Individuazione dei difetti di produzione con gli algoritmi di Artificial Intelligence Riconoscere e classificare i difetti di produzione - il caso ...
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Innovative Enterprise Business Solutions
Since 1995
Individuazione dei difetti di produzione con gli algoritmi di Artificial Intelligence
Riconoscere e classificare i difetti di produzione – il caso IRCE
1 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
Speakers
Gualtiero Biella Andrea Casadio Mattia Ravasio
Managing Director CIO AI & IT Consultant
GN Techonomy IRCE GN Techonomy
2 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
CHI SIAMO
▻ Solution Provider dal 1995 ERP
▻ Milano – Bergamo CRM & HRM
Analytics &
▻ 75 + Consulenti EPM
▻ Oracle Partner IoT: per l’asset Hybrid
monitoring Integration
▻ Software AG Partner
▻ Presenti in tutte le industries:
COMPETENZE
Machine
Learning
Blockchain
Artificial
Intelligence
Native
Applications
for Business
3 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
INNOVATIVI PER VOCAZIONE alcuni traguardi
Giugno 2015: Oracle Accelerate Top Performing Partner
Marzo 2018: IaaS Oracle Italy Partner of the Year
Marzo 2019: Innovation Oracle Italy Partner of the Year
Febbraio 2020: Oracle Cloud Infrastructure Partner of the Year
4 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
IRCE | Company Overview
Ø Il Gruppo IRCE è un’importante realtà multinazionale di rilevanza europea che opera
nel settore dei conduttori per avvolgimento e cavi elettrici
§ Fondata nel 1947 Imola
§ Fatturato FY19: 311M€
§ Numero dipendenti: 710
§ Quotata in borsa nel segmento «Star Market» dal 2001
§ Stabilimenti produttivi Italia: 4
(Imola-BO, Umbertide-PG, Guglionesi-CB, Miradolo-PV)
§ Stabilimenti produttivi estero(*): 5
(Nijmegen-NL, Blackbur-UK, Joinville-BR, Cochin-IND, Kierspe-D)
§ Depositi commerciali/distribuzione: 6 (IT[2], D, S ,CH, PL)
(*)2018 fondata società in Cina
5 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
IRCE | Business
Aree
1) Magnet wires (80%): conduttori in Cu/Al isolati per avvolgimento di macchine elettriche.
Utilizzati in molteplici applicazioni quali motori e generatori elettrici, trasformatori, induttanze e relais.
2) Energy cables (20%): Cavi isolati per il trasposto di energia.
Utilizzati per le realizzazioni di impianti elettrici, di edifici civili e industriali e per l'alimentazione e il
cablaggio di apparecchiature elettriche. I cavi prodotti dal gruppo comprendono una gamma
completa di basso e medio voltaggio.
Settori
1) White Goods (Embraco, Nidec Group, BSH, Secop, Ceme, Elica Spa)
2) Automotive (Denso Manufacturing, Robert Bosch, Mahle Group, G. Cartier Technologies, Hanon
Systems)
3) Electromechanical/Electronics (Siemens, Schneider Electric, EBM-Papst Mulfingen, Cummins
Generator Technologies)
6 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
IRCE | Sistema Ottico di Rilevazione Difetti in linea
Scenario (1/2)
Ø Produzione di piattina smaltata per avvolgimenti
motori elettrici per clienti automotive
Ø Produzione a ciclo continuo
Ø Ciclo di vita del prodotto nella fase di «maturità»
• il prezzo lo fa il mercato
à necessità di grandi volumi
à efficienza
Ø Lo scarto di produzione è strettamente collegato al
tempo che intercorre tra il difetto e la sua rilevazione
(funzione esponenziale)
7 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
IRCE | Sistema Ottico di Rilevazione Difetti in linea
Scenario (2/2)
Ø Un singolo difetto non rilevato durante la produzione compromette
tutta la produzione di un rocchetto (scarto > tempo)
Ø Un difetto non rilevato di un prodotto consegnato al cliente
compromette tutta la produzione del cliente
(reso di tutta la consegna > scarto > tempo > risarcimento )
Ø Tipologia di difetti
• Dimensione di analisi = micron
§ Non visibile a occhio nudo
§ Molti falsi positivi
• Falla = mancanza di isolamento in un punto
• Grumo = eccesso di isolamento in un punto
8 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
IRCE | Sistema Ottico di Rilevazione Difetti in linea
1. Controllo della qualità del prodotto al 100%
2. Ridurre al minino il tempo di rilevazione e notifica del difetto per aumentare l’efficienza
3. Escludere i falsi positivi (intervenire solo quando serve) per ottimizzare la rilevazione dei difetti
4. Localizzare il difetto puntualmente
Selezionare e filtrare le immagini in tempo reale applicando criteri automatici ed efficaci
Sistema Ottico di Rilevazione dei Difetti in Linea + GN Quality Assurance
9 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGN Quality Assurance | Tecnologia
Object
Detection Obiettivo
Machine IDENTIFICAZIONE AREA DIFETTOSA Monitoraggio
Learning
continuo per
Computer Machine garantire la
Pre- Vision Vision
Processing qualità del filo
