Teste de qualidade usando tecnologia de rede neural na STIHL

Deep Learning reduz custos, tempo e erro humano

O Grupo STIHL é um nome global no desenvolvimento, fabricação e distribuição de ferramentas elétricas. Com um volume de vendas mundial de quase 4 bilhões de euros e uma força de trabalho de 16.722, a STIHL supervisiona suas próprias fábricas em sete países – Alemanha, EUA, Brasil, Suíça, Áustria, China e Filipinas.

Os cabeçotes de sucção de gasolina são componentes de uma motosserra, filtrando sujeira, aparas de madeira e outros elementos invasivos para garantir que nenhuma partícula de sujeira entre na câmara de combustão, o que pode causar danos à ferramenta elétrica. A inspeção nas cabeças de sucção ocorre no meio do processo de produção, e devem ser avaliadas antes que a peça prossiga para a próxima etapa do processo de fabricação.

É crucial avaliar e classificar esses componentes para garantir que estão adequados antes de serem usados.

Antes da implementação do novo sistema, os operadores realizavam um teste de qualidade visual. Embora a máquina de produção sempre tenha sido automatizada, a intervenção do operador se fazia necessária quando a produção desviava dos padrões de qualidade. Nesses casos, o operador precisava inspecionar visualmente o lote de peças para determinar se a máquina de produção está com algum problema. 

A STIHL buscou uma nova solução, que substituísse o elemento humano pela visão de máquina baseada no deep learning. A avaliação de garantia de qualidade seria para cortar custos e economizar tempo.

Solução 

As ferramentas convencionais de processamento de imagem foram usadas para avaliar as peças; a funcionalidade de aprendizado estende o campo de recursos de processamento de imagem em casos em que o processamento de imagem convencional produz resultados inconclusivos, devido à alta variabilidade natural.

Para o treinamento de uma rede neural as imagens devem ser adequadas, devidamente rotuladas e representar as variações de aplicação esperadas em uma configuração que produza condições de imagem repetíveis. O desafio foi simplesmente coletar o grande volume de imagens necessário, bem como o corte, classificação e rotulagem cuidadosas das imagens.

O sistema de visão Matrox Design Assistant X rodando em um controlador de visão Matrox 4Sight GPm, selecionado por causa das capacidades de conexões PROFINET e suporte Power-over-Ethernet (PoE). O sistema também inclui uma câmera line-scan, uma mesa giratória, um codificador e luzes de alta iluminação.

Destaques

  • O processo de inspeção de cada peça envolve a observação de quatro características distintas e a máquina processa 60 peças por minuto. A inspeção, portanto, ocorre a uma taxa de 240 imagens por minuto.
  • O sistema superou com sucesso o desafio de estabelecer uma apresentação correta, segura e repetível da passarela para facilitar a obtenção de imagens.
  • Com seu novo sistema de visão agora implantado, a STIHL está extremamente satisfeita com as melhorias que as ferramentas de classificação baseadas em deep learning da Matrox fizeram em suas medidas de garantia de qualidade. Planos já estão em andamento para desenvolver um segundo sistema semelhante.