Indicazioni chiave
Gli strumenti di ispezione del deep learning semplificano attività complesse come il rilevamento di difetti, la verifica del montaggio e la lettura del testo apprendendo dalle immagini e migliorando nel tempo. Offrono adattabilità alle linee di produzione; gestiscono sfide che i sistemi tradizionali o gli ispettori umani non sono in grado di gestire facilmente.
Mantenere una qualità costante nella produzione automobilistica può essere una sfida, soprattutto a causa dei difetti imprevedibili che possono emergere. I sistemi d’ispezione di deep learning utilizzano telecamere digitali e algoritmi di riconoscimento delle immagini per apprendere a individuare un ampio spettro di problemi quali ruggine, scolorimento e danni. Se sviluppate correttamente, le applicazioni per il deep learning aiutano a ridurre gli errori e a migliorare la qualità dei prodotti.
In un’applicazione di ispezione, la visione artificiale e il deep learning lavorano insieme in questo modo:
- Gli sviluppatori costruiscono un set di immagini di addestramento per i prodotti buoni e stabilire l’aspetto “corretto” del prodotto.
- Gli sviluppatori aggiungono immagini di difetti per trovare le anomalie e i difetti più comuni.
- Le telecamere di visione artificiale scattano immagini di articoli sulle linee di produzione. L’applicazione di machine learning confronta queste nuove immagini con le immagini di addestramento per segnalare difetti.
- Dato che l’applicazione è ottimizzata per cercare di riuscire nell’impresa ed evitare il fallimento, insegna a se stessa a diventare più precisa nel tempo.
Il software che costruisce applicazioni per il deep learning per la produzione deve avere quattro capacità fondamentali:
1. Localizzazione di caratteristiche e verifica del montaggio
Individuare i difetti non è l’unico ruolo del software di visione artificiale e di deep learning. È anche in grado di utilizzare le immagini di addestramento e gli algoritmi di apprendimento per individuare componenti che possono fornire assistenza con compiti quali istruire un braccio robotico affinché allinei i componenti. Ciò è essenziale per prodotti di alta precisione quali i semiconduttori, gli smartphone e i prodotti farmaceutici.
Queste applicazioni possono anche scansionare il numero di prodotti in una posizione. Poi, può dire a un robot di continuare ad aggiungere altri prodotti dello stesso tipo finché uno scaffale o un cartone non è pieno. Può anche contare tutti i componenti di una confezione per assicurarsi che non sia stato tralasciato nulla.
I migliori strumenti di localizzazione e verifica lavorano in un’ampia varietà di luci e superfici che confondono i sistemi di visione basati su regole e il personale addetto al controllo qualità.
Leggi tutto: Identificare vari componenti o configurazioni di componenti con strumenti di verifica del montaggio con deep learning
2. Rilevamento di difetti e segmentazione
L’identificazione di difetti è la capacità più ricercata del software per il deep learning in produzione. Mentre i sistemi di visione artificiale possono essere programmati per segnalare un tipo di difetto, identificare più difetti è troppo dispendioso in termini di tempo.
Gli strumenti di rilevamento di difetti iniziano con un set di immagini “conformi” e immagini di difetti comuni quali ruggine, ammaccature, graffi e disallineamenti. Gli strumenti di rilevamento di alta qualità hanno anche un’opzione per identificare eventuali difetti che differiscono dall’immagine “buona”. Tali immagini di rari risultati di produzione possono aiutare lo strumento a insegnare a sé stesso a migliorare la sua precisione.
La segmentazione identifica una sezione all’interno di un’immagine, dicendo al software di scansionare tale zona alla ricerca di difetti. Ciò aiuta a semplificare le applicazioni per il deep learning filtrando le zone che non sono rilevanti per la scansione di segmenti.
Ulteriori informazioni: Come il rilevamento di difetti con deep learning automatizza le ispezioni del settore automotive e altri settori
3. Classificazione di oggetti e scenari
La classificazione di oggetti e scene aiuta le applicazioni per il deep learning a suddividere i difetti in classi, il che contribuisce a ottimizzare la capacità dell’applicazione di auto-migliorarsi senza l’intervento umano. In generale, le immagini vengono etichettate in base a determinate caratteristiche e poi classificate secondo parametri. In questo modo, ad esempio, i prodotti graffiati possono essere reindirizzati automaticamente alla linea di verniciatura, mentre i prodotti ammaccati possono essere inviati al reparto di lavorazione dei metalli.
La classificazione smista altresì prodotti e componenti in base a caratteristiche comuni quali il colore, la struttura, i materiali, l’imballaggio e il tipo di difetto. I migliori strumenti di classificazione stabiliscono delle tolleranze per le deviazioni naturali nelle tonalità, nelle forme o nelle dimensioni e variano queste tolleranze in base alle esigenze di ciascuna classe.
Leggi tutto: Come funziona lo strumento di classificazione con deep learning
4. Lettura di testo e caratteri
Leggere parole, numeri o testo su una superficie, come un blocco motore o un tubo di rame, può essere quasi impossibile per le persone e per gli algoritmi standard di visione artificiale. L’illuminazione può variare su una linea di produzione, creando ombre in alcuni luoghi e riverbero in altri, che si spostano durante il giorno a seconda dei cambiamenti della luce ambientale nella fabbrica.
Le applicazioni di deep learning collegano i font e i caratteri tipografici con le scritte sui pezzi in produzione. Ciò rende molto più facile la lettura del testo attraverso le copertine di plastica e su superfici irregolari quali abiti o utensili da giardinaggio. Gli strumenti avanzati di lettura di caratteri vanno oltre la fabbrica, trovando un ruolo nei sistemi di distribuzione, logistica e commercializzazione.
Dai un’occhiata: Leggi codici complessi e impegnativi in qualsiasi condizione con l’OCR basato sul deep learning
Altre caratteristiche da cercare in un software per il deep learning
Oltre alle quattro capacità sopra descritte, un robusto pacchetto software per il deep learning dovrebbe essere:
- Facile da imparare a utilizzare, con un’interfaccia grafica utente intuitiva che non richiede conoscenze tecniche avanzate.
- Ottimizzato per ambienti di produzione con ispezione visiva, con serie di immagini più piccole che richiedono meno addestramento.
- Progettato per PC Windows con GPU (unità di elaborazione grafica).
Il Deep Learning di Cognex dispone di queste e di molte altre potenti caratteristiche progettate per gli ambienti di fabbrica e di produzione, a differenza di altri framework di deep learning open source. Combina una libreria strumenti di visione artificiale con strumenti avanzati di deep learning all’interno di un quadro comune di sviluppo e distribuzione.