Start eines Deep Learning-Projekts in der Fertigung – Teil 1: Planung

Deep Learning kann in solchen Szenarien hilfreich sein, jedoch hängen die erfolgreiche Implementierung und die letztendlichen Ergebnisse davon ab, dass im Vorfeld die erforderlichen Schritte unternommen werden. Deep Learning-Projekte umfassen in der Regel vier Schritte: Planung, Datenerfassung und Ground-Truth-Labelling, Optimierung und Werksabnahmeprüfungen. Hier sehen wir uns an, was in Schritt 1, der Planungsphase, zu tun ist.

Ein Team zusammenstellen, Ziele identifizieren

Wenn ein Unternehmen beschließt, eine Deep Learning-Lösung zu implementieren, muss es ein Team aus verschiedenen Interessengruppen zusammenstellen, um den aktuellen Prozess zu untersuchen, neue Ziele zu definieren und zu bestimmen, ob Deep Learning zur Erreichung dieser Ziele beitragen kann. Dieses Team sollte aus Vertretern der Fabrikleitung, der Automatisierung, der Qualitätssicherung und einem Systemintegrator/Maschinenbauer bestehen. Ziele müssen klar definiert, konsistent und von allen Teammitgliedern gemeinsam vereinbart sein. Dies kann die Reduzierung von defekten/inakzeptablen Produkten (Underkill), die Kostenkontrolle durch die Reduzierung von Ausschuss (Overkill) oder defekten/inakzeptablen Produkten oder Teilen oder die Bereitstellung zusätzlicher Funktionen zur Fehlerklassifizierung über die Unterscheidung zwischen gut und schlecht hinaus umfassen.

Wenn das Kooperationsteam beschließt, fortzufahren, besteht ein Schritt darin, ein „Leuchtturmprojekt“ zu identifizieren, mit dem die Aufwendung von Materialien gegenüber dem Management gerechtfertigt werden kann. Dieses Projekt sollte keine unrealistischen Ziele beinhalten. Das Projekt sollte weder zu einfach noch zu schwierig sein und solide Erträge erzielen, um dem Management zu zeigen, dass zukünftige Deep Learning-Implementierungen rentabel sein können.

Projekt auswählen, fortfahren

Bei einigen Herstellern hat eine bestehende Bildverarbeitungslösung möglicherweise zu viele falsch-negative oder falsch-positive Ergebnisse geliefert, oder das System hat aufgrund zu vieler Produktvariationen oder Umgebungsänderungen nicht mehr richtig funktioniert. Bei der Elektronik-Prüfung in der Automobilindustrie können beispielsweise Anwendungen zur Punktschweißung Probleme für regelbasierte Systeme darstellen.

Die Terminal-Punktschweißung erzeugt eine Vielzahl von Schweißarten – darunter Haarnadel-, Draht-zu-Pad- und Draht-zu-Draht-Schweißungen – die eine leicht variable 3D-Metallprojektion mit reflektierenden Oberflächen erzeugen. Wenn ein Bildverarbeitungssystem Bilder von Punktschweißstellen erfasst, enthalten diese selbst bei optimalen Teilen häufig Reflexionen, Schatten, farbige Bereiche und Oberflächentexturen. Diese Effekte ähneln oft tatsächlichen Defekten wie Rissen, Kratzern, Brandstellen und übermäßigen oder fehlenden Schweißnähten. Diese natürlichen Variationen verursachen Probleme bei herkömmlichen Bildverarbeitungssystemen, da diese nicht in der Lage sind, Schweißnähte zuverlässig zu prüfen und gute Teile von schlechten zu unterscheiden.

Deep Learning-basierte Prüfsysteme werden anhand von Datensätzen trainiert, die von internen Experten bewertet und gekennzeichnet werden. Dies hilft der Software, zwischen guten und schlechten Teilen zu unterscheiden und sogar die Art des Problems in einem fehlerhaften Produkt zu identifizieren. Mit solchen Fähigkeiten bietet die Deep Learning-Software eine praktikable Alternative zu manuellen Prüfungen und elektrischen Prüfungen und greift dort ein, wo regelbasierte Algorithmen versagen.

In Teil 2 dieser Blogreihe befassen wir uns mit Datenerfassung und Grundwahrheit. Lesen Sie Teil 3, um mehr über die Optimierung Ihrer Deep Learning-Implementierung und Teil 4 die Abnahmetests in der Fabrik zu erfahren.