Como Treinar a Tecnologia Edge Learning

Cérebro Grande da Tecnologia Edge learning

O treinamento da tecnologia edge learning é semelhante ao treinamento de um novo funcionário no setor. O que um usuário de edge learning precisa saber não é como sistemas de visão ou inteligência artificial (IA) funcionam, mas qual problema precisam resolver.
 
Se, por exemplo, o programa tem um objetivo simples, como classificar peças aceitáveis e não aceitáveis como OK (aprovado)/NG (reprovado), o usuário precisa saber quais peças são aceitáveis e quais não são. Nesse caso, a tecnologia edge learning é especialmente eficaz para determinar quais variações são significativas na peça e quais são puramente estéticas e não afetam sua funcionalidade.
 
A tecnologia edge learning não se limita à classificação binária. Se peças precisam ser classificadas em três ou quatro (ou mais categorias), isso pode ser implementado facilmente. Ela também é capaz de analisar múltiplas regiões de interesse (regions of interest, ROI) na imagem. E, é claro, múltiplas ROIs e múltiplas categorias podem ser manipuladas ao mesmo tempo, tornando essa tecnologia ao mesmo tempo extremamente eficiente e fácil de usar.
 
Assista um tutorial passo a passo sobre como treinar a tecnologia edge learning abaixo e veja como é possível obter benefícios com ela em sua próxima implementação de automação na fábrica.

Transcrição:

Olá, meu nome é Tyler Ducharme, sou especialista em marketing técnico e trabalho com a equipe de produtos In-Sight na Cognex. Hoje, gostaria de explicar como instalar uma aplicação utilizando o In-Sight 2800 com nossa nova ferramenta de classificação ViDi EL.

Em termos de instalação, tenho minha câmera inteligente In-Sight 2800, equipada com iluminação e lente integradas, conectada a uma fonte de alimentação de 24 volts. Com nossa nova ferramenta de classificação ViDi EL, combinada com a câmera inteligente In-Sight 2800, mostrarei como tornamos a visão em algo simples. Ok, então este é o software In-Sight Vision Suite que usamos para configurar nossas aplicações In-Sight. Como pode ver, já estou conectado à câmera inteligente In-Sight 2800. 

Primeiro, selecionaremos nossa fonte. Neste caso, utilizaremos apenas a própria câmera. Tudo o que precisamos fazer é configurar nossa iluminação e foco com dois cliques simples. Então, tudo que preciso fazer é clicar em “otimizar iluminação” para obter uma imagem clara e, em seguida, clicar em “foco” para obter nossa imagem e foco. O primeiro passo com o treinamento da ferramenta de classificação é definir a região de interesse que queremos inspecionar. Uma vez configurada a região, pressione Ok. E o que a ferramenta fará é mostrar as duas classes padrão OK e NG. A ferramenta automaticamente atribuirá a classificação OK à primeira imagem. A minha peça Ok está sob a câmera neste momento. Outra coisa que quero mencionar é o caso de não haver peça nenhuma. Nesse caso, a beleza da nossa ferramenta é que podemos adicionar mais uma classe com o nome de “sem peça”, por exemplo. Essa nova classe será treinada junto com as outras dentro do modelo. Vamos começar separando algumas imagens. Essa é a nossa peça boa. Posso mover um pouco a imagem, acionar a câmera, e essa ainda é uma peça boa. Então tudo que precisamos fazer é pressionar o botão OK e você verá que meu número de imagens vai aumentar aqui, e eu treinei essa imagem. O que você vai perceber é que temos esse anel verde dentro de um círculo amarelo. O círculo amarelo indica qual classe está sendo prevista e o anel verde é o nível de confiança. Neste caso, como acabei de treinar essa imagem, o nível de confiança é de 100%.

