Puesta en marcha de un proyecto de Deep Learning para la fabricación, parte 2: recolección de datos y obtención de la verdad base

Datos absolutos y relativos 

Durante esta fase es necesario recolectar dos tipos de datos: datos de imágenes (absolutos) y datos del proceso (relativos). Los datos de imágenes recolectados por el equipo de Deep Learning permiten optimizar y entrenar la red neuronal en la detección de defectos y la determinación de aprobado/fallido. La captura de imágenes confiables conlleva entre otras cosas identificar una cámara con una resolución adecuada y seleccionar y configurar una iluminación correcta.

Los datos del proceso permiten que una empresa que esté desarrollando un sistema basado en el Deep Learning pueda ejecutar una optimización avanzada. Esto podría incluir datos sobre el costo de los escapes por unidad en comparación con los desperdicios, la frecuencia de instancias de aprobación o fallo y la frecuencia de aparición de distintos tipos de defectos. El equipo de Deep Learning tiene que observar el desempeño del sistema de Deep Learning en relación con la verdad base y el desempeño de alguna solución existente, como la inspección manual, en relación con esa verdad base.

Mantener un proceso continuo

Por lo general, todas las fases de un proyecto de Deep Learning deben llevarse a cabo sin interrupciones. Esta tarea incluye recolectar las imágenes y procesar los datos, entrenar el modelo y mantener actualizadas las etiquetas de los datos.

Las empresas precisan empleados que sean capaces de etiquetar los defectos en las imágenes de manera constante y confiable para que el modelo de aprendizaje profundo se pueda entrenar a partir de datos confiables. Mantener una continuidad en el proceso de entrenamiento les permite a los equipos optimizar la recolección y registro de datos precisos.

A fin de evitar las anomalías estadísticas, los equipos deben capturar y hacer un seguimiento de las variaciones en los productos, los cambios en los componentes, la desviación del equipo y el desgaste de las herramientas. En general, el etiquetado de las imágenes debe ser constante e imparcial e incluir mediciones independientes y definiciones claras. Cuando cambian las especificaciones de un producto, se agregan productos nuevos o se retiran productos obsoletos, los equipos tienen que actualizar las etiquetas de las imágenes. Además, los equipos tienen que establecer un proceso para capturar información de manera ininterrumpida, de modo que, si ocurre algún problema, sea posible reaccionar y corregirlo.

Los equipos de Deep Learning tienen que evitar usar defectos falsos en el entrenamiento. Los defectos falsos, como las marcas, grietas o rayones de alguna pieza podrían no ser representativos de los defectos reales y repercutir de manera negativa en el proceso de entrenamiento. Por ejemplo, si alguien del equipo hiciera un rayón de forma manual en el medio de alguna pieza a fin de realizar una prueba, el sistema empezaría a buscar defectos solamente en esa área.

Obteniendo la verdad base

Los equipos cuentan con distintas opciones a la hora de obtener la verdad base, lo que incluye usar resultados manuales de inspecciones industriales. En este método, los datos están fácilmente disponibles y aceptados. Puede que esta sea la única opción viable para las piezas que demanden ser manejadas de un modo específico para su inspección, por ejemplo, inclinándolas. Por otra parte, es posible que los resultados varíen con el tiempo o de inspector a inspector y que algunas de las partes interesadas tengan un interés personal en el sistema en ejecución en ese momento. Este método debe utilizarse únicamente como punto de partida. Las empresas tienen que invertir en la recolección y la selección de datos para determinar un valor de referencia más preciso.

Las pruebas de Knapp pueden ayudar a las empresas a calificar a los inspectores humanos de calidad haciendo circular distintas piezas conocidas aceptables y no aceptables varias veces entre el mismo grupo de inspectores. En una prueba de Knapp, cada inspector revisa varias veces por separado piezas de control mezcladas con piezas de producción. A continuación, se recopilan los resultados de cada uno de estos inspectores y se llega a un acuerdo sobre si la pieza está aprobada⁄no aprobada. Si bien este método posibilita a las empresas ver qué tipos de defectos se detectan de manera constante y qué inspector trabaja mejor, su eficacia se limita a conjuntos de datos pequeños. Además, podría generar resultados poco representativos, dado que la aparición de defectos podría no ser realista o artificial y la distribución de defectos es siempre poco realista. Las empresas tienen que evaluar la precisión y la repetibilidad de cada inspector y generar conjuntos de datos iniciales etiquetados para entrenar redes neuronales a partir de imágenes con defectos realistas.

Por último, las empresas deben contar al menos con un experto de confianza que conozca en profundidad los estándares de calidad de la empresa para obtener la verdad base. Para comenzar, los equipos registran las imágenes y los resultados de las inspecciones durante la producción con inspección automatizada y manual. A continuación, el experto confirma si es posible determinar de manera confiable la determinación de aprobado/no aprobado a partir de las imágenes y ayuda a fijar un estándar de calidad de imagen para el equipo de etiquetado, a fin de garantizar que solo se alimente el modelo de aprendizaje profundo con datos precisos.

A continuación, pueden compararse los resultados de las inspecciones visuales automatizadas y manuales. Si los resultados concuerdan, el equipo puede asumir que las decisiones son correctas y se pueden agregar las imágenes al conjunto de datos. Si los resultados varían, el experto los revisa y toma una decisión al respecto. El experto ayuda a establecer una base de datos de imágenes confiables basadas en verdad base, que incluye imágenes de muestras de la vida real en condiciones reales. Además, el experto crea estadísticas de desempeño confiables, que incluyen datos sobre rendimiento de distribución de defectos y de ejecución de inspecciones automatizadas y manuales, mientras que también mejora los procesos de inspección. El experto también proporciona datos reutilizables en futuros proyectos de automatización. Tenga en cuenta que cuando es necesario manejar o entrar en contacto con las piezas para encontrar defectos, los resultados arrojados por este método son poco satisfactorios. Otra de las desventajas de este método es que se basa en las decisiones de una sola persona.

• Comience con el Deep Learning en la parte 1 de esta serie.
• En la parte 3, abordaremos la fase de optimización.
• En la parte 4, veremos la aceptación de fábrica.