Tenere d'occhio la produzione con il deep learning

Bosch Car Multimedia, in qualità di fornitore di componenti elettronici per diversi clienti dell'industria automobilistica, punta su un elevato standard di qualità dei sensori automobilistici prodotti. Per garantire questo standard, i difetti devono essere rilevati in modo rapido e affidabile. In questo caso specifico, il compito è verificare la presenza di difetti nelle molle metalliche. Queste molle costituiscono il collegamento elettronico tra la scheda principale e una boccola in rame sul coperchio di un sensore. Poiché si tratta di un processo di lavorazione manuale, durante la produzione possono verificarsi diversi difetti sulla molla metallica.

Ottimizzazione del controllo qualità con la visione artificiale

Bosch si affidava già in precedenza a un processo di ispezione automatizzato, ma desiderava ottimizzarlo ulteriormente. L'obiettivo era migliorare la qualità complessiva dell'ispezione, rendere la nuova soluzione più economica e ridurre i lavori di manutenzione dell'applicazione. Bosch ha scelto il software di visione artificiale MERLIC di MVTec Software GmbH in Germania. MVTec MERLIC è un software di visione artificiale di facile utilizzo che consente di risolvere le applicazioni di visione artificiale più comuni anche senza competenze di programmazione.

Il deep learning aiuta a rilevare i difetti

Nell'applicazione Bosch, la visione artificiale si presenta così: una fotocamera da cinque megapixel cattura un'immagine dall'alto per ciascun componente. Il rilevamento delle anomalie del contesto globale viene utilizzato per ispezionare le immagini catturate con le molle metalliche. La tecnologia di deep learning ha due reti neurali. La rete "locale" verifica la presenza di difetti su piccola scala come graffi, crepe o sporco. La rete "globale" fa un ulteriore passo avanti e verifica la presenza di difetti logici come parentesi piegate o mancanti. Dall'interferenza delle due reti, il Global Context Anomaly Detection determina un punteggio di anomalia. Tale valore viene poi confrontato con il valore di soglia di anomalia definito a priori. Se il punteggio di anomalia è superiore a questa soglia, il componente è difettoso e deve essere rifiutato. Dopo l'ispezione, ogni immagine può essere rivista nel frontend di MERLIC. Particolarmente utile: è possibile utilizzare una mappa termica per tracciare in modo trasparente quali parti dell'immagine hanno attivato il rilevamento dell'anomalia.

Fino ad ora, il processo di ispezione è stato eseguito utilizzando metodi di visione artificiale basati su regole. Tuttavia, uno degli svantaggi di ciò era che tutti i possibili tipi di difetti dovevano essere estratti individualmente utilizzando "cattive immagini". Al contrario, l’addestramento ai metodi di deep learning di MERLIC richiede solo “buone immagini” di parti intatte. Poiché questi sono molto facili da acquisire, si risparmia tempo e denaro.

Integrazione del software di visione artificiale nel sistema di controllo della macchina

La questione su come integrare il software di visione artificiale in un processo di produzione esistente era particolarmente interessante per Bosch, poiché il processo di produzione e il controllo di qualità integrato non dovevano essere modificati. L'obiettivo principale era quindi l'integrazione del software di visione artificiale nel sistema di controllo della macchina. Il software doveva essere collegato direttamente alle macchine, poiché l'impianto non dispone di un controllore logico programmabile (PLC). Il protocollo MQTT integrato in MERLIC fornisce la necessaria comunicazione da macchina a macchina. Ciò ha consentito di integrare facilmente il software di visione artificiale nel processo tramite protocolli di comunicazione IoT standard. Lo sviluppo del programma di calibrazione del sistema di visione artificiale potrebbe essere accelerato tramite il software facile da usare.

“Abbiamo completato con successo la prova di concetto alla fine del 2022. Nel processo, tutti i nostri obiettivi sono stati raggiunti in termini di tassi di rilevamento, requisiti di manutenzione del sistema e costi. Pertanto, la messa in servizio di una nuova linea di produzione avrà luogo a metà del 2023. Successivamente verrà pianificata l’implementazione su altre linee esistenti”, spiega João Paulo Silva, esperto di test del dipartimento di ottica e meccanica del Centro di competenza di Bosch Automotive Electronics in Portogallo. Sulla base del potenziale, Bosch prevede di automatizzare in futuro più impianti di elettronica automobilistica utilizzando il deep learning.