Banner do blog do Dataman pequeno da Cognex e lentes vistas de perto

Blogs da Cognex

Usando Deep Learning em Aplicações de Solda Ponto

banner mostrando cérebro com nós conectados em camadas sobrepostos em imagem de solda ponto

A tecnologia deep learning pode ajudar fabricantes a detectar soldas ponto defeituosas que prejudicam a qualidade de componentes eletrônicos.

As soldas ponto são fundamentais no desempenho de dispositivos elétricos, pois seguram as peças conectadas e mantêm o fluxo da corrente. Pontos de solda defeituosos reduzem a vida útil de componentes elétricos, resultando em devoluções ou reparos caros, o que prejudica a reputação dos fabricantes. A detecção de mais defeitos na fase de fabricação diminui o recall de produtos e custos com retrabalho.

Seres humanos têm habilidade significativa para detectar soldas defeituosas, mas essa habilidade tem consistência variável e disponibilidade limitada. Não é possível verificar todas as soldas ponto todas as vezes. Em contrapartida, a automação da inspeção de soldas ponto pode detectar mais defeitos e reduzir custos com retrabalho, revelando problemas no decorrer dos processos de produção. Isso proporciona à automação uma vantagem considerável sobre a dependência exclusiva de inspetores humanos.

O deep learning utiliza algoritmos de software e modelagem estatística para reproduzir o funcionamento do cérebro humano. Os algoritmos criam redes neurais otimizadas para identificar anomalias e diferenciar entre resultados bons e ruins. Com tempo e dados suficientes, essas redes se ensinam com eficácia para melhorar o desempenho.

Mas por que os fabricantes deveriam implementar aplicações de deep leaning para inspecionar suas soldas ponto? Por que não utilizar sistemas de visão convencionais para inspeções de solda ponto? O motivo principal é que as soldas são objetos tridimensionais intrinsicamente ambíguos. Não existem duas soldas com o mesmo formato ou as mesmas dimensões.

Pin to pin weld, wire to pin/pad weld, wire to wire weld

(Diferentes tipos de soldas ponto, da esquerda para a direita: por pontos, por projeção, por costura)

Um sistema de visão baseado em regras utiliza software para identificar detalhes específicos em uma imagem digital, como um número de série em um bloco de motor ou as bordas de um componente de aço. Ele funciona muito bem quando existem componentes com características quase idênticas.

Em soldas ponto, cada protuberância de metal tem dimensões levemente diferentes. Isso torna proibitiva e complexa a criação de um sistema de visão baseado em regras para inspecionar o grande volume de soldas ponto em uma linha de montagem.

Uma aplicação de inspeção de deep leaning supera esse desafio por meio da comparação de imagens de soldas ponto defeituosas com soldas sem defeito. Um conjunto de imagens treina a rede neural para que ela verifique se há defeitos conhecidos, enquanto um outro conjunto de imagens oferece uma base de comparação.

Three images of good spot welds

(Soldas ponto boas)

Spot weld with pitting, undersized spot weld, oversized spot weld

(Soldas ponto ruins, da esquerda para a direita: furos, sobredimensionamento, subdimensionamento)

Como o VisionPro Deep Learning Funciona em Inspeções de Solda Ponto

A Cognex desenvolveu o pacote de software VisionPro® Deep Learning para simplificar a automação do processo de fabricação como de inspeções de solda ponto. O VisionPro Deep Learning tem duas ferramentas essenciais que funcionam bem em aplicações de inspeção de solda ponto:

  • Ferramenta Red Analyze, que identifica itens com defeito para que seja possível removê-los do processo de produção
  • Ferramenta Green Classify, que cria classes de defeitos para ajudar a melhorar a qualidade do processo e a precisão ao longo da linha a partir do ponto de inspeção.

Usando a ferramenta Red Analyze

A ferramenta Red Analyze encontra anomalias em imagens digitais de soldas ponto. Os usuários determinam como é a imagem correta e sinalizam tudo o que for diferente dessa imagem. Um conjunto de imagens treina a rede neural para reconhecer soldas ponto defeituosas. Um segundo conjunto de imagens de validação é retido no banco de dados de treinamento. Essas imagens de validação ajudam o software a estabelecer a “verdade fundamental” de como são as soldas ponto boas e ruins..

A ferramenta Red Analyze tem dois modos de treinamento:

  • Supervisionado: No modo supervisionado (descrito acima), os usuários tiram fotos das soldas, restringem defeitos ou anomalias, documentam cada tipo de defeito e atribuem um rótulo que diz ao software “esse é um defeito.”
  • Não supervisionado: No modo não supervisionado, os usuários começam com uma imagem que não possui defeitos e a rotulam como “boa.” Qualquer imagem diferente dessa referência é identificada como um defeito.

Os rótulos desses modos produzem imagens de treinamento para a rede neural dentro do VisionPro Deep Learning. Em uma inspeção, o software analisa uma imagem de uma solda na linha de produção. A rede neural profunda compara essa imagem de produção online com as imagens de validação treinadas para determinar se a solda será aprovada ou não na inspeção.

