Como o In-Sight 2800 Simplifica a Automação de Visão
O In-Sight 2800 combina o que há de melhor em aprendizagem de máquina e visão tradicional baseada em regras em um sistema de visão totalmente integrado. Utilizando algoritmos previamente testados, o In-Sight 2800 pode ser implementado com rapidez e facilidade em qualquer ambiente industrial para automatizar a detecção de erros.
O sistema é projetado para ser usado por engenheiros de produção e automação para solucionar problemas desafiadores de automação industrial, sem exigir conhecimento de deep learning ou de sistemas de visão. Um engenheiro pode ligar o In-Sight 2800 e, em questão de minutos, o sistema é capaz de reconhecer e classificar defeitos. Diferentemente de outros sistemas de visão, isso é possível com um número ilimitado de classes e, portanto, é capaz de realizar tarefas ainda mais avançadas de categorização e classificação.
O In-Sight 2800 permite que fabricantes de qualquer porte agilizem a integração, cumpram com exatidão exigências de aplicação e alcancem maior qualidade de produtos com:
- Grande facilidade de uso
- Funcionalidade em várias classes
- Recurso de várias regiões de interesse
1. A grande facilidade de uso se adapta a todos os níveis de habilidade e agiliza a implementação
Sistemas de visão e deep learning são conhecidos por sua extrema capacidade, mas também por ser difícil implementá-los com eficácia. No entanto, avanços recentes na tecnologia de automação industrial, como o In-Sight 2800, resultaram na criação de um conjunto de ferramentas que se tornaram mais fáceis de usar do que nunca.
O In-Sight 2800 é projetado para ser configurado com simplicidade, sem precisar de programação avançada. Treinar o sistema para solucionar problemas é parecido com treinar um novo funcionário atento na linha de produção. O engenheiro mostra exemplos com as diferenciações que precisam ser feitas, e o edge learning embutido consegue fazer as mesmas distinções rapidamente.
O edge learning é um subconjunto de deep learning no qual o processamento ocorre diretamente no dispositivo usando um conjunto de algoritmos testados previamente. A tecnologia é simples de configurar, exige menos tempo e menos imagens para realizar o treinamento em comparação com soluções tradicionais baseadas em deep learning. Com soluções tradicionais, a automatização de muitas aplicações de classificação pode levar dias ou semanas, e requer centenas de imagens e horas de análise realizadas por especialistas com experiência em sistemas de visão e deep learning. Em contrapartida, a implementação de ferramentas de edge learning do In-Sight 2800 é feita em minutos, requer algumas imagens de treinamento e a atenção de um engenheiro que entende o problema que precisa solucionar, mas que não tem necessariamente o conhecimento específico sobre sistemas de visão ou deep learning.
2. A funcionalidade de várias classes abrange uma ampla variedade de tarefas
Uma competência essencial do deep learning é a habilidade de separar as peças em categorias com rapidez e confiabilidade após o treinamento dessas peças em imagens rotuladas nas categorias designadas. Uma aplicação comum dessa função é a classificação de peças aceitáveis e inaceitáveis como OK/NG.
Os usuários treinam as ferramentas de classificação de deep learning por meio do fornecimento de imagens de peças aceitáveis e inaceitáveis. Não é necessário marcar ou definir o que é uma peça inaceitável. Em vez disso, a própria ferramenta pondera quais variações são significativas em uma peça para fazer uma determinação, enquanto ignora variações que não afetam a classificação. As ferramentas de deep learning, integradas ao In-Sight 2800, também conseguem realizar classificações muito mais complexas do que uma decisão binária OK/NG.
Com o aumento da customização em massa, os fabricantes costumam armazenar muitas variações de cada peça. Por exemplo, rodas de automóveis de luxo podem ter dezenas de modelos com sutis diferenças de padrão, cor e acabamento. Um inspetor humano pode levar até um minuto para fazer essas diferenciações. O tempo necessário para concluir essa atividade é justificado pelas possíveis consequências da não realização, como a instalação de uma roda diferente do pedido, o que pode resultar em um cliente insatisfeito e perda de negócios no futuro.
Depois de ser treinada com apenas alguns exemplos do design de cada roda de luxo, a ferramenta de deep learning pode escolher de modo confiável a roda certa, ou confirmar o estilo especificado que está sendo instalado no veículo. O recurso de definir as várias classificações fornece a capacidade de solucionar uma quantidade muito maior de problemas de automação industrial.
3. A funcionalidade de várias regiões de interesse (regions of interest, ROIs) se concentra nos recursos essenciais
Para refinar uma aplicação de inspeção, um engenheiro de produção pode usar seu conhecimento de quais são as áreas variáveis significativas na peça para definir áreas de foco específicas, chamadas de regiões de interesse (ROIs). Por meio de uma interface intuitiva, a configuração de aplicações no In-Sight 2800 é simples, com o uso de ferramentas conhecidas de clicar e arrastar. Arrastar uma vez define a caixa; ao arrastar uma segunda vez, ela é movida. A caixa pode ser bloqueada para características invariáveis da peça.
A definição de ROI é uma parte padrão dos sistemas de visão, mas seu uso exige certo conhecimento. O In-Sight 2800 facilita a aplicação por quem não tem experiência específica em ferramentas de visão. O poder de suas ferramentas de visão significa que qualquer quantidade dessas ROIs pode ser definida, e cada uma delas pode identificar qualquer quantidade de classes.
Isso simplifica a verificação de montagem em instalações complexas com muitas configurações diferentes e peças variáveis, como placas de circuito impresso (printed circuit boards, PCBs). Esses problemas exigiam enorme quantidade de trabalho para decidir quais recursos deveriam ser verificados para confirmar que a peça certa havia sido instalada e, depois, programar o sistema de visão para avaliar esses recursos. As ferramentas de edge learning do In-Sight fazem essas determinações de modo autônomo, o que significa que o engenheiro pode se concentrar em atividades de maior valor agregado, como a otimização de suas operações.
Aprendizagem de máquina fácil de usar com flexibilidade incomparável
Desenvolvidas com base em anos de experiência em automação industrial, o foco das ferramentas de visão da Cognex são as exigências de operações das linhas de produção. A vantagem dessa tecnologia aprimorada se torna ainda mais clara à medida que os erros ficam mais sutis e difíceis de detectar.
Por exemplo, uma máquina tampadora giratória pode rosquear incorretamente, danificar ou deixar uma lacuna ao tentar tampar uma garrafa. Muitos sistemas podem detectar facilmente erros grandes e visíveis. A diferença surge quando a lacuna é quase imperceptível. Outros sistemas podem deixar passar esse tipo de erro, o que pode causar vazamentos ou contaminação. O In-Sight 2800, com sua combinação de edge learning e ferramentas de visão industrial dedicadas, classificam esses erros quase invisíveis como inaceitáveis.
Fácil de usar, treinável com algumas imagens, capaz de realizar operações de várias ROIs de múltiplas classes, o sistema de visão In-Sight 2800 está transformando a automação industrial.
