Conclusiones clave
Descubra las estrategias medulares utilizadas para validar y optimizar los sistemas de Deep Learning en la fabricación:
- Pruebas estadísticas: recopilar miles de puntos de datos para validar la detección de defectos y calcular el retorno de la inversión, lo que asegura un rendimiento del sistema robusto.
- Inspección de dos niveles: combinar Deep Learning con revisión humana para reducir los falsos positivos, mejorar la exactitud y mejorar los conjuntos de datos de entrenamiento.
- Mejora continua: actualizar periódicamente los conjuntos de entrenamiento con nuevos datos para adaptarse a las variaciones, lo que asegura la confiabilidad y la eficiencia del sistema a largo plazo.
En la fase final de la puesta en marcha de un proyecto de Deep Learning en un entorno de fabricación, una vez que el sistema ha demostrado que funciona bien en entornos de prueba el personal debe llevar a cabo los procedimientos de las pruebas de aceptación en la fábrica (Factory Acceptance Testing, FAT).
En la fase FAT, el sistema de visión y el inspector humano siguen clasificando las piezas como aceptables o no aceptables, y un experto revisa cualquier ambigüedad que pudiera surgir y aplica las etiquetas que correspondan. A continuación, se hace un seguimiento de todas las estadísticas para determinar el desempeño de la inspección humana en comparación con el sistema de visión automático.
Pruebas estadísticas y de repetibilidad
Luego de que el sistema de Deep Learning llegue al piso de planta para las pruebas de aceptación, el equipo debe hacer pruebas estadísticas, que implican la recolección de miles de puntos de datos durante un periodo prolongado a fin de captar toda la variedad posible de tipos de defectos y la frecuencia con la que ocurren. Este método puede combinarse con una validación a través de una inspección manual para calcular un retorno de la inversión exacto del proyecto. En la práctica esto implica dejar que el sistema de Deep Learning se ejecute en paralelo al proceso de inspección manual y, transcurrido un mes, recolectar las imágenes y comparar los resultados. Cualquier ambigüedad o discrepancia que se observe puede remitirse al experto asignado, quien puede tomar la decisión correcta para generar datos estadísticos precisos.
Este método de pruebas le permite al equipo realizar una validación de extremo a extremo de inspecciones de varios pasos; hacer pruebas compuestas de piezas y tipos de defectos; medir costos y calcular de manera precisa el retorno de la inversión. La única desventaja es que las pruebas estadísticas requieren un conjunto de datos amplio y representativo, lo que no siempre es fácil de conseguir. Además, los cambios en la formación de imágenes, la apariencia de los productos o las etiquetas de información real pueden anular semanas o meses de recopilación de datos, lo que es importante y debe tenerse en cuenta.
En última instancia, las pruebas de repetibilidad no son representativas de la verdadera distribución de defectos o de su verdadera apariencia, lo que les impide a las empresas calcular con precisión la tasa de falsos positivos, la tasa de falsos negativos y el retorno de la inversión. Tenga esto en cuenta si se ve obligado a implementar métodos de pruebas de repetibilidad.
Cómo añadir un nivel de inspección
Otro método frecuente implementado durante la fase FAT es la inspección de dos niveles. En este método, el sistema de Deep Learning realiza la primera inspección y todos los casos dudosos se envían a un inspector humano para una segunda revisión. Esto ayuda a reducir la cantidad de falsos positivos y falsos negativos. Los resultados sirven también para mejorar el proceso de entrenamiento del sistema de Deep Learning.
Una estrategia de dos niveles les permite a las empresas reducir la tasa de falsos positivos y la tasa de falsos negativos cuando las piezas que no se ajusta a ninguna categoría bien definida pueden volver a procesarse. Además, este método ayuda a reducir los desperdicios, ya que limita la producción de más piezas defectuosas al tiempo que mejora la confianza general del sistema, lo que permite ahorrar costos en mano de obra y posibilita la mejora continua del proceso al identificar las imágenes de piezas problemáticas para agregarlas al conjunto de entrenamiento.
Mejora continua
Aun después de obtener resultados positivos en las FAT, el equipo de Deep Learning tiene que seguir mejorando el sistema recolectando datos y agregándolos al conjunto de entrenamiento. Estos datos incluyen imágenes de piezas aceptables y no aceptables, piezas dudosas y cualquier variación en las piezas, así como discrepancias entre el sistema de visión y los inspectores humanos. Un integrante del equipo puede agregar estas imágenes manualmente al conjunto de entrenamiento para validar el nuevo modelo. Seguir estos pasos es una condición necesaria para la correcta implementación del sistema, ya que este puede adaptarse con más facilidad a las variaciones a lo largo del tiempo, como las provocadas por los cambios en la iluminación, los ajustes en cuanto al manejo de las piezas y la aparición de nuevos componentes. Y siempre que surjan nuevas imágenes que contengan instancias de defectos raros, el equipo tiene que agregarlas al sistema para seguir refinándolo.
Cuando una empresa de fabricación lleva a cabo todas las fases del proyecto, incluidas la planeación inicial, la recopilación y comprobación de datos, la optimización y las FAT, los sistemas de Deep Learning podrán generar gran valor. Sin embargo, esto no es todo. El equipo debe seguir recolectando datos y mejorando el modelo de forma permanente. Con el tiempo los resultados finales serán cada vez mejores.
Si acaba de comenzar su proceso de Deep Learning, asegúrese de echar un vistazo a las partes anteriores de esta serie. Comience con la Parte 1: Planificación; luego, avance a la Parte 2: Recopilación de datos y establecimiento de la información real; finalmente, explore la Parte 3: Optimización, para refinar su estrategia.