Points clés à retenir
Voici les étapes essentielles pour élaborer un plan stratégique réussi et mettre en œuvre le deep learning dans vos processus de fabrication.
- Constituez une équipe interfonctionnelle pour définir des objectifs et évaluer le potentiel du deep learning.
- Choisissez un projet « phare » avec des objectifs réalistes pour prouver le ROI.
- Le deep learning excelle là où les systèmes traditionnels échouent, en gérant des variations et des défauts complexes.
- Entraînez les systèmes à l’aide d’ensembles de données étiquetées afin de distinguer efficacement les pièces conformes des pièces défectueuses.
Le Deep Learning peut aider dans de tels scénarios, mais une mise en œuvre réussie et les résultats finaux dépendent de la prise des mesures nécessaires à l’avance. Les projets de Deep Learning comportent généralement quatre étapes : la planification, la collecte des données et l’établissement de la vérité terrain, l’optimisation et les tests d’acceptation en usine. Nous examinons ici ce qui passe à l’étape 1, la phase de planification.
Constituer une équipe, identifier les objectifs
Si une entreprise décide de mettre en œuvre une solution de Deep Learning, elle doit constituer une équipe incluant différentes parties prenantes pour examiner le processus actuel, définir de nouveaux objectifs et déterminer si le Deep Learning peut aider à atteindre ces objectifs. Cette équipe doit être composée de membres issus de la direction de l’usine, de l’automatisation, de l’assurance qualité et d’un intégrateur système/constructeur de machines. Les objectifs doivent être clairement définis, cohérents et mutuellement convenus par tous les membres de l’équipe. Il peut s’agir de réduire les fuites de produits défectueux/non acceptables (underkill), de contrôler les coûts en réduisant les rebuts (suroptimiser) ou les produits ou pièces défectueux/non acceptables, ou de fournir des capacités de classification des défauts supplémentaires au-delà d’une simple distinction entre bon et mauvais.
Si l’équipe collaborative décide d’aller de l’avant, une étape consiste à identifier un projet « phare » pouvant être utilisé pour justifier les dépenses de ressources pour la direction. Ce projet ne doit pas impliquer d’objectifs irréalistes. Il devrait s’agir d’un projet ni trop facile ni trop difficile, et capable de générer des retours sur investissement solides afin de montrer à la direction que de futurs déploiements de deep learning pourraient être viables.
Choisir un projet, aller de l’avant
Pour certains fabricants, une solution de vision industrielle existante peut avoir produit trop de faux négatifs ou de faux positifs, ou le système peut avoir cessé de fonctionner en raison de trop de variations de produits ou de changements environnementaux. Dans l’inspection des composants électroniques automobiles, par exemple, les applications de soudage par points terminaux peuvent présenter des problèmes pour les systèmes basés sur des règles.
Le soudage par points terminal permet d’obtenir une grande variété de types de soudures, notamment en épingle à cheveux, fil à patin et fil à fil, qui créent une projection métallique 3D légèrement variable avec des surfaces réfléchissantes. Lorsqu’un système de vision industrielle capture des images de soudure par points terminaux, elles contiennent souvent des reflets, des ombres, des régions colorées et une texture de surface, même avec des pièces optimales. Ces effets sont souvent similaires à de véritables défauts, tels que des fissures, des rayures, des brûlures et des soudures excessives ou manquantes. Ces variations naturelles posent problème aux systèmes de vision industrielle traditionnels, car ils sont incapables d’inspecter les soudures de manière fiable et de distinguer les bonnes pièces des mauvaises.
Les systèmes d’inspection basés sur le Deep Learning sont entraînés sur des ensembles de données qui sont évalués et étiquetés par des experts internes. Cela permet au logiciel de distinguer les bonnes pièces des pièces défectueuses et même d’identifier le type de problème dans un produit défectueux. Grâce à ces capacités, le logiciel de Deep Learning offre une alternative viable à l’inspection manuelle et aux tests électriques, et des étapes pour lesquelles les algorithmes basés sur des règles ne peuvent pas fonctionner.
Dans la partie 2 de cette série de blogs, nous examinerons la collecte de données et la vérité terrain. Lisez la partie 3 pour en savoir plus sur Optimisation de votre déploiement d'apprentissage profond et la partie 4 Tests d'acceptation en usine.