Identifique Vários Componentes ou Configurações de Peças com Ferramentas de Verificação de Montagem do Deep Learning

Avanços incríveis foram feitos nos sistemas de visão, de modo que algoritmos avançados podem distinguir entre peças visualmente semelhantes pelos mais sutis recursos ou marcações. Há uma compensação natural entre a especificidade e a precisão das inspeções e os investimentos iniciais em programação e treinamento. Desenvolver regras lineares para ensinar um computador a distinguir entre centenas ou milhares de variações possíveis em uma única peça é, sem surpresa, incrivelmente demorado.

E ainda assim, a abordagem não é necessariamente infalível.

Cenários não estruturados e/ou altamente complexos que exibem padrões contrastados e brilho especular podem simplesmente se tornar muito difíceis de programar, especialmente para aplicações de verificação de montagem que precisam identificar um grande número de componentes que podem variar de peça para peça e aparecem em várias configurações. Mesmo quando as peças são consistentes e bem fabricadas, as inspeções de verificação de montagem continuam sendo as mais difíceis de automatizar. Isso ocorre porque, embora os sistemas de visão sejam capazes de tolerar alguma variabilidade na aparência de uma peça devido à escala, rotação ou distorção de posicionamento, condições como texturas de superfície confusas e complexas e pouca iluminação representam desafios muito sérios. Os sistemas de visão têm dificuldade para contabilizar a variabilidade e o desvio entre peças muito semelhantes visualmente.

Quando montagem ou submontagem contém muitos desvios e variações, a carga sobre o sistema se intensifica até que uma avaliação de todas essas diferenças se torne muito difícil de programar ou contabilizar. Transferir essas inspeções para inspetores humanos é ineficiente, não escalonável e ainda pode resultar em erro devido à fadiga e predisposições variadas de inspetor para inspetor.

As ferramentas de análise de imagem baseada em deep learning são uma alternativa para automatizar as inspeções de verificação de montagem mais difíceis.

Verificação da Montagem para o Setor Automotivo

Muitos objetos e cenários no setor automotivo são imprevisíveis e apresentam-se de maneira diferente para a câmera durante os vários estágios da montagem. A montagem final é um processo de verificação notoriamente complicado para carros acabados. Isso ocorre porque esse processo desafia a filtragem passo a passo e os algoritmos baseados em regras que definem o desenvolvimento tradicional dos sistemas de visão.

À medida que as bibliotecas de defeitos crescem e as alterações de configuração se expandem, torna-se muito difícil manter esses algoritmos. A verificação final da montagem testa os próprios limites da programação, pois envolve múltiplas variáveis de mudança como iluminação, cor, curvatura e campo de visão que podem ser muito difíceis para um computador e uma câmera isolarem. É por isso que, tradicionalmente, os inspetores humanos continuam a realizar verificações externas na fase final da montagem de um carro. Embora eles possam ser qualificados para identificar uma variedade de peças e características conforme os diferentes modelos de carros avançam na linha sob as mudanças nas condições de iluminação, os inspetores humanos ainda podem ser inconsistentes.

Em vez disso, o software de deep learning consegue construir de forma confiável uma biblioteca de características referenciáveis desde as cores e componentes mencionados até localizá-los e identificá-los em uma foto de um automóvel totalmente montado. A partir daqui, é fácil automatizar a verificação final da montagem adicionando um recurso adicional: uma vez que os componentes tenham sido localizados e identificados, o software pode fornecer um resultado aprovado ou reprovado.

Verificação da Montagem para o Setor de Produtos Eletrônicos

Os fabricantes de produtos eletrônicos estão adotando o deep learning para a tomada de decisão altamente baseada em julgamentos necessária em sua aplicação de verificação de montagem. É muito demorado treinar um sistema de inspeção para detectar e verificar a presença e a colocação correta de vários componentes. As inspeções envolvendo imagens com muitos componentes minúsculos próximos ou em contato uns com os outros podem ser quase impossíveis ou muito complexas para resolver com os sistemas de visão tradicionais.

Uma peça de hardware eletrônico sendo montada, como uma caixa de fusíveis, deve ser inspecionada quanto a quaisquer defeitos, contaminantes, falhas funcionais ou outras irregularidades que possam impedir o desempenho ou comprometer a segurança. Esses erros precisam ser detectados antes que a caixa de fusíveis seja montada em um dispositivo ou enviada aos clientes. Felizmente, o software baseado em deep learning é otimizado para funcionar sob essas condições confusas, incluindo quando as imagens têm baixo contraste ou são mal capturadas.

