El deep learning ha ampliat enormement el que la visió artificial pot inspeccionar. En línies on els defectes són variables o difícils de descriure amb regles fixes —com les de conserves i llaunes—, és la tecnologia que marca la diferència. Vegem com s’aplica el deep learning al control de qualitat i a la inspecció avançada de llaunes.
Deep learning aplicat al control de qualitat
A diferència de la visió per regles, el deep learning aprèn a partir d’exemples de peces bones i defectuoses. Així reconeix defectes que no es poden definir amb una fórmula: variacions de textura, deformacions subtils, defectes irregulars. És ideal quan la variabilitat del producte és alta.
Els reptes d’inspeccionar llaunes
Les línies de conserves (canning) són exigents: alta velocitat, superfícies metàl·liques amb reflexos, i defectes com abonyegaments, defectes en el tancament/engatillat, mal segellat, deformacions o codificació il·legible. Molts d’aquests defectes són variables i difícils de parametritzar.
Inspecció avançada de llaunes amb deep learning
Amb models entrenats sobre imatges reals de la línia, el sistema aprèn a distingir una llauna correcta d’una defectuosa fins i tot amb reflexos i variabilitat. Detecta abonyegaments i defectes de tancament, verifica el correcte segellat i valida la codificació, rebutjant automàticament les unitats no conformes.
Beneficis
Inspecció del 100 % en línies de gran cadència, detecció de defectes que les regles fixes no capturen, menys reclamacions i traçabilitat de cada rebuig.
A AIS Vision Systems apliquem deep learning i la nostra plataforma d’inspecció a la inspecció avançada de llaunes i conserves. Explica’ns la teva línia.