durante il
Filtri processo di
Intelligenza
produzione
Artificiale attraverso un
Lenti (Rete Neurale Convoluzionale) riconoscimento
CLASSIFICAZIONE AREA DIFETTOSA
automatico dei
Sensori pezzi difettosi
10 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGN Quality Assurance | Individuazione del difetto
1. Ritaglio del filo
2. Eliminazione del rumore
3. Bounding Box
11 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGN Quality Assurance | Individuazione del difetto 1. Prima Classificazione Ø Se le dimensioni del bounding box sono inferiori ad una certa soglia (numero di pixel), l’immagine viene già catalogata come non difettosa Ø Altrimenti viene catalogata come possibile difetto e si procede 2. Estrazione del Dettaglio Ø Per le immagini i cui Bounding Box soddisfano i requisiti minimi, si procede all’estrazione del dettaglio Ø Le immagini così estratte sono pronte per il secondo passo del processo di analisi: la classificazione vera e propria 12 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
GN Quality Assurance | Classificazione
1. Pre-processing → Training set (60%), Validation set (20%), Test set (20%)
2. Rete Neurale Convoluzionale (CNN) → classificazione in difetto / non difetto
13 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGN Quality Assurance | Classificazione
Training e Validazione del Modello
Ø Si utilizza il data set di training per addestrare
la rete neurale a distinguere tra i veri difetti e
quelli che non lo sono
Ø Si verifica l’efficacia del modello, in termini di
errore e accuratezza, confrontando i risultati
ottenuti sui data set di training e di validazione.
Si procede modificando gli iper-parametri
della rete finché non si raggiungono i risultati
desiderati
Ø In conclusione si verifica l’efficacia del modello
finale sul data set di test
14 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comComputer Vision – Risultati
Ø Il risultato della prima parte di processo, quella puramente algoritmica, su un totale
di 946 immagini è il seguente:
Valore Previsto
YES NO
Accuratezza: 86%
YES 206 0 Recall: 100%
Valore Reale
NO 132 608
Immagini che vengono date input alla CNN
15 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comCNN – Risultati e Matrice di Confusione
Ø Training set (con data augmentation): 2070 di cui 804 difetti e 1266 non difetti
Ø Validation set: 143 di cui 55 difetti e 88 non difetti
Ø Test set: 138 di cui 49 difetti e 89 non difetti
Training Validation Test
loss 0.1534 0.1226 0.0983
accuratezza (%) 94% 96% 95%
Valore Previsto
Previsione sul Test set:
YES NO
YES 45 4
Valore Reale
NO 3 86
16 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGrad-CAM
Per validare il corretto comportamento da parte della rete neurale abbiamo utilizzato
una tecnica nota come Grad-CAM (Gradient-weighted Class Activation Mapping) che
fornisce una «spiegazione visiva» di quali elementi utilizza la rete durante il processo
decisionale
17 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comIRCE | Sistema Ottico di Rilevazione Difetti in linea
Prima
1. Le immagini generate dal sistema ottico, in caso di possibile difetto, venivano salvate in una share
di rete (una due foto per singolo difetto)
2. Due/tre volte al giorno l’operatore controllava e analizzava tutte le immagini
3. In caso di possibile difetto utilizzando la data e l’orario della creazione dell’immagine ricercava il
lotto di produzione
4. L’immagine veniva salvata e abbinata al rocchetto
5. I falsi positivi venivano spostasi in una cartella temporanea
Debolezze
1. Procedura completamente manuale
2. Lasciata la decisone alla discrezionalità e alla capacità dell’operatore
3. Individuazione del difetto a posteriori
4. Nessuna garanzia nell’efficacia del metodo
18 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comIRCE | Sistema Ottico di Rilevazione Difetti in linea
Dopo
1. Le immagini generate dal sistema ottico in caso di possibile difetto vengono analizzate in tempo
reale da un «software»
2. Le immagini vengono selezionate e filtrate. Solo i possibili difetti vengono notificati all’operatore,
riducendo notevolmente la cardinalità dei campioni da analizzare
3. L’immagine viene abbinata direttamente al corretto lotto di produzione
4. Operatore verifica solo le immagini filtrate
Forze
1. Procedura automatica in tempo reale
2. Univocità nel metodo di selezione
3. Individuazione del possibile difetto in tempo reale
4. Possibilità di misurare l’efficacia del metodo
19 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.comGrazie per l’attenzione Contatti gualtiero.biella@gntechonomy.com – mattia.ravasio@gntechonomy.com info@gntechonomy.com www.gntechonomy.com 20 | © 2020 GN Techonomy. All rights reserved. For confidential use only. - www.gntechonomy.com
Puoi anche leggere
