Iniciando o Projeto de Deep Learning na Fabricação - Parte 4: Teste de Aceitação de Fábrica
Na fase final para se obter um projeto de deep learning iniciado em uma configuração de fabricação — assim que o sistema tenha sido aprovado nos ambientes de teste — a equipe precisa realizar os procedimentos do teste de aceitação de fábrica (FAT).
Na fase FAT, o sistema de visão e o inspetor humano continuam a classificar as peças como boas ou ruins, e um especialista analisa todas as ambiguidades e aplica os rótulos corretos. Todas as estatísticas são então rastreadas para ajudar a determinar o desempenho humano em relação ao sistema de visão.
Teste Estatístico e de Repetibilidade
Assim que o sistema de deep learning tiver chegado ao chão de fábrica para o teste de aceitação, a equipe deverá realizar o teste estatístico, que envolve coletar milhares de pontos de dados ao longo de um período para capturar a variedade completa dos tipos de defeito e sua frequência. Essa abordagem pode ser combinada com a validação da inspeção manual para ajudar a calcular um ROI de projeto preciso. Na prática, isso significa deixar o sistema de deep learning ser executado em paralelo com o processo de inspeção manual e, depois de um mês, coletar as imagens e comparar os resultados. Quaisquer ambiguidades ou discrepâncias podem então ser enviadas para o especialista designado, que faz a determinação correta para produzir dados estatísticos precisos.
Esse método de teste permite que a equipe execute uma validação de ponta a ponta das inspeções das múltiplas etapas, teste de compósitos da peça e tipos de defeito, medições de custo e cálculos precisos de ROI (Retorno sobre investimento). A única desvantagem é que o teste estatístico exige um conjunto de dados grande e representativo que nem sempre está imediatamente disponível. Além disso, as mudanças na formação da imagem, aparência do produto ou rótulos confiáveis podem invalidar semanas ou meses do valor dos dados, o que é muito importante a ser considerado.
Resultados da amostra do teste estatístico
Em última instância, o teste de repetibilidade não é representativo da distribuição dos defeitos verdadeiros ou da aparência dos defeitos verdadeiros, o que impede que as empresas obtenham estimativas precisas de sobrevalorização, subvalorização e ROI. Tenha isso em mente se você for forçado a implementar métodos de teste de repetibilidade.
Adicionando de uma Camada de Inspeção
Outro método de teste comum implementado durante a fase FAT é a inspeção de duas camadas. Aqui, um sistema de deep learning executa a primeira inspeção e todas as incertezas são enviadas a um inspetor humano para uma segunda verificação. Isso ajuda a reduzir falso positivos e falso negativos. Os resultados também podem melhorar o processo de treinamento do deep learning.
Uma abordagem de duas camadas permite que as empresas reduzam a sobrevalorização e a subvalorização sempre que as peças atribuídas à categoria ambígua puderem ser retrabalhadas. Além disso, esse método ajuda a reduzir as sucatas ao limitar a produção de peças ruins adicionais, ao mesmo tempo em que melhora a confiança geral do sistema, o que economiza custos de mão de obra e permite a melhoria contínua ao identificar imagens de peças desafiadoras para acrescentar ao conjunto de treinamento.
Na inspeção de duas camadas, as peças com classificação no limite da “zona cinza” ou fase intermediária, são desviadas para inspetores humanos para análise adicional.
Melhoria Contínua
Mesmo depois de obter resultados FAT positivos, a equipe de deep learning precisa melhorar continuamente o sistema reunindo dados e adicionando-os ao conjunto de treinamento. Esses dados incluem imagens das peças boas, ruins, e limítrofes, e quaisquer variações de peças novas, bem como discrepâncias entre o sistema de visão e o inspetor humano. Um membro da equipe pode selecionar manualmente essas imagens e adicioná-las ao conjunto de treinamento para validar o novo modelo. Uma equipe se prepara para o sucesso ao fazer isso, uma vez que o sistema pode ser adaptado mais facilmente às variações ao longo do tempo, causadas por mudanças na iluminação, ajustes no manuseio das peças e novos componentes. E sempre que novas imagens contendo casos de defeitos raros se tornarem disponíveis, a equipe deve acrescentá-las ao sistema para sintonização fina adicional.
Quando uma empresa de manufatura realiza todas as fases do projeto— incluindo o planejamento inicial, coleta de dados e confiabilidade, otimização e FAT — os sistemas de deep learning podem entregar valor incrível. Entretanto, isso não acaba aqui. A equipe precisa continuar a coletar dados e melhorar o modelo continuamente. Os resultados finais ficarão cada vez melhores ao longo do tempo.
