Avviare un progetto di deep learning nel settore manifatturiero – Parte 2: Raccogliere i dati e stabilire il Ground Truth

Dati assoluti e relativi 

In questa fase è necessario raccogliere due tipi di dati: i dati di immagine (assoluti) e i dati di processo (relativi). I dati delle immagini raccolti dal team di Deep Learning contribuiscono a ottimizzare e addestrare la rete neurale sui difetti e sulla determinazione del risultato accettato/rifiutato. L’acquisizione affidabile delle immagini implica, tra l’altro, l’individuazione di una telecamera con una risoluzione adeguata, la scelta e la configurazione di un’illuminazione appropriata.

I dati di processo consentono a un’azienda che sviluppa un sistema basato sul deep learning di eseguire un’ottimizzazione avanzata. Ciò può includere dati sul costo unitario delle fughe rispetto agli scarti, sulla percentuale dei risultati “accettato” rispetto a “rifiutato” e sulla frequenza dei diversi tipi di difetti. Il team di Deep Learning deve esaminare le prestazioni del sistema di Deep Learning rispetto al Ground Truth, nonché le prestazioni di una soluzione esistente, come ad esempio l’ispezione manuale rispetto al Ground Truth.

Mantenere un processo continuo

Tutte le fasi di un progetto di Deep Learning devono essere svolte in modo continuativo. Questo lavoro comprende la raccolta di dati di immagine e di processo, l’addestramento del modello e l’aggiornamento dell’etichettatura dei dati.

Le aziende hanno bisogno di operatori in grado di etichettare in modo coerente e affidabile i difetti nelle immagini, pertanto il modello di Deep Learning si addestra sulla qualità dei dati. Mantenere il processo di formazione continuo consente ai team di ottimizzare la raccolta e la registrazione di dati più precisi.

Per evitare anomalie statistiche, i team devono rilevare e tenere traccia delle variazioni di prodotto, delle modifiche ai componenti, lo sfasamento delle apparecchiature e dell’usura degli utensili. Inoltre, tutte le etichette delle immagini devono essere coerenti e imparziali con misurazioni indipendenti e definizioni chiare. Quando le specifiche dei prodotti cambiano, ne vengono aggiunti di nuovi o vengono rimossi quelli obsoleti, i team devono aggiornare le etichette delle immagini. I team devono anche stabilire un processo per acquisire continuamente informazioni nel tempo, in modo che quando si verifica un problema, il team possa reagire e correggerlo.

Un team di Deep Learning dovrebbe evitare di utilizzare finti difetti durante l’addestramento. I difetti finti, come marcature, crepe o graffi su un componente, possono non essere rappresentativi dei difetti reali e possono avere un impatto negativo sul processo di formazione. Ad esempio, nel caso in cui qualcuno all’interno di un team aggiunga manualmente dei graffi al centro di un componente da testare, il sistema inizierebbe a cercare i difetti solo in quell’area.

Ottenere il Ground Truth

I team hanno diverse opzioni per ottenere il Ground Truth, tra cui l’uso dei risultati delle ispezioni manuali nello stabilimento. Con questo metodo, i dati sono prontamente disponibili e accettati. Questa può essere l’unica opzione per i componenti che richiedono una manipolazione speciale per l’ispezione, come ad esempio l’inclinazione. Per contro, i risultati possono variare nel tempo o tra gli ispettori e alcune stakeholder possono avere un interesse personale nel sistema attualmente in vigore. Questo metodo deve essere utilizzato solo come punto di partenza, poiché le aziende devono investire nella raccolta e nella cura dei dati per determinare una linea di riferimento più accurata.

I test di Knapp possono aiutare le aziende a classificare gli ispettori di qualità umani facendo passare più volte diversi componenti noti, buoni e cattivi, davanti allo stesso gruppo di ispettori. Nei test Knapp, i singoli ispettori controllano più volte i pezzi di controllo mescolati a quelli di produzione e i risultati ottenuti da ciascuno vengono compilati per ottenere un risultato unanime di accettato/rifiutato. Sebbene questo metodo consenta alle aziende di vedere quali tipi di difetti vengono rilevati in modo coerente e quali ispettori hanno le migliori prestazioni, è limitato a piccoli insiemi di dati. Inoltre, può produrre risultati non rappresentativi, poiché l’aspetto dei difetti può essere irrealistico, o artificiale, e la distribuzione dei difetti è sempre irrealistica. Le aziende dovrebbero valutare l’accuratezza e la ripetibilità dei singoli ispettori e creare set di dati iniziali etichettati per l’addestramento della rete neurale utilizzando immagini con difetti realistici.

Infine, per ottenere il Ground Truth un’azienda dovrà avere almeno un esperto di fiducia che conosca in modo approfondito gli standard di qualità dell’azienda. In primo luogo, i team registrano le immagini e i risultati delle ispezioni durante la produzione con ispezioni sia manuali sia automatizzate. L’esperto conferma poi se sia possibile determinare in modo affidabile il risultato accettato/rifiutato e contribuisce a stabilire uno standard di qualità dell’immagine per il team di etichettatura, assicurando che solo i dati precisi vengano inseriti nel modello di Deep Learning.

I risultati dell’ispezione visiva manuale e automatica possono quindi essere confrontati. In caso di allineamento dei risultati, il team può ritenere che le decisioni siano corrette e le immagini possono essere aggiunte alla serie di dati. Se i risultati differiscono, l’esperto li esamina e decide quali soluzioni adottare. L’esperto aiuta a stabilire un database di immagini ground truth affidabile con immagini basate su campioni reali in condizioni realistiche. Inoltre, l’esperto contribuisce a creare statistiche affidabili sulle prestazioni, tra cui la distribuzione dei difetti e i dati sulle prestazioni delle ispezioni manuali e automatiche, migliorando al contempo i processi di ispezione. Inoltre, l’esperto fornisce dati che possono essere riutilizzati per futuri progetti di automazione. Quando i componenti devono essere manipolati o maneggiati per trovare i difetti, questo metodo fornisce scarsi risultati. Un altro svantaggio di questo metodo è che si basa su un unico decisore.

• Inizia con il deep learning nella parte 1 di questa serie.
• Nella terza parte esamineremo la fase di ottimizzazione.
• Nella parte 4, esamineremo l'accettazione in fabbrica.