Automatisation du contrôle qualité de fin de ligne

Entrevue Automatisation du contrôle qualité de fin de ligne

| Éditeur:
Nicole Kareta

Deevio, une start-up dans le domaine du contrôle qualité automatisé, a présenté son logiciel de machine learning aux visiteurs intéressés à EUROGUSS 2020 à travers un cas d’utilisation réel. Damian Heimel, co-fondateur et COO de Deevio, a expliqué le rôle et la fonctionnalité de cette technologie dans une interview.

Sociétés liées

Les fissures, les points d'impact, les trous de soufflage et les défauts tels que la porosité sont généralement difficiles à définir.
Les fissures, les points d’impact, les trous de soufflage et les défauts tels que la porosité sont généralement difficiles à définir.

SPOTLIGHTMETAL: Que fait exactement Deevio?

Damian Heimel: Deevio automatise les inspections visuelles dans le contrôle de qualité en fin de ligne grâce à la technologie d’apprentissage automatique. D’où le nom Deevio, qui est une combinaison des termes «Deep Learning» et «Vision».

Comment la société Deevio s’est-elle développée?

Damian Heimel: Deevio est né du constructeur d’entreprise «WATTx» de la société Viessmann. L’objectif de ce créateur d’entreprise est de favoriser l’implantation de jeunes entreprises industrielles afin d’introduire des innovations sur le marché.

SPOTLIGHTMETAL: Quelle niche Deevio occupe-t-il sur le marché du contrôle qualité?

Damian Heimel: Deevio automatise les tâches d’inspection visuelle. Ces types d’inspections visuelles à la fin de la chaîne de production sont souvent toujours effectuées manuellement. Le contrôle de la qualité sur les grandes lignes de production est souvent déjà automatisé par des caméras, des robots, etc., mais la toute fin du contrôle de la qualité ou de l’inspection de la qualité est une tâche hautement manuelle. En effet, jusqu’à présent, ce domaine a été difficile à couvrir avec la technologie d’automatisation. Cela est dû au fait que les défauts sont très spécifiques et très variables. Ils peuvent varier considérablement, rendant les fissures, les points d’impact, les trous de soufflage et les défauts tels que la porosité généralement difficiles à définir. Par exemple, une fissure de 3 mm de long est souvent toujours acceptable, tandis qu’une fissure de 4 mm de long n’est plus acceptable. C’est précisément là que notre logiciel d’apprentissage automatique pour la reconnaissance d’image offre de nouvelles possibilités de contrôle de la qualité.

SPOTLIGHTMETAL: Comment fonctionne le logiciel de machine learning de Deevio?

Damian Heimel: Notre logiciel utilise des exemples d’images pour apprendre. Le client nous montre des exemples d’images de fissures qui sont toujours OK – ces images sont ajoutées au « dossier OK ». Cela revient à travailler sur un ordinateur de bureau. Les images présentant des défauts plus graves sont placées dans le « dossier des défauts » dans l’ordre inverse. Ainsi, le logiciel obtient son niveau d’intelligence à partir de cette entrée et des connaissances expertes des employés qui effectuent un contrôle qualité depuis de nombreuses années, par exemple dans une fonderie. Un aspect particulièrement intéressant est que le logiciel – comme le terme « apprentissage » l’indique – continue d’apprendre. Cela signifie que nous pouvons toujours prendre de nouvelles images de la production et les intégrer dans le processus d’apprentissage. En conséquence, le logiciel s’améliore de semaine en semaine et apprend de la même manière qu’un être humain. De même, de nouveaux défauts peuvent facilement être enseignés avec de nouvelles images. Tout ce que le client a à faire est de fournir de nouvelles images avec ce défaut et nous installerons la nouvelle mise à jour. En bref, le logiciel d’apprentissage automatique de Deevio se caractérise par le fait qu’il peut gérer une grande variabilité des défauts et apprendre en continu. Le logiciel spécial a l’avantage supplémentaire de présenter un algorithme qui crée un niveau de détail très élevé en combinant plusieurs images dans une seule image. Cela signifie que les surfaces réfléchissantes, en particulier sur les pièces en aluminium, ne posent aucun problème.

