Avviare un progetto di Deep Learning nel settore manifatturiero – Parte 4: Test di accettazione in fabbrica

Nella fase finale dell’avvio di un progetto di deep learning in un ambiente di produzione, una volta che il sistema si è dimostrato valido negli ambienti di collaudo, il team dovrà eseguire le procedure di accettazione in fabbrica (FAT).

Nella fase FAT, il sistema di visione e un ispettore umano continuano a classificare le parti come buone o cattive, mentre un esperto esamina eventuali ambiguità e applica le etichette corrette. Tutte le statistiche vengono poi monitorate per aiutare a determinare le prestazioni umane rispetto a quelle del sistema di visione.

Test statistici e di ripetibilità 

Una volta che il sistema di deep learning è approdato in fabbrica per il test di accettazione, il team deve eseguire test statistici, che comportano la raccolta di migliaia di punti di dati per un lungo periodo di tempo, al fine di rilevare l’intera gamma di tipi e frequenze di difetti. Questo approccio può essere abbinato alla convalida manuale delle ispezioni per calcolare con precisione il ROI del progetto. In pratica, significa far funzionare il sistema di deep learning in parallelo al processo di ispezione manuale e, dopo un mese, raccogliere le immagini e confrontare i risultati. Eventuali anomalie o discrepanze possono essere sottoposte all’esperto incaricato, che può effettuare una corretta valutazione per produrre dati statistici accurati.

Questa metodologia di test consente al team di eseguire la convalida end-to-end di ispezioni multistep, test compositi di tipi di pezzi e difetti, misurazioni dei costi e calcoli accurati del ROI. L’unico inconveniente è che i test statistici richiedono un insieme di dati ampio e rappresentativo, cosa non sempre immediatamente disponibile. Inoltre, le modifiche alla formazione dell’immagine, all’aspetto del prodotto o alle etichette di ground truth possono invalidare i dati di settimane o mesi, il che è molto importante da tenere a mente.

In definitiva, i test di ripetibilità non sono rappresentativi della reale distribuzione dei difetti o del loro reale aspetto, il che impedisce alle aziende di ottenere stime accurate sulla sovracapacità, sottocapacità e sul ROI. Occorre tenere presente questo aspetto se si è costretti a ricorrere a metodi di test di ripetibilità.

Aggiungere un livello di ispezione 

Un altro metodo comunemente utilizzato durante la fase FAT è l’ispezione a due livelli. In questo caso, un sistema di deep learning esegue la prima ispezione e le eventuali incertezze vengono inviate a un ispettore umano per un secondo controllo. Questo contribuisce a ridurre i falsi positivi e i falsi negativi. I risultati possono anche migliorare il processo di formazione del Deep Learning.

Un approccio a due livelli consente alle aziende di ridurre i casi di sottoccapacità e sovraccapacità ogniqualvolta le parti che rientrano nella categoria ambigua possono essere rielaborate. Inoltre, questo metodo contribuisce a ridurre gli scarti limitando la produzione di ulteriori pezzi difettosi e migliorando la fiducia complessiva del sistema, con un risparmio sui costi di manodopera e un miglioramento continuo, grazie all’individuazione di immagini di pezzi critici da aggiungere al set di addestramento.

Miglioramento continuo

Anche dopo aver ottenuto risultati FAT positivi, il team di deep learning deve migliorare continuamente il sistema raccogliendo dati e aggiungendoli al set di addestramento. Questi dati includono le immagini di componenti buoni, di quelli cattivi, di quelli al limite e di qualsiasi nuova variazione dei componenti, nonché le discrepanze tra il sistema di visione e di controllo umano. Un componente del team può selezionare manualmente queste immagini e aggiungerle al set di addestramento per convalidare il nuovo modello. In questo modo il team si prepara al successo, poiché il sistema può adattarsi più facilmente alle variazioni nel tempo, come quelle causate dai cambiamenti di illuminazione, dalle regolazioni della gestione dei pezzi e dai nuovi componenti. Inoltre, ogni volta che saranno disponibili nuove immagini contenenti casi di difetti rari, il team dovrà aggiungerle al sistema per perfezionarlo ulteriormente.

Quando un’azienda manifatturiera esegue tutte le fasi del progetto, tra cui la pianificazione iniziale, la raccolta dei dati e il ground truth, l’ottimizzazione e la FAT, i sistemi di deep learning possono apportare un enorme valore. Ma non è finita qui. Il team deve continuare a raccogliere dati e migliorare il modello su base continuativa. Con il passare del tempo, i risultati finali miglioreranno sempre di più.

Se stai iniziando ora il tuo percorso di deep learning, assicurati di dare un’occhiata alle parti precedenti di questa serie. Inizia con la Parte 1: Pianificazione, poi passa alla Parte 2: Raccogliere i dati e stabilire la ground truth, quindi esamina la Parte 3: Ottimizzazione per perfezionare il tuo approccio.