Cognex semplifica la factory automation
Grazie alla combinazione di Edge learning e strumenti di visione artificiale mirati, il sistema In-Sight 2800 di Cognex semplifica la factory automation. È facile da usare, addestrabile con poche immagini e capace di operazioni multiclasse e multi-ROI.
La nuova In-Sight 2800 di Cognex International abbina il meglio del machine learning e della visione tradizionale basata su regole, in un sistema di visione completamente integrato. Grazie ad algoritmi preaddestrati, può essere rapidamente e facilmente adottata in qualsiasi contesto industriale per automatizzare il rilevamento degli errori.
Questa soluzione consente ad aziende di ogni dimensione di semplificare l’integrazione, di soddisfare gli specifici requisiti applicativi e di ottenere una più elevata qualità dei prodotti grazie alla sua facilità d’uso, alla funzionalità multiclasse e di aree multiple di interesse. In-Sight 2800 può essere utilizzata da operatori di produzione e automazione anche senza conoscenze di deep learning o di visione artificiale, per risolvere problematiche di automazione di fabbrica complesse. La nuova soluzione Cognex potrà essere attivata così che possa riconoscere e classificare i difetti entro pochi minuti. Ed è in grado di farlo con un numero illimitato di classi, così da svolgere anche le operazioni di categorizzazione e selezione più avanzate.
Semplice da configurare e implementare
La visione artificiale e il deep learning sono noti sia per i benefici che offrono, sia per la complessità della loro efficace implementazione. Tuttavia, grazie ai recenti progressi nella factory automation, sono stati sviluppati numerosi strumenti di semplice usabilità. In-Sight 2800 è facile da configurare, senza bisogno di una programmazione avanzata. L’addestramento del sistema alla risoluzione di un problema è del tutto simile a quello di un nuovo addetto alla linea. Il tecnico mostra esempi con le necessarie distinzioni, e l’Edge learning incorporato è in grado di eseguirle rapidamente. Ma che cos’è l’Edge learning? È un sottoinsieme del deep learning in cui l’elaborazione avviene direttamente sul dispositivo, utilizzando un insieme di algoritmi pre-addestrati. La tecnologia è semplice da impostare, e per l’addestramento richiede meno tempo e meno immagini rispetto alle soluzioni più tradizionali basate sul deep learning. Per contro, l’implementazione degli strumenti di Edge learning di In-Sight 2800 richiede pochi minuti, una manciata di immagini di addestramento e l’attenzione di un tecnico che sappia del problema da risolvere ma, come abbiamo visto, che non deve necessariamente avere conoscenze specifiche di visione o di deep learning.
I benefici della funzionalità multiclasse
Una caratteristica fondamentale dell’Edge learning è la capacità di separare rapidamente e in modo affidabile le parti in categorie, dopo essere stato addestrato su immagini etichettate di quelle parti nelle categorie designate. Un’applicazione comune di questa funzione è la classificazione delle parti accettabili e non, quali OK/NG. Gli utenti addestrano gli strumenti di classificazione dell’Edge learning fornendo immagini di parti accettabili e non. Non occorre contrassegnare o definire cosa rende una parte non accettabile. Lo strumento valuta invece quali variazioni in una parte sono significative per effettuare una determinazione, ignorando al contempo le variazioni che non influiscono sulla classificazione. Gli strumenti di Edge learning, integrati in In-Sight 2800, sono anche in grado di gestire classificazioni molto più complesse di una decisione OK/NG binaria. Facciamo un esempio applicativo. Con la crescente customizzazione, i produttori spesso tengono a magazzino molte varianti di ogni pezzo. Ad esempio, ruote per automobili di lusso possono essere disponibili in decine di SKU (Stock Keeping Unit) con leggere differenze di modello, colore e finitura. Un ispettore umano può impiegare fino a un minuto per distinguere alcune di esse. Il tempo richiesto per completare questa attività è giustificato dal potenziale risultato che si otterrebbe se non lo si facesse, installando una ruota diversa da quella ordinata. Dopo l’addestramento con pochi esempi di ogni design di ruota di lusso, l’Edge learning è in grado di scegliere in modo affidabile la ruota giusta, o di confermare che lo stile previsto è stato montato sul veicolo.
Definire aree di interesse multiple
Per perfezionare un’applicazione di ispezione, un tecnico di linea può utilizzare la propria conoscenza delle significative zone variabili del pezzo per definire aree di interesse specifiche, chiamate “regioni di interesse” (ROI). Grazie a un’interfaccia intuitiva, è possibile configurare facilmente le applicazioni in In-Sight 2800 utilizzando strumenti di clic-and-drag. Un drag definisce un box, un altro lo sposta. La definizione del ROI è una parte standard della visione artificiale, ma il suo utilizzo richiede spesso una certa esperienza. La soluzione Cognex facilita l’applicazione anche a chi non ha esperienza specifica di strumenti di visione. Consente infatti di definire un numero qualsiasi di ROI, ognuno dei quali può identificare un numero qualsiasi di classi.
Così si semplifica l’esecuzione della verifica dell’assemblaggio, in caso di assemblaggi complessi con molte configurazioni differenti e parti variabili, come ad esempio i circuiti stampati. In precedenza queste problematiche richiedevano un’enorme mole di lavoro per stabilire quali caratteristiche verificare per confermare l’installazione della parte corretta, e programmare successivamente il sistema di visione per esaminarle. Gli strumenti di Edge learning di In-Sight eseguono queste determinazioni in modo autonomo.