Malgré une grande précision de production, les fonderies de moulage sous pression ont toujours tenu compte du fait que des défauts peuvent survenir dans la production, par exemple en raison d'une composition chimique inappropriée de la masse fondue, de la modification des paramètres de la machine et du processus et en raison de l'usure des moules de moulage sous pression. .

SPOTLIGHTMETAL: Pourquoi l’automatisation est-elle si importante dans le contrôle qualité?

Damian Heimel: Une entreprise produit plusieurs milliers de pièces par jour. Dans le processus manuel, une personne doit récupérer plusieurs milliers de pièces fabriquées et évaluer sa qualité. Je l’ai testé moi-même et ma conclusion est: une personne peut répéter ce processus pendant plusieurs heures, mais à un moment donné, les yeux se fatiguent, vous vous fatiguez et vous avez faim. De plus, les gens se sentent différents chaque jour, ce qui rend impossible la détection de tous les défauts. Ainsi, une personne ne peut pas effectuer une telle tâche répétitive à cent pour cent. Cependant, le contrôle de qualité en fin de ligne concerne les pièces expédiées directement après. Cela signifie que les pièces défectueuses peuvent glisser, qui sont ensuite envoyées au client. Surtout si une entreprise livre juste à temps, elle ne peut pas se permettre ce genre d’erreur. Donc, l’alternative est d’embaucher plus de personnes pour effectuer des inspections supplémentaires ou d’automatiser complètement le processus. Un autre aspect concerne l’âge croissant de la main-d’œuvre. Les personnes qui travaillent dans le contrôle de la qualité depuis 40 ans prendront leur retraite à un moment donné. Cela signifie également que leur expérience sera perdue. Surtout dans les zones structurellement moins développées, il est presque impossible de remplacer ces employés. Ce sont précisément ces aspects qui appellent à l’automatisation d’un processus spécifique. En outre, il est également possible d’introduire une norme à l’échelle de l’entreprise une fois pour toutes. Après tout, si quatre personnes différentes évaluent une pièce, quatre résultats différents sont obtenus. L’automatisation offre la possibilité à une entreprise de définir des normes uniques pour les pièces qui sont toujours OK et celles qui ne le sont plus. Nous pouvons enseigner ces normes au programme.

Galerie

SPOTLIGHTMETAL: Alors, à quoi ressemblerait ce processus dans une fonderie?

Damian Heimel: Imaginons un moulage plat dont la surface doit être inspectée. Dans ce cas, nous rendions visite au client avec le matériel approprié – composé d’une caméra et d’un éclairage appropriés et de toute la configuration nécessaire – et prenions des photos des produits. La fonderie nous fournit 100 pièces OK et 100 pièces qui ont un point d’impact, 100 pièces qui ont un évent et 100 pièces qui ont une porosité. Nous prenons des photos de ces articles et les archivons dans la catégorie respective. Sur la base de ces images, nos experts en apprentissage automatique à Berlin créent un modèle optimisé pour exactement cette application. Une fois que nous avons fait cela, nous retournons à la fonderie et demandons au système d’évaluer 200 pièces qu’il n’a pas encore vues. Un employé du service d’assurance qualité vérifie si l’évaluation du système est correcte. De cette façon, nous pouvons juger de la capacité du système à prédire la qualité. En cas d’écart entre le système et l’inspecteur qualité, nous améliorons encore le modèle. La prochaine étape est l’automatisation. Pour cela, nous travaillons avec des partenaires tels que des intégrateurs de systèmes et des sociétés d’automatisation, qui construisent ensuite un système d’alimentation ou une bande transporteuse et permettent le rejet des pièces défectueuses. Cela automatise l’ensemble du processus de contrôle qualité de fin de ligne sur le site du client.

