Detección visual de defectos en la automatización de fábricas

Los datos de formación serán imágenes recopiladas de una cámara que coincida estrechamente con la utilizada en la línea de fábrica. La iluminación debe ser consistente con las condiciones de fábrica, incluyendo cualquier iluminador adicional como luces de anillo. La lente de la cámara también puede afectar la calidad de la imagen, por lo que debe coincidir con la lente (o lentes, si hay varias opciones disponibles) utilizada en el sistema final.

La información de referencia para el conjunto de datos puede ser etiquetas como cajas delimitadoras sobre piezas defectuosas (mejor para piezas pequeñas y simples como tornillos) o máscaras de imagen que aíslan píxeles en regiones específicas que muestran defectos (mejor para objetos grandes y complejos como PCB). Seleccione el tipo de modelo antes de etiquetar los datos, ya que la arquitectura del modelo puede influir en el tipo de anotaciones requeridas.

Los modelos se pueden entrenar con CCStudio™ Edge AI Studio o edgeai-modelmaker para redes neuronales compatibles con TI. Los desarrolladores  más avanzados  pueden abordar esta tarea mediante modelos de codificadores automáticos para la detección de anomalías.

Seleccione el mejor tipo de modelo para sus defectos:

• Modelos de detección de objetos  (como YOLOX): es mejor para detectar defectos distintos y separados, como grietas, componentes faltantes u otros defectos grandes.
• Modelos de segmentación semántica  (como DeepLabv3): ideal para detectar problemas a nivel de superficie, como problemas de decoloración o textura.

Resolución y velocidad de equilibrio:

Elija una resolución lo suficientemente alta como para detectar pequeños defectos importantes, pero no tan detallada que ralentice su proceso de inspección. La mayoría de los sistemas mejoran la eficiencia al reducir la escala de las imágenes capturadas originales para reducir la cantidad de datos que se deben procesar.

Considerar la detección de anomalías para casos únicos:

para situaciones en las que los defectos son impredecibles o difíciles de definir, los modelos de detección de anomalías (mediante codificadores automáticos) pueden ofrecer un enfoque más sencillo. Estos modelos aprenden cómo lucen los productos" normales" y señalan cualquier cosa diferente, como un defecto potencial, sin necesidad de entrenar en ejemplos defectuosos. Sin embargo, estos tipos de modelos no son compatibles con Edge AI Studio o edgeai-modelmaker, por lo que los desarrolladores deben implementar una red neuronal de codificadores automáticos ellos mismos y exportar a un formato compatible como ONNX. 

La implementación del modelo requiere que el modelo se compile previamente para el acelerador de hardware de destino. Con herramientas como Edge AI Studio y edgeai-modelmaker la compilación es automática. De lo contrario, compilar modelos requerirá un paso separado a través de paquetes de software como edgeai-tidl-tools en el GitHub de TI mediante un flujo de incorporación de su propio modelo.

Los artefactos modelo se implementan a través de tiempos de ejecución como ONNX Runtime, ‌LiteRT (anteriormente tensorflow-lite) y TVM mediante TI Deep Learning (TIDL) como el software de backend para la aceleración del hardware.

La implementación del modelo en una aplicación de visión de extremo a extremo se logra con edgeai-gst-apps, que compone el encauzado con múltiples etapas de aceleración de hardware para el preprocesamiento y posprocesamiento de la imagen, además de acelerar el propio modelo de IA.

Además de edgeai-gst-apps, hemos creado una demostración para la detección de defectos en objetos pequeños, terminales de anillo, utilizando la red de detección de objetos YOLOX-Nano y edgeai-gst-apps como base. El modelo fue entrenado con Edge AI Studio para reconocer piezas buenas frente a múltiples tipos de defectos. El posprocesamiento y la visualización adicionales muestran estadísticas para el número de piezas buenas y defectuosas.