As capacidades de classificação de imagens da IA, já amplamente utilizadas em aplicações como o diagnóstico de doenças, a condução autónoma, a moderação de conteúdos e outras, são perfeitas para o controlo de qualidade industrial e, em particular, para a inspeção ótica automatizada (AOI). Os métodos convencionais de AOI dependem muito da opinião de especialistas na configuração do sistema, na introdução de novos produtos e, posteriormente, durante a produção, na inspeção de imagens de áreas suspeitas de apresentarem defeitos.
A IA começou a estar disponível no software comercial da AOI para auxiliar na configuração e comissionamento de equipamentos. A correspondência automática de bibliotecas de componentes, que utiliza uma aprendizagem profunda para identificar tipos de componentes a partir de imagens, permite a seleção automática da biblioteca ideal. Além disso, a IA é utilizada para auxiliar na medição de componentes em 3D, gerando dados para peças não encontradas em nenhuma biblioteca existente.
Avaliação Secundária:
Embora a IA tenha simplificado e acelerado a gestão de bibliotecas, a tecnologia está agora preparada para acrescentar ainda mais valor aos fabricantes, aplicando as suas capacidades de aprendizagem e classificação para melhorar a precisão da inspeção na linha de produção. Depender do julgamento humano para classificar os defeitos como genuínos, falsos positivos ou falsos negativos pode ser demorado e introduzir variabilidade no processo de fabrico. Enquanto alguns defeitos são fáceis de classificar, como componentes em falta ou gravemente desalinhados, ou problemas de soldadura graves, outros são mais difíceis de detetar ou identificar claramente por não cumprirem os padrões aceitáveis.
Quando a avaliação é deixada a cargo de peritos humanos, cada operador pode aplicar critérios diferentes com base no seu nível de experiência e opiniões. A inspeção pode ser lenta, uma vez que as avaliações demoram. Alguns defeitos podem passar despercebidos, enquanto avaliações demasiado rigorosas podem gerar falsos positivos que exigem retrabalho desnecessário. A introdução da IA para auxiliar nestas avaliações secundárias oferece a oportunidade de reduzir a dependência de especialistas e eliminar imprecisões, aumentando assim a produtividade.
A Figura 1 ilustra como a IA pode melhorar o julgamento secundário, ajudando a aumentar o valor das capacidades humanas e a minimizar os efeitos do erro humano. O sistema AOI partilha imagens das áreas defeituosas detetadas com os operadores humanos e o software de julgamento por IA, que incorpora modelos de aprendizagem automática. Os especialistas humanos avaliam a natureza dos defeitos e os seus julgamentos são inseridos no software de IA. Ao ajustar-se repetidamente à medida que os julgamentos dos peritos são registados, o modelo adquire rapidamente as melhores capacidades de julgamento dos peritos e elimina os erros humanos. Uma vez treinado, o modelo emite julgamentos que permitem aos operadores trabalhar com maior confiança e rapidez, mantendo um elevado nível de precisão consistente. Desta forma, os operadores podem igualar o desempenho dos inspetores especialistas.
Figura 1. Recolha de dados, julgamento assistido e melhoria através de aprendizagem automática.
Os testes secundários assistidos por IA podem melhorar a repetibilidade, impedindo que as unidades defeituosas passem pela linha de produção e identificando rapidamente falsos positivos, evitando o envio de conjuntos sem defeitos para retrabalho desnecessário. Isto estabiliza os resultados de qualidade da fábrica e aumenta a produtividade.
Índice de Confiança:
O software AI Judgement da Yamaha para AOI fornece aos operadores um feedback abrangente explicando as suas decisões de Bom/Não Bom, incluindo imagens, tabelas e um indicador de confiança (Figura 2). Para defeitos de soldadura, como pontes ou contaminação, este índice é apresentado como um mapa de calor gráfico e um índice de anomalia calculado. As classificações para outros defeitos, como o reconhecimento de caracteres, são expressas com um índice de correspondência. O software também reporta o seu próprio desempenho com cálculos do índice de deteção de anomalias e supressão de sobredeteção. Através da recolha e análise repetidas de dados, incluindo a redução de ruído, e com ferramentas para criar e otimizar modelos de IA personalizados, o software AI Judgement permite aos utilizadores controlar o ciclo de vida da aprendizagem automática e, em última análise, realizar o controlo de qualidade sem assistência profissional.
Figura 2. A análise da inspeção, incluindo as imagens e o índice de anomalia calculado, apresentado na imagem, ajuda a fazer um julgamento secundário e a orientar a reparação, se necessário.
Da assistência à automação:
passando da avaliação secundária assistida por IA realizada por operadores humanos, o próximo passo é um sistema de inspeção ótica automatizada (AOI) totalmente autónomo, com um desempenho consistente ao mesmo nível dos melhores especialistas da empresa. O software de avaliação por IA da Yamaha está pronto para se ligar perfeitamente à estação de reparação remota e pode partilhar os resultados da avaliação por IA diretamente com os sistemas AOI online, melhorando continuamente a precisão da inspeção. A utilização da IA para automatizar a avaliação secundária permite que os sistemas AOI online operem continuamente sem intervenção, a alta velocidade, com o mínimo de falsos negativos ou falsos positivos, evitando que os defeitos passem despercebidos e evitando retrabalho desnecessário.
Conclusão
A inteligência artificial pode melhorar diversos aspetos da Inspeção Ótica de Área (AOI), como acelerar a criação de bibliotecas e gerar automaticamente dados sobre componentes em falta. Com as suas capacidades de classificação de imagens, a IA está pronta para ser implementada na linha de produção para auxiliar e, em última análise, automatizar a inspeção secundária. Historicamente, esta tarefa exigia a atenção de inspetores altamente qualificados. Agora, a IA permite que os operadores atinjam rapidamente um nível de especialização comparável. O roteiro aponta para uma automatização abrangente, desde a montagem à AOI, com machine learning, para melhorar ainda mais a garantia da qualidade e aumentar a produtividade.