Para verificar a montagem completa da caixa de fusíveis, a ferramenta de deep learning primeiro aprende a identificar os muitos componentes eletrônicos com base em imagens etiquetadas com as localizações de cada tipo de peça. A partir daí, as redes neurais da ferramenta constroem um modelo de referência de cada componente: isso inclui seu tamanho normal, formato e características de superfície, bem como sua localização geral na caixa. Durante o tempo de execução, a ferramenta segmenta todas as áreas da caixa contendo componentes para identificar corretamente se os componentes estão presentes ou ausentes e se são do tipo correto.

Verificação da Montagem para o Setor de Embalagem

Considere a tarefa de verificar a montagem correta de uma refeição congelada embalada. A embalagem de várias bandejas de alimentos pode parecer semelhante por fora, mas contém uma mistura diferente de produtos por dentro. Por outro lado, os mesmos componentes alimentares podem estar presentes em todas as embalagens, mas seu layout ou tamanho das porções podem mudar.

O número de componentes de alimentos e várias configurações e layouts são difíceis e demorados de programar usando os sistemas de visão tradicionais, especialmente porque é difícil localizar e identificar automaticamente várias características em uma única imagem usando apenas uma ferramenta. Os cenários altamente complexos envolvidos em qualquer aplicação de verificação da montagem de embalagem final podem ser muito difíceis de controlar conforme as exceções e bibliotecas de defeitos aumentam.

A análise de imagem baseada em deep learning torna simples verificar se uma bandeja de alimento está montada corretamente, aprendendo não apenas a aparência ligeiramente variável de cada componente alimentício, mas também os layouts aceitáveis. Uma vez treinado quanto à aparência normal de componentes individuais, o software constrói um banco de dados completo dos vários alimentos a serem localizados. Durante o tempo de execução, a imagem de inspeção pode ser dividida em diferentes regiões para que o software possa verificar a presença de alimentos e verificar se são do tipo correto.

Para situações em que os layouts de embalagem variam, o software é flexível o suficiente para permitir que o usuário treine várias configurações. Conforme as configurações mudam, o software de deep learning pode ser ajustado para continuar identificando cada componente individual e confirmar se é do tipo correto. Desta forma, um usuário consegue automatizar a verificação de uma bandeja de comida embalada ou refeição congelada usando apenas uma ferramenta.

Verificação da Montagem para o Setor de Produtos Eletrônicos de Consumo

Durante a montagem de painéis ou módulos de dispositivos móveis, não é novidade que materiais estranhos, como parafusos soltos, caiam no invólucro de um módulo vizinho na linha. É fundamental detectar quaisquer inclusões para que não causem obstrução ou danos durante a montagem final. Os detritos normalmente são varações pequenas e suaves na aparência sejam devido a contrastes sutis de iluminação, mudanças na orientação ou brilho metálico que podem confundir um sistema de inspeção automatizado.

Ao mesmo tempo, esses tipos de condições também podem tornar difícil para o sistema de inspeção saber se os componentes esperados estão em seus invólucros corretos. Finalmente, os painéis de dispositivos móveis contêm muitas peças juntas, o que pode ser difícil para um sistema de inspeção distinguir como componentes independentes.

Programar todas essas variáveis em um algoritmo baseado em regras é demorado, sujeito a erros e difícil de manter em campo. Felizmente, o software de análise de imagem baseado em deep learning consegue aprender a aparência correta do acabamento dos muitos componentes do painel ou módulo, a fim de identificar peças posicionadas incorretamente, como parafusos. Ao treinar em imagens ruins de um módulo onde existem detritos ou faltam componentes, bem como em imagens conhecidas boas onde o módulo é montado corretamente, uma ferramenta como o Deep Learning da Cognex cria um modelo de referência de um painel de dispositivo móvel que prospera sob condições desafiadoras e é capaz de identificar quaisquer painéis defeituosos com a mesma confiabilidade de um inspetor humano, mas com a velocidade e segurança de um sistema automatizado.

Tradicionalmente, as aplicações de verificação de montagem foram relegadas a inspetores humanos. No entanto, em linhas de produção que precisam inspecionar centenas ou milhares de peças por minuto de maneira confiável e repetida, os recursos de inspeção humanos são insuficientes. Ferramentas baseadas em deep learning agora são capazes de preencher esse vazio.

O Deep Learning da Cognex é treinado em imagens etiquetadas sem necessidade de desenvolvimento de software para localizar e identificar corretamente peças que variam em tamanho, formato e características de superfície. Uma vez que esse obstáculo é superado, confirmar se os componentes corretos estão presentes e organizados no layout ou configuração certa torna-se fácil e, ao contrário da visão tradicional, não requer construção de lógica adicional.