Usando a Ferramenta Green Classify

A ferramenta Green Classify cria classes de defeitos ou anomalias que são usadas para diagnosticar problemas ao longo da linha de produção. Por exemplo, soldas muito planas ou com formato atípico podem revelar mau funcionamento de uma máquina de solda. Com a ferramenta de classificação, os usuários rotulam esses artefatos e instruem o sistema de inspeção a sinalizar o defeito e informar aos operadores da máquina sobre o erro.
Assim como a ferramenta Red Analyze, a Green Classify tem dois modos de treinamento:

  • Classificação de cenas: com a classificação de cenas, os usuários rotulam as imagens como boas ou ruins e, depois, adicionam marcações para documentar um defeito, como desgaste ou formato inadequado.
  • Classificações individuais de defeitos: Com as classificações individuais, os usuários utilizam imagens e dados de resultados da ferramenta Red Analyze e os utilizam para classificar defeitos ou regiões de defeitos específicos.

Flow diagram showing process for classifying defects individually and by scene

(Fluxo de processo das classificações de cenas ou individuais)

Depois que os usuários classificam as imagens, a rede neural compara as classes com imagens de validação e devolvem o tipo de defeito correto.

As ferramentas Red Analyze e Green Classify são normalmente utilizadas em sequência. Primeiro, a Red Analyze detecta a presença de um defeito ou anomalia. Depois, a Green Classify analisa a anomalia e determina o tipo de defeito. O resultado obtido é entregue ao operador de linha que decide como lidar com o produto defeituoso.

3 Decisões que Melhoram o Êxito das Aplicações de Deep Learning

Tomar boas decisões na hora certa pode ser muito benéfico para garantir o sucesso do deep learning em aplicações de solda ponto. Essas três decisões são primordiais:

1. Pesar o Retorno sobre o Investimento

A automação de inspeções de solda ponto precisam gerar mais benefícios do que custos. Aplicar o deep learning exige investimento em software, pagamento de salários e compra de equipamentos. Além disso, o tempo necessário para criar, testar e implementar o sistema gera custos. O investimento em automação deve economizar dinheiro ou, no mínimo, resultar em desempenho melhor pelo mesmo preço.
A automação de inspeções também produz resultados valiosos que podem não gerar ROI explícito, tais como:

  • Controle estatístico de processos. Os dados revelam problemas no decorrer do processo de fabricação, assim eles podem ser corrigidos precocemente.
  • Aprendizagem contínua. Quanto mais imagens treinadas em uma rede neural profunda, mais precisa ela se torna com o passar do tempo.
  • Documentação de processos. Relatórios sobre a qualidade das inspeções são gerados e compartilhados com facilidade.

2.  Replicar o Ambiente de Produção com Precisão

As câmeras de automação industrial usadas no deep learning precisam de iluminação e posicionamento adequados para capturar todos os dados essenciais em uma solda ponto. O controle de brilho e a limitação de sombras nas imagens digitais facilita a detecção de defeitos. Se o olho humano não conseguir enxergar alguma coisa em uma solda, uma aplicação de deep learning também não conseguirá.

A aplicação de deep learning começa em um laboratório e, depois, vai para a linha de produção. E é claro que é quase impossível duplicar completamente um ambiente de produção em um laboratório. Portanto, o ideal é que os usuários levem as aplicações para fora do laboratório e comecem a testá-las em um ambiente de produção, assim que for viável.  O sistema de deep learning pode utilizar dados novos da linha de produção para melhorar a qualidade das inspeções.

3. Tornar a Rotulagem Fácil e Precisa

Desenvolver uma aplicação de deep learning para soldas ponto exige documentação cuidadosa dos defeitos comuns, como furos ou soldas deformadas. Todos os defeitos precisam ser rotulados com precisão e consistência em dezenas de imagens e, talvez, centenas de rótulos.

A qualidade do trabalho concluído na fase de rotulagem afeta todos os resultados posteriores. Portanto, os desenvolvedores precisam de um sistema de rotulagem preciso, consistente, intuitivo e fácil de entender, exatamente como a interface do usuário do software VisionPro Deep Learning.

A tecnologia deep learning é ideal para aplicações com ambiguidade intrínseca. Assim como impressões digitais e flocos de neve, não existem duas soldas ponto iguais, o que as torna boas candidatas para a aplicação de soluções de deep learning. Entretanto, antes de investir recursos em um sistema de deep learning, os fabricantes precisam considerar três fatores importantes: ROI, capacidade de replicar ambientes de produção para possibilitar testes precisos e facilidade de rotulagem de imagens de treinamento. 

Felizmente, a Cognex oferece uma solução que se adequa a todos eles, o software VisionPro Deep Learning. As ferramentas Red Analyze e Green Classify do software garantem a integridade dos componentes detectando primeiro os defeitos e depois os classificando. A implementação desse software em aplicações de solda ponto permite que os fabricantes identifiquem defeitos precocemente na linha de produção, o que previne custos com retrabalho, resulta em qualidade mais alta e faz com que o consumidor confie no seu produto.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex

TEM ALGUMA PERGUNTA?

Os representantes da Cognex estão disponíveis em todas as regiões do mundo para ajudar com as suas necessidades de visão e leitura industrial de códigos de barras

Fale Conosco