Conclusiones clave
Estos son los pasos esenciales para crear un plan estratégico exitoso e implementar el Deep Learning en sus procesos de fabricación.
- Formar un equipo interdisciplinario para definir metas y evaluar el potencial del Deep Learning.
- Elija un proyecto de “faro” con objetivos realistas para demostrar el retorno de la inversión.
- El Deep Learning sobresale donde fallan los sistemas tradicionales, puesto que maneja variaciones y defectos complejos.
- Entrenar sistemas con conjuntos de datos etiquetados para distinguir las partes buenas de los defectos de manera eficaz.
El Deep Learning puede ayudar en tales escenarios, pero la implementación exitosa y los resultados eventuales dependen de tomar los pasos necesarios por adelantado. Por lo general, los proyectos de Deep Learning implican cuatro pasos: planificación, recopilación de datos y etiquetado de la verdad base, optimización y pruebas de aceptación en la fábrica. Aquí analizamos lo que implica el paso 1, la fase de planificación.
Reúna a un equipo, identifique metas
Si una empresa decide implementar una solución de Deep Learning, debe formar un equipo de diferentes partes interesadas para analizar el proceso actual, definir nuevos objetivos y determinar si el Deep Learning puede ayudar a alcanzar estos objetivos. Este equipo debe estar compuesto por la gerencia de la fábrica, la automatización, QA y un integrador de sistemas/fabricante de máquinas. Los objetivos deben ser bien definidos, coherentes y acordados mutuamente por todos los miembros del equipo. Podrían incluir la reducción de escapes de productos defectuosos/inaceptables (tasa de falsos negativos), el control de costos mediante la reducción de desechos (tasa de falsos positivos) o productos o piezas defectuosos/inaceptables, o el suministro de capacidades adicionales de clasificación de defectos más allá de una determinación bueno frente a malo.
Si el equipo colaborativo decide avanzar, un paso implica identificar un proyecto de “faro” que pueda utilizarse para justificar el gasto de recursos a la gerencia. Este proyecto no debe involucrar objetivos poco realistas. Debe ser un proyecto que no sea demasiado fácil o difícil, y que pueda producir retornos sólidos para que la gerencia sepa que las futuras implementaciones de Deep Learning pueden ser viables.
Elegir un proyecto, avanzar
Para algunos fabricantes, una solución de visión artificial existente podría haber producido demasiados falsos negativos o falsos positivos, o el sistema podría haber dejado de funcionar bien debido a demasiadas variaciones de productos o cambios ambientales. En la inspección electrónica automotriz, por ejemplo, las aplicaciones de soldadura por puntos de terminales pueden presentar problemas para los sistemas basados en reglas.
La soldadura por puntos de terminales produce una amplia variedad de tipos de soldadura, incluidos horquilla, de cable a pad y de cable a cable, y crean una proyección metálica 3D ligeramente variable con superficies reflejantes. Cuando un sistema de visión artificial captura imágenes de soldadura de punto de terminales, a menudo contienen reflejos, sombras, regiones coloreadas y textura de superficie, incluso con piezas óptimas. Estos efectos suelen ser similares a los defectos reales, como grietas, rayones, quemaduras y soldaduras excesivas o faltantes. Estas variaciones naturales crean problemas en los sistemas de visión artificial tradicionales debido a su incapacidad para inspeccionar de manera confiable las soldaduras y distinguir las piezas buenas de las malas.
Los sistemas de inspección basados en el Deep Learning se entrenan en conjuntos de datos que son evaluados y etiquetados por expertos internos. Esto ayuda al software a distinguir entre piezas buenas y malas e incluso a identificar el tipo de problema en un producto defectuoso. Con estas capacidades, el software de aprendizaje profundo proporciona una alternativa viable a la inspección manual y las pruebas eléctricas, y entra en acción donde los algoritmos basados en reglas no pueden funcionar.
En la parte 2 de esta serie de blogs, veremos la recopilación de datos y la verdad base. Lea la parte 3 para aprender sobre Optimización de su implementación de aprendizaje profundo y la Parte 4 Pruebas de aceptación de fábrica.