito, além de uma determinação de bom vs ruim.

Se a equipe de colaboração decidir seguir em frente, um passo envolve a identificação de um projeto-piloto que possa ser usado para justificar o gasto de recursos para a gestão. Este projeto não deve envolver objetivos irreais. Ele deve ser um projeto que não seja muito fácil ou muito difícil, e que possa produzir retornos sólidos para permitir que a gestão saiba que futuras implementações com deep learning podem ser viáveis.

Escolhendo um Projeto, Seguindo em Frente

Para alguns fabricantes, uma solução de sistemas de visão pode ter produzido muitos falsos negativos ou falsos positivos, ou o sistema pode ter parado de funcionar bem devido às muitas variações do produto ou mudanças ambientais. Na inspeção de produtos eletrônicos automotivos, por exemplo, aplicações de soldagem por ponto terminal podem apresentar problemas para sistemas baseados em regras.

A soldagem por ponto terminal produz uma ampla variedade de tipos de soldas, incluindo prendedor, fio para pastilha e fio para fio, e estes criam uma projeção de metal 3D ligeiramente variável com superfícies refletivas. Quando um sistema de visão captura as imagens de solda por ponto terminal, as imagens geralmente contêm reflexos, sombras, regiões coloridas e textura de superfícies, mesmo com as peças ideais. Esses efeitos geralmente são semelhantes a defeitos reais como, por exemplo, rachaduras, arranhões, queimaduras e excesso ou ausência de soldas. Essas variações naturais criam problemas em sistemas de visão tradicionais devido à sua incapacidade de inspecionar soldas de maneira confiável e distinguir as peças boas das ruins.

Três imagens de soldas por ponto boas

Soldas por ponto mostrando variação natural recebem uma classificação boa correta do software com base na tecnologia deep learning

Solda por ponto com corrosão, solda por ponto subdimensionada, solda por ponto superdimensionada

Os defeitos de soldas por ponto com corrosão, subdimensionadas ou superdimensionadas recebem uma classificação ruim correta do software com base na tecnologia deep learning

Os sistemas de inspeção com base na tecnologia deep learning são treinados em conjuntos de dados, que são avaliados e etiquetados por especialistas internos. Isso ajuda o software a diferenciar entre peças boas e ruins e até mesmo a identificar o tipo de problema em um produto com defeito. Com esses recursos, o software de deep learning fornece uma alternativa viável à inspeção manual e testagem elétrica, além de passos onde os algoritmos à base de regras não podem ser executados.

Na parte 2, veremos a coleta de dados e a verdade absoluta.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex