Avviare un progetto di deep learning nel settore manifatturiero – Parte 3: Ottimizzazione

Durante questa fase, l’ispettore umano e il sistema di visione classificano i componenti prodotti come conformi o non conformi. Dopodiché, un esperto interno esamina le parti non chiare e le etichetta correttamente. Le parti ambigue precedentemente corrette e i campioni dei componenti conformi e non conformi vengono inseriti nel database per migliorare il modello di Deep Learning. Gli sviluppatori devono assicurarsi di aggiungere al set di addestramento immagini complesse, come quelle che mostrano parti con difetti insoliti o riflessi di luce.

Potenzia i tuoi dati

I software basati sul deep learning offrono in genere set di addestramento e strumenti per l’ottimizzazione, ma i team devono intraprendere ulteriori misure, come la convalida incrociata. Una volta acquisito un numero sufficiente di dati, un team dovrebbe utilizzare sezioni diverse di un set di dati per l’addestramento e la convalida rispetto al resto del set. Indipendentemente dalla scelta delle sezioni della serie di dati, i team devono assicurarsi che i risultati siano coerenti, perché in caso di risultati differenti prodotti da una sezione e differenti rispetto alle altre, potrebbero verificarsi problemi di etichettatura o alcuni tipi di difetti potrebbero essere sottorappresentati.

Un’altra fase prevede l’isolamento di ogni variabile chiave del processo produttivo per l’ottimizzazione dei compositi. Quindi, se esistono più linee di produzione, i team devono acquisire immagini da ciascuna linea e utilizzarle per la formazione, assicurandosi che i dati e i risultati di ciascuna linea siano adeguati. Inoltre, se un’azienda ha metodi di ispezione diversi, i team devono ottimizzare le diverse versioni dei prodotti e i tipi di difetti, attraverso convenzioni di denominazione dei file o la struttura delle cartelle dei file.

È inoltre necessario alimentare i dati di addestramento con il maggior numero possibile di immagini di pezzi difettosi. Ad esempio, se si dispone di 500 immagini di pezzi buoni e 282 immagini di pezzi difettosi, si possono utilizzare le immagini dei pezzi difettosi per addestrare il sistema alla ricerca, in modo che possa lavorare più efficacemente durante la produzione.

Affronta diversi tipi di difetti

Nel deep learning, ci sono diversi modi per esaminare i difetti nelle immagini. Un sistema può produrre una misura basata su un’intera immagine per determinare se un pezzo è buono o difettoso, oppure può utilizzare un approccio basato sui difetti che identifica difetti specifici nei pezzi. Quest’ultimo è utile quando si aggiunge un’ulteriore fase di classificazione per il controllo del processo, ma può anche richiedere un’elaborazione secondaria per unire o separare i difetti.

In alternativa, il sistema di Deep Learning potrebbe isolare pixel specifici su ciascun difetto in un’immagine e fornire misure dell’area interessata dal difetto. Anche questo metodo di solito richiede un’ulteriore elaborazione dell’immagine, con la manipolazione delle aree difettose per produrre un perimetro o un riquadro di delimitazione e anche per misurare il difetto e classificarlo come conforme o non conforme. Le singole applicazioni richiedono approcci diversi, quindi gli sviluppatori devono comprendere le metriche dei difetti e come ottimizzarle.

La comprensione dei diversi tipi di difetti e l’impostazione delle specifiche di qualità consentono inoltre ai team di eseguire l’ottimizzazione end-to-end per migliorare ulteriormente il modello. Se un team specifica che un difetto superiore a 10 mm2 o due difetti superiori a 5 mm2 rappresentano un pezzo difettoso, il sistema di deep learning non fornisce necessariamente misurazioni accurate dei pixel. In questi casi, uno strumento di analisi dei blob può aiutare a ottenere una misurazione più accurata dei difetti, consentendo al team di utilizzare queste immagini per perfezionare il modello. Tuttavia, se un team prevede di utilizzare uno strumento di blob per ulteriori ottimizzazioni e analisi, lo sviluppatore del team, per essere sicuro, dovrebbe indurre il sistema di Deep Learning a segnalare anche i casi limite come difettosi.

Tieni il passo con le metriche principali

In questa fase è necessario ricordare i parametri principali del Deep Learning. Non è necessario che tutti i componenti del team comprendano tutti gli aspetti del deep learning, ma lo sviluppatore deve capire tutte le metriche chiave e come ottimizzarle. Gli esempi includono la differenza tra sovraccarico e sottocarico rispetto a precisione e richiamo, i punteggi F1 e le statistiche dell’area sotto la curva (AUC).

Inoltre, i team devono esaminare le funzioni di costo, bilanciando il costo degli scarti (sovraccarico) con il costo delle fughe (sotticarico) per determinare il valore di una soluzione. Gli sviluppatori non dovrebbero preoccuparsi troppo delle funzioni di costo quando impostano inizialmente un progetto di deep learning, ma vorranno guidare il progetto verso punteggi F1 elevati nel tempo.