Como a tecnologia Deep Learning Difere da Visão Industrial Tradicional

cognex deep learning banner

Em um nível fundamental, os sistemas de visão industrial dependem de sensores digitais protegidos dentro das câmeras industriais com óptica especializada para adquirir imagens. Em seguida, essas imagens são enviadas a um PC para que um software especializado possa processar, analisar e calcular várias características para as tomadas de decisão.

Esses sistemas, no entanto, são muito rígidos e limitados na sua aplicação dentro de um ambiente de automação de fábrica. Os sistemas de visão industrial funcionam de forma confiável com peças consistentes e bem fabricadas. Eles operam por meio de filtragem passo a passo e algoritmos baseados em regras que são mais econômicos do que a inspeção humana.

Em uma linha de produção, um sistema de visão industrial baseado em regras pode inspecionar centenas ou até milhares de peças por minuto. Mas a produção desses dados visuais ainda é baseada em uma abordagem programática baseada em regras para solucionar problemas de inspeção, o que torna a visão industrial ótima para:

  • Orientação: Localizar a posição e orientação de uma peça, compará-la a uma tolerância específica e garantir que esteja no ângulo correto para verificar a montagem adequada. Pode ser usada para localizar características fundamentais em uma peça para outras ferramentas de visão industrial.
  • Identificação: Ler códigos de barras (1D), códigos de matriz de dados (2D), com marcação direta na peça (DPM) e caracteres impressos em peças, etiquetas e pacotes. Também identificar itens com base em cor, forma ou tamanho.
  • Medição: Calcular as distâncias entre dois ou mais pontos ou localizações geométricas sobre um objeto e determina se essas medições atendem às especificações.
  • Inspeção: Encontrar falhas ou outras irregularidades em produtos, como aqueles com rótulos corretamente colocados ou que tenham anéis de segurança, tampas, etc.

A tecnologia deep learning utiliza uma abordagem baseada em exemplos no lugar de uma abordagem baseada em regras para solucionar determinados desafios na automação da fábrica. Através do uso de redes neurais para ensinar a um computador o que é uma boa imagem com base em um conjunto de exemplos qualificados, a tecnologia deep learning será capaz de analisar defeitos, localizar e classificar objetos e ler marcações impressas, por exemplo.

Nas condições reais, isso significa que uma empresa pode estar tentando inspecionar telas de um produto eletrônico em busca de arranhões, lascas ou outros defeitos. Esses defeitos terão diferentes tamanhos, extensões, localizações ou estarão em telas com diferentes fundos. Com a tecnologia deep learning, será possível diferenciar entre uma peça em boas condições e uma com defeito, tendo em consideração as variações já esperadas. Além disso, configurar a rede para um novo alvo, como um tipo diferente de tela, é tão fácil quanto tirar um novo conjunto de imagens de referência.

deeplearningcellphone 

Isso torna a tecnologia deep learning especialmente hábil em:

  • Resolver aplicações visuais muito difíceis de serem programadas com sistemas baseados em regras
  • Lidar com planos de fundo e variações na aparência das peças
  • Manter aplicações e as reconfigurar com novos dados de imagem dentro da própria fábrica
  • Adaptar-se a novos exemplos sem que seja necessário reprogramar as redes centrais

A tecnologia deep learning está sendo usada em aplicações nas quais a inspeção era realizada manualmente, como a verificação da montagem final. Essas tarefas já foram consideradas muito difíceis de automatizar. Com uma ferramenta como a tecnologia deep learning, tais tarefas hoje podem ser feitas com um sistemas de visão de maneira mais consistente, confiável e rápida dentro da linha de produção.

Os seres humanos são bons para categorizar coisas diferentes porém semelhantes. Podemos entender em poucos segundos a variação entre um determinado conjunto de objetos. Nesse sentido, as ferramentas com tecnologia deep learning combinam os benefícios da inteligência evolutiva humana com a consistência, repetibilidade e escalabilidade da tradicional visão industrial baseada em regras.

Entender essas diferenças será fundamental para qualquer empresa que embarque em uma jornada de automação de fábrica. Porque essas diferenças são fundamentais para determinar quando faz sentido utilizar um ou outro em uma aplicação de automação da fábrica.

Enquanto os sistemas de visão industrial tradicionais têm desempenho confiável e consistente, os algoritmos tornam-se difíceis de programar à medida que as exceções e as bibliotecas de defeitos aumentam. Em outras palavras, em determinado ponto, algumas aplicações necessárias para a automação da fábrica não terão o melhor desempenho utilizando a visão industrial baseada em regras.

As texturas de superfície complexas e as variações na aparência das peças introduzem sérios desafios de inspeção. Os sistemas de visão industrial baseados em regras têm dificuldade para distinguir as variações e divergências entre peças visualmente muito semelhantes. Anomalias “funcionais”, que afetam a utilidade de uma peça são quase sempre motivo de rejeição, enquanto anomalias cosméticas podem não ser, dependendo das necessidades e preferências do fabricante. De forma mais problemática, é muito difícil para um sistema de visão industrial tradicional distinguir esses defeitos.

Certas inspeções de visão industrial tradicionais, como a detecção de defeitos, são notoriamente difíceis de programar devido às diversas variáveis que podem ser difíceis de isolar, como: iluminação, alterações na cor, curvatura ou campo de visão (FOV).

Isso não é um problema em si, mas é problemático quando as empresas tentam solucionar as aplicações com visão industrial quando existem ferramentas mais adequadas disponíveis. Enquanto os sistemas de visão industrial tradicionais têm desempenho confiável e consistente, as aplicações tornam-se difíceis de programar à medida que as exceções e as bibliotecas de defeitos aumentam. Em outras palavras, em determinado ponto, algumas aplicações necessárias para a automação da fábrica não terão o melhor desempenho utilizando a visão industrial baseada em regras.

deeplearningchart

Entender essas diferenças será vital para qualquer empresa que embarque em uma jornada de automação de fábrica. Porque essas diferenças são fundamentais para determinar quando faz sentido utilizar um ou outro em uma aplicação de automação da fábrica.

Enquanto a tecnologia deep learning está transformando a automação da fábrica como a conhecemos, ela continua sendo apenas outra ferramenta que os operadores podem usar para realizar seu trabalho. A visão industrial baseada em regras tradicional é uma ferramenta eficaz para tipos específicos de trabalhos. E, para aquelas situações complexas que precisam da visão como a dos humanos com a velocidade e confiabilidade de um computador, a deep learning vai mostrar ser uma opção verdadeiramente revolucionária.

Para saber mais sobre tecnologias deep learning para produção, baixe nosso eBook gratuito Deep Learning vs Visão Industrial.

Mais Publicações nos

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex