康耐视小型 Dataman 和近距离镜头博客横幅

康耐视博客

在点焊应用中使用深度学习

显示连接的节点叠加在点焊图像上的大脑的横幅

深度学习技术可以帮助制造商检测会损坏电气元件质量的有缺陷点焊。

点焊是电气设备性能的关键,因为它们将零件连接在一起,并保持电流流动。有缺陷的点焊会缩短电气组件的使用寿命,导致代价昂贵的退货或维修,从而损害制造商的声誉。通过在制造阶段检测出更多缺陷,可以降低召回和返工成本。

人类检测有缺陷的焊缝的能力很强,但他们很难保持一致,并且可用性也有限。他们不能一直盯着每一个点焊。相比之下,通过实现点焊检测的自动化,可以发现生产过程中的上游问题,从而捕获更多缺陷并降低返工成本。与单纯依靠人工检查员相比,这给自动化带来了巨大的优势。

深度学习使用软件算法和统计建模来模拟人脑的工作。这些算法创建了经过优化的神经网络,以识别异常情况并区分好的结果和坏的结果。有了足够的时间和数据,这些网络便可以有效地教会自己更好地执行工作。

但为什么制造商要部署深度学习应用来检测点焊? 为什么不使用传统的机器视觉系统进行点焊检测? 这在很大程度上是因为焊缝是三维对象,本质上是不明确的。没有两个焊缝在形状或尺寸上是相同的。

Pin to pin weld, wire to pin/pad weld, wire to wire weld

(不同类型的点焊,从左到右:针脚到针脚、焊线到针脚/焊盘、焊线到焊线)

基于规则的机器视觉系统使用软件来识别数字图像上的特定细节,如发动机缸体上的序列号或钢制组件的边缘。当您的组件具有几乎相同的特征时,它尤其有效。

对于点焊,每个金属块的尺寸都略有不同。这使得创建一个基于规则的机器视觉系统来检测装配线上的大量点焊变得异常复杂。

深度学习检测应用会比较有缺陷点焊的图像和无缺陷焊缝的图像,从而克服这一挑战。一组图像会对神经网络进行扫描已知缺陷方面的训练,而另一组验证图像则提供比较的基础。

Three images of good spot welds

(好点焊)

Spot weld with pitting, undersized spot weld, oversized spot weld

(坏点焊,从左到右:点蚀、尺寸过小、尺寸过大)

VisionPro 深度学习如何在点焊检测中运行

康耐视开发了 VisionPro® 深度学习 软件套件,以简化点焊检测等制造过程的自动化。VisionPro 深度学习有两个核心工具,可以在点焊检测应用中良好地运行:

  • 红色分析工具,用于识别缺陷,以便您可以将其从生产过程移除
  • 绿色分类工具,它会创建缺陷类别,帮助您从检测点上游提高工艺质量和准确性。

使用红色分析工具

红色分析工具可以发现点焊数字图像上的异常。用户确定正确的图像是什么样子,并标记与正确图像的任何偏差。一组图像训练神经网络识别有缺陷的点焊。从训练数据库中保留第二组验证图像。这些验证图像有助于软件确定好的和坏的点焊在外观上的“基本事实”。

红色分析工具有两种训练模式:

  • 监督模式:在监督模式下(如上文所述),用户拍摄焊缝照片,将范围缩小到缺陷或异常,记录每种缺陷,并为它标注,告诉软件“这是缺陷”。
  • 非监督模式。在非监督模式下,用户从没有缺陷或异常的图像开始,并将其标记为“好”。会将偏离此基准的任何图像都推定为需要识别缺陷。

这些模式的标签会为 VisionPro 深度学习中的神经网络生成训练图像。在检测中,软件会分析生产线上焊缝的图像。深度神经网络将生产线上的该产品图像与经训练的验证图像进行比较,以确定焊缝是否通过检测。

使用绿色分类工具

绿色分类工具会创建用于诊断生产线上游问题的缺陷或异常类别。例如,太平或形状奇怪的焊缝可能表明焊机存在故障。用户使用分类工具,为这些工件标注,指示检测系统标记缺陷,并将错误告知焊机操作员。
与红色分析工具一样,绿色分类也有两种训练模式:

  • 场景分类。使用场景分类,用户可以将图像标记为好的或坏的,然后添加标签来记录凹痕或形状不佳等缺陷。
  • 单个缺陷分类。对于单个分类,用户从红色分析工具中获取图像和结果数据,并使用它对特定的缺陷或缺陷区域进行分类。

Flow diagram showing process for classifying defects individually and by scene

(场景和单个缺陷分类的处理流程)

一旦用户对图像进行分类,神经网络便会将类别与验证图像进行比较,并返回正确的缺陷类型。

红色分析和绿色分类工具通常按顺序使用。首先,红色分析检测是否存在缺陷或异常,然后绿色分类评估异常并确定缺陷类型。产生的输出被交付给生产线操作员,然后由其决定如何处理有缺陷的产品。

提高深度学习应用成功率的 3 个决策

在正确的时间做出正确的决策,可以在很大程度上确保深度学习在点焊应用中的成功。这三个决策至关重要:

1. 权衡投资回报

实现点焊检测的自动化必须产生比成本更高的效益。应用深度学习需要在软件上投资、支付工资和购买设备。此外,创建、测试和实施系统需要时间,这会产生成本。在自动化上投资应节省资金,或者至少在相同的价格下提供更好的性能。
检测的自动化还会产生有价值的结果,这些结果可能无法提供明确的 ROI,例如:

  • 统计过程控制。数据揭示了制造过程上游的问题,因此可以更快地解决这些问题。
  • 持续学习。用于深度神经网络训练的图像越多,随着时间的推移,它的精度就会更高。
  • 工艺文档。轻松编制和共享检测质量报告。

2.  准确复制生产环境

用于深度学习检测的工业自动化相机需要适当的照明和定位,以捕获点焊的所有关键数据。通过控制眩光和限制数字图像中的阴影,会使检测缺陷变得更容易。如果人眼看不到焊缝上的东西,深度学习应用也看不到。

深度学习应用开发从实验室开始,然后转移到工厂车间。当然,在实验室中完全复制生产环境几乎是不可能的。因此,用户希望将应用带出实验室,并在实际可行的情况下开始在生产环境中测试它们。深度学习系统可以从生产线获取新的数据,以提高检测质量。

3. 使标记变得简单准确

要开发用于检测点焊的深度学习应用,需要仔细记录常见缺陷,如点蚀或变形焊缝。必须在数十幅图像上准确一致地标记这些缺陷中的每一个,甚至可能需要数百个标注。

标记阶段完成的工作的质量会影响之后的所有结果。因此,开发人员需要一个准确、一致、直观且易于理解的标记系统,就像 VisionPro 深度学习软件中的用户界面一样。

深度学习技术非常适合具有内在模糊性的应用。就像指纹和雪花一样,没有两个点焊是相同的,这使它们成为基于深度学习的解决方案的理想选择。然而,在将资源投入深度学习系统之前,制造商必须考虑三个重要因素:ROI、复制生产环境以进行精确测试的能力,以及标记训练图像的简单性。

幸运的是,康耐视提供的解决方案可以解决所有这些问题 – VisionPro 深度学习软件。软件中的红色分析和绿色分类工具首先会检测缺陷,然后对其进行分类,从而确保组件的完整性。通过在点焊应用中实施此软件,制造商能够在生产流程的早期识别检测,从而防止代价昂贵的返工,提供更高的质量,并向消费者灌输对产品的信心。

更多帖子

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们