SPOTLIGHTMETAL: Comment le bon fonctionnement d’un logiciel de machine learning est-il assuré? Est-il possible qu’une pièce défectueuse soit classée comme OK?

Damian Heimel: Il y a, par exemple, la possibilité de régler le système un peu plus strictement. Dans ce cas, aucune pièce défectueuse ne glissera, mais il peut arriver qu’une bonne pièce soit triée. De cette façon, vous vous assurez qu’aucune mauvaise pièce ne passe. Une autre mesure que nous prenons est d’inclure toutes les autres nouvelles images prises pendant la production dans le processus de formation, de mettre à jour le modèle encore et encore et ainsi garantir que les 100 images initiales sont devenues 5 000 images après deux mois. Cela augmente encore la précision. Bien sûr, il y a aussi la possibilité de surveiller le modèle. Ensuite, nous transmettions les données à notre entreprise et dès qu’une anomalie se produisait, nos experts regardaient de plus près et analysaient avec la fonderie ce qui se passait exactement là-bas.

Couverture du livre blanc: SLM

SPOTLIGHTMETAL: Quel est le plus grand défi dans le développement d’un logiciel d’apprentissage automatique?

Damian Heimel: Le plus grand défi est clairement de créer des données précises. Il est donc extrêmement important que les défauts que nous enseignons à la machine soient réellement là. Donc, si nous disons à la machine qu’un défaut est un évent, nous devons nous assurer qu’il s’agit bien d’un évent et non d’une inclusion de grain de sable. Cela nécessite le plus haut niveau de précision dans l’acquisition d’images. Un deuxième défi qui se pose de temps à autre est la disponibilité des pièces. Et bien sûr, les algorithmes d’apprentissage automatique sont un peu plus robustes que le traitement d’image traditionnel. Mais nous avons encore besoin d’une zone de capture d’image stable. Cela signifie qu’un bon éclairage et un bon appareil photo sont importants. L’installation d’une webcam ne fonctionnerait pas.

SPOTLIGHTMETAL: Pourquoi Deevio se concentre-t-il sur les industries automobile, fonderie et pharmaceutique?

Damian Heimel: Nous avons remarqué que les industries de l’automobile et de la fonderie, en particulier, effectuent encore de nombreuses inspections manuelles. De plus, les fonderies produisent souvent des volumes très élevés, ce qui signifie que nous avons accès au volume de données et à la qualité des données requis. En outre, l’Allemagne en tant que site automobile et le rôle important que les fonderies y jouent représentent un marché important. Cependant, la principale raison est que notre nouvelle technologie ouvre des possibilités qui n’étaient pas possibles auparavant avec le traitement d’image standard. Concernant l’industrie pharmaceutique – c’est là que nous avons commencé notre premier projet. Nous avons reçu cette commande avant même de créer notre entreprise. Dans cette industrie, chaque entreprise utilise déjà fréquemment des solutions de traitement d’image. Cependant, il y a souvent un niveau élevé de pseudo-rejet – ce qui signifie que les systèmes sont réglés trop strictement ou ne peuvent pas détecter correctement certains défauts. Cela peut être mieux résolu avec un logiciel d’apprentissage automatique. Dans de tels cas, nous ne faisons que revoir les images défectueuses. Ainsi, en obtenant toutes les images des pièces défectueuses, nous établissons un modèle et pouvons ensuite fournir à l’entreprise un outil qui montre exactement quel type de défauts sont produits aujourd’hui. Nous voyons de nombreuses opportunités dans le secteur pharmaceutique et nous travaillons déjà avec plusieurs sociétés.

SPOTLIGHTMETAL: Merci pour l’interview, M. Heimel.

Cet article est protégé par le droit d’auteur. Vous souhaitez l’utiliser pour votre propre usage?
Contactez-nous à support.vogel.de (ID: 46386494)

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut