VPDL深度學習 | 開始製造業的深度學習專案 第一階段:規劃

許多製造公司轉為利用深度學習軟體,以補足現有檢測系統,或基於規則的演算法不足之處。例如,當產品本身或組件中可能出現的缺陷數量,各有顯著差異時,系統難以採用程式設計方式,將組件定義為合格或不合格。

深度學習軟體有助於解決這類情況,但成功實作與最終成果,取決於提前採取的必要步驟。一般來說,深度學習專案需要四個步驟:規劃、資料收集和加上真實狀況標籤、最佳化,以及工廠接受閾值測試。本文帶您瞭解步驟 1:規劃階段。

召集團隊,識別目標

如果公司決定實作深度學習解決方案,則必須召集不同的關係人組成團隊,研究目前的流程、定義新目標,以及判斷深度學習是否可協助達成這些目標。此團隊應由工廠管理階層、自動化、QA 及系統整合廠商或機器製造廠商組成。務必要妥善定義團隊裡的每個人都有共識的一致目標。這些目標可能包括減少有缺陷/不可接受的產品逸失 (漏判)、減少廢料 (誤判) 或有缺陷/不可接受的產品或組件藉以控制成本,或提供其他超越合格與不合格判斷功能的缺陷分類功能。

如果合作的團隊決定向前邁進,有個步驟是需要識別「燈塔」專案,用以向管理階層證明資源支出的正當性。此專案的目標不應不切實際。專案不應過於簡單或困難,並要能產生穩健的報酬率,讓管理階層瞭解部署深度學習是未來的可行之道。

挑選專案,向前邁進

對於某些製造廠商而言,現有機器視覺解決方案可能產生過多漏報或誤報情況,或系統可能由於產品變化或環境變更過多,而不再能夠運作良好。例如,在汽車業電子檢測中,端子點焊應用會在基於規則的系統形成問題。

端子點焊會產生包括髮夾、引線對焊點,以及引線對引線等的多種不同焊接類型,還會在反光表面形成略有變化的三維金屬投影。機器視覺系統擷取端子點焊圖像時,即使是最佳組件,圖像中也經常包含反光、陰影、有色區域及表面特徵。這些效果經常和實際的缺陷類似,例如裂縫、刮痕、焦痕及焊接過度或不足。由於傳統機器視覺系統無法可靠地檢測焊接處和區分合格與不合格組件,因此這些自然變化會在檢測時形成問題。

 

焊接點呈現自然變化,從深度學習軟體收到正確的「合格」分級
三張合格焊接點圖像


焊接點呈現凹陷、過小及過大的缺陷,從深度學習軟體收到正確的「不合格」分級

焊接點凹陷、過小、過大



深度學習檢測系統透過經內部評估並加上標籤的產品規格表進行訓練。這可協助軟體區分合格與不合格組件,甚至還能識別有缺陷產品中的問題類型。這類功能讓深度學習軟體能對人工檢測與電子測試提供可行的替代方案,並步入基於規則的演算法無法達到的境界。

我們將在第 2 階段帶您瞭解資料收集與真實狀況。

白皮書_專為工廠自動化應用設計的深度學習技術_TW


Cognex VisionPro Deep Learning


第二階段:展開製造業中的深度學習專案 第2階段:收集資料並建立真實狀況

line