Quatre outils pour les inspections d’automatisation industrielle basées sur le Deep learning

Conserver une qualité uniforme dans la construction automobile peut être difficile, en particulier en raison des défauts imprévisibles qui peuvent survenir. Les systèmes d’inspection Deep learning utilisent des caméras numériques et des algorithmes de reconnaissance d’images pour apprendre à identifier un large éventail de problèmes, tels que la rouille, la décoloration et les dommages. Lorsqu’elles sont correctement développées, les applications de Deep learning permettent de réduire les erreurs et d’améliorer la qualité des produits.

Dans une application d’inspection, la vision industrielle et le Deep learning fonctionnent conjointement :

• Les développeurs créent une base d’images d’apprentissage des produits satisfaisants pour établir l’aspect « normal » du produit.
• Les développeurs ajoutent des images de défauts pour trouver les anomalies et les défauts les plus courants.
• Les caméras de vision industrielle prennent des photos d’articles sur les lignes de production. L’application de Deep learning compare ces nouvelles images aux images d’apprentissage pour détecter les défauts.
• Dans la mesure où l’application est optimisée pour rechercher la réussite et éviter tout échec, elle apprend à devenir plus précise avec le temps.

Le logiciel conçu pour créer des applications de Deep learning doit disposer de quatre fonctionnalités principales :
 

1. Localisation des caractéristiques et vérification de l’assemblage

La détection des défauts n’est pas le seul rôle du logiciel de Deep learning et de vision industrielle. Il peut également utiliser les images et les algorithmes d’apprentissage pour localiser des composants, ce qui facilite certaines tâches comme ordonner au bras robotisé d’aligner correctement les composants. Cette fonctionnalité est essentielle pour les produits haute précision, tels que les semi-conducteurs, les smartphones et les produits pharmaceutiques.

Ces applications peuvent également numériser le nombre de produits dans un emplacement. Ensuite, le logiciel peut indiquer à un robot de continuer à ajouter d’autres produits identiques jusqu’à ce qu’une étagère ou un carton soit plein. Il peut également compter tous les composants d’un emballage afin de s’assurer que rien ne manque.

Les meilleurs outils de localisation et de vérification sont performants dans un large éventail de conditions d’éclairage et de surfaces qui perturbent les systèmes de vision fondés sur les règles et le personnel chargé du contrôle qualité.

Pour en savoir plus : identifiez différents composants ou configurations de pièces grâce aux outils de vérification de l’assemblage basés sur le Deep learning
 

2. Détection et segmentation des défauts

L’identification des défauts est la fonctionnalité la plus recherchée dans les logiciels de Deep learning en production. Alors que les systèmes de vision industrielle peuvent être programmés pour détecter un type de défaut, l’identification de plusieurs défauts est bien trop chronophage.

Les outils de détection des défauts commencent par utiliser une base de « bonnes » images et de photos de défauts courants, tels que la rouille, les bosses, les rayures et les désalignements. Les outils de détection de pointe peuvent également identifier tous les défauts qui diffèrent des « bonnes » images. Ces images provenant de résultats de production rares peuvent aider l’outil à apprendre lui-même à améliorer sa précision.

La segmentation identifie une section d’une image, en indiquant au logiciel de rechercher les défauts dans cette zone. Cela permet de simplifier les applications de Deep learning en supprimant les zones non pertinentes pour la numérisation des segments.

Pour en savoir plus : L’automatisation de la détection des défauts par le Deep learning dans les inspections pour l’automobile et les autres secteurs
 

3. Classification d’objets et de scènes

La classification d’objets et de scènes permet aux applications de Deep learning de diviser les défauts en catégories, optimisant ainsi leur capacité à s’améliorer sans aucune intervention humaine. En général, les images sont étiquetées en fonction de certaines caractéristiques, puis classées selon des paramètres. Ainsi, par exemple, les produits rayés peuvent être automatiquement réacheminés vers la ligne de peinture, tandis que les produits cabossés peuvent être envoyés vers l’atelier de métallurgie.

La classification trie également les produits et les composants en fonction de caractéristiques communes, telles que la couleur, la texture, les matériaux, l’emballage et le type de défaut. Les meilleurs outils de classification établissent des tolérances pour les écarts naturels des nuances, formes ou dimensions et les ajustent selon les besoins de chaque catégorie.

Pour en savoir plus : Fonctionnement de l’outil de classification du Deep learning
 

4. Lecture de texte et de caractères

La lecture de mots, chiffres ou texte sur une surface telle qu’un bloc-moteur ou un tube de cuivre peut être pratiquement impossible pour les inspecteurs et les algorithmes de vision industrielle standard. L’éclairage peut varier sur une ligne de production, en créant des ombres à certains endroits et des reflets à d’autres, et en variant tout au long de la journée en fonction des changements d’éclairage ambiant dans l’atelier.

Les applications de Deep learning associent les polices de caractères aux caractères figurant sur les pièces en production. Cela facilite grandement la lecture de texte à travers les emballages en plastique ou sur des surfaces irrégulières, notamment les outils de jardinage ou les nécessaires de couture. Les outils avancés de lecture de caractères dépassent l’atelier en jouant un rôle dans les systèmes de distribution, logistique et commerce sophistiqués.

Pour en savoir plus : lisez les codes complexes dans toutes les conditions grâce à la reconnaissance optique de caractères du Deep learning
 

Autres caractéristiques à rechercher dans un logiciel de Deep learning

Outre les quatre fonctionnalités décrites ci-dessus, un logiciel de Deep learning fiable devrait être :

• facile à utiliser, avec une interface utilisateur graphique qui ne nécessite aucune connaissance technique avancée ;
• optimisé pour les environnements de production à inspection visuelle, avec de plus petits ensembles d’images qui exigent moins d’apprentissage ;
• conçu pour les ordinateurs Windows dotés de processeurs graphiques.

Cognex Deep learning offre toutes ces caractéristiques et de nombreuses autres fonctionnalités puissantes, conçues pour les environnements industriels et de production, contrairement aux environnements de Deep learning open source. Il associe une bibliothèque d’outils de vision industrielle et des outils avancés de Deep learning au sein d’un environnement de déploiement et de développement commun.