Vamos trazer algumas peças ruins e acionar a câmera. Ainda não treinamos peças ruins. A ferramenta está tendo dificuldades em prever a que classe essa peça pertence. Neste caso, ela não tem confiança em nenhuma das classes que temos até agora. Ao começarmos a treinar, verá que nossa confiança começará a aumentar para 88% e depois, por último, faremos a “sem peça”, que é bem simples. Pegue uma imagem com nenhuma peça, treine, e isso parece estar muito bom para mim. Quero falar sobre as medidas ideais do modelo. Usamos as medidas ideais do modelo para decidir quando nossa aplicação está pronta para ser implementada. Regra geral, acima de 80%, e estabilizando à medida que adiciona mais imagens, é uma boa regra geral para saber quando implementar sua aplicação. Ok, eu quero adicionar mais algumas imagens. Então, vou para esta janela “Editar Classes” e consigo importar para a pasta algumas imagens que obtive de antemão. Muito bom. Nós trouxemos um total de 10 imagens e agora você pode ver que todas elas possuem uma previsão com o anel verde. Então vamos selecionar todas elas. É muito, muito simples apenas classificar todas elas de uma vez. Tudo que temos que fazer é clicar e arrastar a imagem para a classe na qual queremos que ela seja treinada. Parece que está tudo certo. Novamente, apenas clicamos e arrastamos as imagens diretamente para a classe. Ok, vamos parar um pouco de editar classes, por enquanto. Como pode ver, nosso modelo agora possui 99% de confiança. Treinamos oito imagens como NG, duas imagens como “sem peça” e nove imagens como OK. Acho que essa aplicação está pronta para ser implementadaVamos testá-la, então. Vou colocar o dispositivo online. Não há nenhuma peça sob a câmera, no momento. Vamos colocar uma peça sob a câmera. Temos um OK. Pode ver que nosso nível de confiança está muito, muto alto. Pode girar a peça. Está ótimo. Vamos colocar uma NG sob a câmera, agora. Podemos girar a peça, movê-la. Está ótimo. Talvez adicionar algumas variações a mais. Novamente, estamos classificando de forma apropriada. Sim, e para mim está parecendo ótimo.

A última coisa que quero mostrar é como criar um display IHM de tempo de execução para usuários que podem estar no chão da fábrica monitorando o dispositivo. Então, vamos para a etapa de IHM e, felizmente para nós, muitas das informações que um usuário pode precisar já são mostradas por padrão. Temos a região de interesse onde estamos inspecionando a peça, a classe prevista na própria imagem, bem como nesta caixa cinza aqui. Mas digamos que o usuário queira saber quanta confiança a ferramenta tem em sua própria previsão. Tudo o que precisamos fazer é entrar neste menu suspenso. Temos todas essas propriedades diferentes da ferramenta. Você pode encontrar a pontuação de previsão da classe, que é a porcentagem. Podemos colocar essa informação no display. Depois podemos voltar online mostrando a peça OK. E agora temos a taxa de confiança de previsão de classe, também. Aqui está o NG. Muito bom. E eu acho que é basicamente isso para configurar o display IHM.

Para recapitular o tutorial de hoje, primeiro conectamos nosso dispositivo e o In-Sight Vision Suite. Depois, configuramos nossa imagem em dois cliques simples. Trouxemos nossa ferramenta de classificação ViDi EL e criamos três classes: OK, NG e “sem peça”. Pegamos várias imagens de cada tipo e atribuímos a classe apropriada para cada imagem. Depois que nosso modelo obteve 80% de taxa de previsão estável, colocamos para rodar na situação real para nos assegurarmos que as peças estavam sendo classificadas de forma correta.

Por último, criamos um display IHM muito simples, com a classe prevista à mostra, assim como a porcentagem de confiança. A partir daqui, poderíamos configurar nossa IHM com mais informações de outras ferramentas ou mais dados para ajudar usuários do chão de fábrica a monitorar o desempenho do dispositivo. Podemos, também, configurar comunicação para interface com CLPs da fábrica ou outros dispositivos no
chão da fábrica.

Obrigado novamente por assistir.

 

Mais publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex