Garder un œil sur la production grâce au Deep Learning

Bosch Car Multimédia, en tant que fournisseur de composants électroniques pour divers clients de l'industrie automobile, s'appuie sur un niveau de qualité élevé pour ses capteurs automobiles fabriqués. Pour garantir ce standard, les défauts doivent être détectés de manière rapide et fiable. Dans ce cas précis, la tâche consiste à vérifier les ressorts métalliques pour déceler tout défaut. Ces ressorts forment la connexion électronique entre le circuit imprimé principal et une bague en cuivre sur le couvercle d'un capteur. Puisqu’il s’agit d’un processus d’usinage manuel, différents défauts peuvent apparaître sur le ressort métallique lors de la production.

Optimiser l'inspection qualité grâce à la vision industrielle

Bosch s'appuyait déjà auparavant sur un processus d'inspection automatisé, mais souhaitait l'optimiser davantage. L'objectif était d'améliorer la qualité globale de l'inspection, de rendre la nouvelle solution plus rentable et de réduire les travaux de maintenance de l'application. Bosch a sélectionné le logiciel de vision industrielle MERLIC de MVTec Software GmbH en Allemagne. MVTec MERLIC est un logiciel de vision industrielle facile à utiliser qui permet de résoudre les applications de vision industrielle les plus courantes même sans compétences en programmation.

Le Deep Learning aide à détecter les défauts

Dans l'application de Bosch, la vision industrielle ressemble à ceci : une caméra de cinq mégapixels capture une image d'en haut pour chaque composant. La détection des anomalies de contexte global est utilisée pour inspecter les images capturées avec les ressorts métalliques. La technologie d'apprentissage profond dispose de deux réseaux de neurones. Le réseau « local » vérifie les défauts mineurs tels que les rayures, les fissures ou la saleté. Le réseau « mondial » va encore plus loin et vérifie les défauts logiques tels que les supports pliés ou manquants. A partir de l’interférence des deux réseaux, Global Context Anomaly Detection détermine un score d’anomalie. Cette valeur est ensuite comparée à la valeur seuil d'anomalie définie au préalable. Si le Score d'Anomalie est supérieur à ce seuil, le composant est défectueux et doit être rejeté. Après l'inspection, chaque image peut être examinée dans l'interface de MERLIC. Particulièrement utile : une carte thermique peut être utilisée pour tracer de manière transparente quelles parties de l'image ont déclenché la détection d'anomalies.

Jusqu'à présent, le processus d'inspection était réalisé à l'aide de méthodes de vision industrielle basées sur des règles. Cependant, l'un des inconvénients de cette méthode était que tous les types de défauts possibles devaient être extraits individuellement à l'aide de « mauvaises images ». En revanche, la formation aux méthodes d'apprentissage profond de MERLIC ne nécessite que de « bonnes images » de pièces intactes. Comme ils sont très faciles à acquérir, cela permet d’économiser du temps et de l’argent.

Intégration du logiciel de vision industrielle dans le système de contrôle de la machine

La question de savoir comment intégrer un logiciel de vision industrielle dans un processus de production existant était particulièrement intéressante pour Bosch, car le processus de production et le contrôle qualité intégré ne devaient pas être modifiés. L'accent a donc été mis sur l'intégration du logiciel de vision industrielle dans le système de commande de la machine. Le logiciel devait être connecté directement aux machines, puisque l'usine ne dispose pas d'automate programmable (PLC). Le protocole MQTT intégré à MERLIC fournit la communication machine à machine nécessaire. Cela a permis d'intégrer facilement le logiciel de vision industrielle dans le processus via des protocoles de communication IoT standard. Le développement du programme d'étalonnage du système de vision industrielle pourrait être accéléré grâce à ce logiciel facile à utiliser.

« Nous avons terminé avec succès la validation de principe fin 2022. Au cours du processus, tous nos objectifs ont été atteints en termes de taux de détection, d'exigences de maintenance du système et de coûts. La mise en service d’une nouvelle ligne de production interviendra donc mi-2023. Le déploiement sur d'autres lignes existantes est ensuite planifié », explique João Paulo Silva, expert en tests au sein du département Optique et Mécanique du Centre de Compétence de Bosch Automotive Electronics au Portugal. Sur la base de ce potentiel, Bosch prévoit d'automatiser davantage d'usines d'électronique automobile à l'avenir en utilisant l'apprentissage profond.