Controlo de qualidade com computer vision
Desenvolvemos um modelo de análise de imagens que deteta anomalias na linha de produção, em colaboração com a sua equipa de qualidade. Para a Floating Farm, instalámos nós próprios as câmaras.
Para a Floating Farm, desenvolvemos uma solução de ponta a ponta, desde a instalação das câmaras até ao modelo de computer vision
O modelo permite compreender o processo de alimentação, para que a Floating Farm possa reduzir o desperdício de ração. Não se trata de uma linha de produção, mas a cadeia é a mesma: uma câmara no local, imagens etiquetadas e um modelo que classifica em tempo real.
Quantos defeitos deixa escapar a nossa inspeção por amostragem?
Um colaborador verifica parte dos produtos, mas, quando está cansado, deixa escapar mais defeitos. Uma câmara verifica todos os produtos da mesma forma e encaminha os casos duvidosos para quem tem os conhecimentos necessários.
Cada produto inspecionado, os casos duvidosos avaliados por uma pessoa
Um catálogo de defeitos
Em conjunto com a equipa de qualidade, definimos quais os defeitos que contam: riscos, fissuras, descoloração ou um componente em falta.
Câmara e iluminação na linha de produção
A configuração das câmaras, a iluminação e o momento da captura têm mais impacto do que o modelo. Para Floating Farm, instalámos as câmaras nós próprios.
Um limiar com dois lados
Os produtos claramente bons avançam, os claramente defeituosos são retirados da linha e, nos restantes casos, o modelo pede a avaliação de um colaborador.
Identificar defeitos nos dados de medição
Para ProRail, recorremos a machine learning para detetar componentes da via e defeitos nas rodas, tornando a ferrovia mais segura.
Começamos pelo catálogo de defeitos; a câmara vem depois
-
Defeitos e imagens
Que defeitos importam, com que frequência ocorrem e se uma câmara os consegue detetar na linha.
-
Etiquetagem e testes
A sua equipa de qualidade avalia as imagens, e nós testamos o modelo com um conjunto fixo de defeitos conhecidos.
-
Operar em paralelo com a linha
Primeiro, observamos sem intervir. Depois, deixamos que o modelo controle as rejeições e incorporamos as correções.
Pode uma câmara assumir o nosso controlo de qualidade?
É adequado se
Inspeciona visualmente muitos produtos semelhantes, os defeitos são visíveis no exterior e pretende verificar cada produto em vez de apenas uma amostra.
Não é adequado se
Os defeitos estão no interior do produto ou só são detetáveis através de uma medição, ou ocorrem tão raramente que não há exemplos. Nesse caso, outro tipo de sensor é mais adequado.
O que determina a dimensão
O número de tipos de defeitos, a velocidade da linha de produção, a existência de câmaras já instaladas e a necessidade de rejeitar produtos automaticamente ou, numa primeira fase, apenas sinalizá-los.
E se o modelo não detetar um defeito?
Medimos isso previamente num conjunto de teste e continuamos a monitorizá-lo. Um defeito não detetado é usado como exemplo para que o modelo aprenda com ele.
Inspeção manual por amostragem, regras fixas numa câmara ou um modelo treinado?
Inspeção manual por amostragem
Escolha esta opção se os defeitos forem raros e a avaliação exigir conhecimentos especializados. Aceita que parte dos produtos não será inspecionada.
Regras fixas numa câmara
Escolha esta opção se verificar dimensões, presença ou posição com iluminação controlada. Quando os produtos ou as superfícies variam, as regras fixas deixam rapidamente de funcionar.
Um modelo de análise de imagem treinado
Escolha esta opção se os defeitos variarem na forma e as condições mudarem. O nosso conselho: comece por um defeito que atualmente consome muito tempo ou causa muitas rejeições.
Já desenvolvemos modelos de imagem que funcionam no local
Para a Floating Farm e a GVB, desenvolvemos soluções de computer vision que funcionam com imagens reais de câmaras. A Data Science Lab existe desde 2016, é Microsoft Partner e Databricks Partner e partilha conhecimentos nos Techdays.

Começamos por falar do erro que mais lhe custa neste momento
Stef Stoelwinder
Business DevelopmentStef é o seu ponto de contacto. Na primeira conversa, analisamos a sua linha de produção, os erros e as imagens que já tem.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Que anomalia gostaria de detetar automaticamente primeiro?
Descreva o que verifica e como o faz atualmente. Responderemos por e-mail ou agendaremos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
Uma câmara capta uma imagem de cada produto e um modelo treinado analisa-a para detetar os defeitos definidos previamente. O modelo apresenta uma avaliação e um grau de confiança. Em caso de dúvida, um colaborador verifica o produto.
Pode conhecer mais aplicações de IA em aplicações de IA.
Depende de quantos tipos de defeitos existem e de quão diferentes são entre si. Os defeitos raros são os mais difíceis, porque há poucos exemplos.
Por isso, começamos por recolher e rotular imagens e contamos quantos exemplos existem de cada defeito.
Sim. Um modelo que aprende como é um produto sem defeitos pode assinalar anomalias sem que todos os defeitos tenham sido rotulados. Indica que há algo diferente, mas não identifica o que é.
Muitas vezes, combinamos esta abordagem com a classificação dos defeitos mais frequentes.
São muito importantes. Nenhum modelo consegue encontrar um defeito que não seja visível na imagem. Analisamos a resolução, o ângulo, a iluminação, os reflexos e a velocidade a que os produtos passam.
Na Floating Farm, instalámos as câmaras antes de construir o modelo.
Se for necessário rejeitar produtos de imediato, o modelo funciona muitas vezes num computador junto à linha de produção. Se o objetivo for elaborar relatórios posteriormente, pode funcionar na cloud.
Saiba como fazemos esta escolha em desenvolver soluções de computer vision.
Com um conjunto de teste fixo, medimos quantos defeitos o modelo encontra e com que frequência rejeita produtos indevidamente, por tipo de defeito. Em conjunto com a equipa de qualidade, definimos o equilíbrio aceitável.
Após a entrada em funcionamento, continuamos a acompanhar estes indicadores, mesmo quando os produtos ou a iluminação mudam.
O desempenho do modelo pode diminuir. Monitorizamos o seu desempenho e voltamos a treiná-lo com novos exemplos, para que acompanhe as mudanças na produção.
Saiba como gerimos modelos em produção em MLOps.
No controlo de qualidade, apontamos a câmara para o produto. Se aparecerem colaboradores nas imagens, definimos o que o modelo pode ver e o que é guardado.
Para a GVB, o modelo analisou imagens de câmaras sem que ninguém as visualizasse ou partilhasse.