Producción inteligente Inspección de cordones de soldadura con inteligencia artificial

VITRONIC analizó más de cerca el asunto de la inteligencia artificial (IA) en el visionado artificial en el artículo del blog “El visionado artificial se hace inteligente.” En este artículo, analizo la integración de la IA en los sistemas de visionado artificial y la examino mediante un ejemplo concreto de inspección de cordones de soldadura: la detección y clasificación de salpicaduras de soldadura.

Las salpicaduras de soldadura reducen la calidad de las superficies visibles o relevantes para el montaje.  Por lo tanto, resulta esencial contar con una detección extremadamente fiable.

¿Qué ventajas aporta la integración de la IA?

El visionado artificial (VM) clásico tiene sus limitaciones cuando se trata de fondos muy heterogéneos y una elevada variación de una característica defectuosa. Por lo tanto, en el caso de las salpicaduras, el resultado de la detección clásica de bordes no siempre es concluyente. La IA hace desaparecer esta desventaja al detectar de forma autónoma patrones que los humanos no perciben o no pueden cuantificar. De este modo, la IA flexibiliza el VM y el sistema aprende de las nuevas condiciones

Detección de salpicaduras con red neuronal

Pero ¿cómo puede expresarse la evaluación de las salpicaduras de soldadura “no aceptables” en términos de tolerancia de un sistema de inspección? A tal fin, los expertos evalúan qué irregularidades debe clasificar la IA como salpicaduras de soldadura. Las redes neuronales convolucionales (CNN) se entrenan con estos datos preevaluados. Una red entrenada de este modo puede clasificar mejor otras salpicaduras tras una breve fase de entrenamiento, en comparación con el método clásico.

Es importante contar con un gran número de conjuntos de datos distintos para el tipo de defecto, a fin de que posteriormente pueda reconocerse de forma fiable un gran ancho de banda de salpicaduras diferentes. Cuantos más datos de entrada haya disponibles, mejor se podrá entrenar la red.

Se asigna una etiqueta al conjunto de datos de entrenamiento o, más concretamente, a cada anomalía. Estas etiquetas constituyen los valores objetivo para el entrenamiento.

Debe tenerse en cuenta que las redes neuronales no son deterministas. Existe una alta probabilidad en la detección de errores, pero no excepcionalidad. Para estas probabilidades, se puede establecer un valor umbral a partir del cual se clasifica como salpicadura. Cuanto más bajo se establezca el valor umbral, mayor será la incertidumbre (100 % menos el valor umbral). A su vez, esto significa que puede haber pseudoerrores en la clasificación incluso con redes neuronales.

La inspección en línea requiere el cumplimiento de los tiempos de ciclo estipulados de la línea de producción. En la práctica, por tanto, el tiempo necesario para la inspección también es esencial.

Con fines de evaluación, hemos cotejado los tiempos totales de inspección del VM clásico y el asistido por IA. Determinados algoritmos de IA (como SSD, Single Shot Detection) alcanzaron casi las mismas velocidades que el visionado artificial clásico.

Por tanto, teniendo en cuenta la mayor precisión del método SSD, es la mejor alternativa para inspeccionar los cordones de soldadura.

Por supuesto, la IA puede utilizarse para algo más que la simple clasificación de las salpicaduras de soldadura. En el futuro, VITRONIC también utilizará la IA para detectar otros defectos, como poros y hendiduras. Hay un gran potencial para entrenar la IA en otros criterios.