Iniciando um Projeto de Deep Learning para Fabricação - Parte 2: Coletando Dados e Estabelecendo a Confiabilidade

cérebro em azul com conexões de rede em um fundo gradiente vermelho-grande

Após a empresa formar uma equipe de projeto de deep learning, identificar os objetivos e selecionar um projeto para avançar, a etapa seguinte envolve coletar dados e estabelecer a confiabilidade.

Dados Absolutos e Relativos 

Dois tipos de dados precisam ser coletados durante esta fase: dados de imagem (absolutos) e dados do processo (relativos). Os dados de imagem coletados pela equipe de deep learning ajudam a otimizar e treinar a rede neural sobre os defeitos e as determinações de aprovação/reprovação. A captura confiável de imagens envolve, — dentre outras coisas, — identificar uma câmera com resolução adequada e selecionar e definir uma configuração de iluminação apropriada.
Os dados de processo permitem que a empresa desenvolva um sistema baseado em deep learning para realizar otimização avançada. Isso pode incluir dados sobre o custo unitário das fugas versus sucata, a frequência das aprovações versus reprovações e dos diferentes tipos de defeito. A equipe de deep learning precisa analisar o desempenho do sistema de deep learning em relação à confiabilidade, bem como o desempenho de uma solução existente como, por exemplo, inspeção manual em relação à confiabilidade. 

Mantendo o Processo Contínuo

Todas as fases de um projeto de deep learning geralmente precisam ser realizadas continuamente. Esse trabalho inclui coletar dados de imagem e do processo, treinar o modelo e manter atualizada a rotulagem de dados.

As empresas precisam de funcionários que, de modo consistente e confiável, rotulem os defeitos nas imagens de modo que o modelo de deep learning treine os dados de qualidade. Manter o processo de treinamento contínuo permite que as equipes agilizem a coleta e registrem os dados de modo preciso.

Para evitar anomalias estatísticas, as equipes precisam capturar e rastrear as variações do produto, as mudanças de componentes, as oscilações dos equipamentos e o desgaste das ferramentas. Em conjunto, a rotulagem de todas as imagens precisa ser consistente e imparcial, com medições independentes e definições claras. Quando as especificações do produto mudarem, novos produtos forem acrescentados ou produtos obsoletos forem removidos, as equipes precisam atualizar os rótulos de imagem. As equipes também precisam estabelecer um processo para capturar continuamente informações ao longo do tempo, de modo que quando ocorrer um problema, a equipe possa reagir e corrigi-lo.

Uma equipe de deep learning deve evitar usar defeitos falsos no treinamento. Defeitos falsos como, por exemplo, marcações, rachaduras ou arranhões em uma peça podem não ser representativos dos defeitos reais e podem causar impacto negativo no processo de treinamento. Por exemplo, se alguém em uma equipe adicionar manualmente arranhões no meio de uma peça para teste, o sistema começará a procurar defeitos somente naquela área.

Obtendo a Confiabilidade

As equipes têm diversas opções quando se trata de obter a confiabilidade, incluindo o uso de resultados de inspeção manual de fábrica. Nesse método, os dados estarão prontamente disponíveis e serão aceitos. Essa pode ser a única opção para as peças que exigem manuseio especial como inclinação, para inspeção. Por outro lado, os resultados podem variar ao longo do tempo ou entre os inspetores e algumas partes envolvidas podem ter interesse legítimo no sistema atualmente em operação. Esse método somente deve ser usado como ponto de partida, uma vez que as empresas precisam investir na coleta e preservação de dados para determinar uma linha de base mais precisa.

Os testes Knapp podem ajudar as empresas a classificar inspetores de qualidade humanos, ao fazer com que diversas peças conhecidas como — boas e ruins — passem pelo mesmo grupo de inspetores diversas vezes. Nos testes Knapp, cada inspetor verifica as peças de controle misturadas às peças da produção diversas vezes, e os resultados de cada pessoa são compilados para se chegar a um consenso do resultado de aprovação/reprovação. Embora este método permita que as empresas vejam quais tipos de defeito são detectados consistentemente e quais inspetores têm melhor desempenho, ele é limitado a conjuntos de dados pequenos. Ele também pode produzir resultados não representativos, uma vez que a aparência do defeito pode ser irrealista — ou artificial — e a distribuição dos defeitos é sempre irrealista. As empresas devem avaliar individualmente os inspetores quanto à precisão e repetibilidade, e criar conjuntos de dados rotulados iniciais para o treinamento da rede neural usando imagens e defeitos realistas.

Método Vantagens Limitações Recomendações
Inspeção Manual
  • Os dados existem e são aceitos
  • Pode ser a única opção se as peças exigirem manuseio especial (inclinação etc.) para inspeção
  • Inconsistência - ao longo do tempo e entre inspetores
  • Muitas partes envolvidas têm interesse legítimo no sistema atual
  •  Use os resultados da inspeção manual como ponto de partida
  • Invista na & curadoria de coleta de dados para determinar uma linha de base mais precisa
Teste Knapp
  • Comportamento dos testes no ambiente de fabricação do mundo real
  • Mais robusto do que qualquer julgamento de um único inspetor
  • Testes impraticáveis em algumas indústrias
  • Limitado a conjuntos de dados pequenos
  • Resultados frequentemente não representativos
  •  Avalie cada inspetor quanto à precisão e repetibilidade
  • Crie um conjunto de dados inicial rotulado para o treinamento da rede neural
  • Valide para produção

Por último, uma empresa precisa ter pelo menos um especialista de confiança com conhecimento íntimo dos padrões de qualidade da empresa para obter a confiabilidade. Primeiro, as equipes registram as imagens e os resultados da inspeção durante a produção com inspeções manual e automatizada. O especialista então confirma se uma determinação de aprovação/reprovação pode ser feita de modo confiável a partir da imagem e ajuda a definir um padrão de qualidade da imagem para a equipe de rotulagem, assegurando que somente os dados precisos sejam alimentados no modelo de deep learning.

Diagrama comparativo do software de deep learning aos inspetores humanos para aplicação de soldagem por pontos

Neste exemplo, um especialista de confiança é usado para estabelecer a confiabilidade em uma aplicação de inspeção de soldagem por pontos.

Os resultados das inspeções visuais manual e automatizada podem então ser comparados. Se os resultados estiverem alinhados, a equipe pode assumir que as decisões estão corretas e as imagens podem ser adicionadas ao conjunto de dados. Se os resultados diferirem, o especialista os analisa e decide o que fazer. O especialista ajuda a estabelecer uma base de dados de imagens confiável com imagens baseadas em amostras do mundo real sob condições realistas. Além disso, o especialista ajuda a criar estatísticas de desempenho confiáveis, incluindo distribuição de defeitos e dados de desempenho das inspeções manual e automatizada, enquanto também melhora os processos de inspeção. O especialista também fornece dados que podem ser reutilizados para projetos de automação futuros. Observe que quando as peças precisam ser manipuladas ou manuseadas para a identificação de defeitos, esse método oferecerá resultados ruins. Outra desvantagem desse método é que ele depende de um único decisor.

Na parte 3, analisaremos a fase de otimização.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex