L’application ci-dessous montre comment « 3HLE » aide les lignes de production à devenir plus vertes et écologiques, tout en réalisant des économies et en produisant des capsules de café de meilleure qualité, grâce à un contrôle visuel par deep learning qui ne rejette que les défauts subtils et réellement problématiques. Ces défauts surviennent dans deux situations :
1. quand les filtres chevauchent la zone de scellage (feuille d’aluminium).
2. quand les filtres sont légèrement désalignés : la poudre de café peut alors s’échapper dans la tasse au moment de l’extraction.
Autrefois, cette application était résolue par des outils de vision traditionnelle complexes, avec un taux de faux positifs (rebut : bonnes pièces rejetées à tort) oscillant entre 2 % les bons jours et 9 % les mauvais. Sans parler du nombre de mauvaises capsules arrivant entre les mains du consommateur final. Cet article ne quantifie pas les dégâts d’image pour les marques, mais, les mauvais jours, près d’une capsule sur dix risquait de cracher de la poudre de café dans la tasse (comme sur une cafetière automatique). Une expérience peu agréable pour des clients qui ont précisément choisi la capsule au détriment du café en grains.
Aujourd’hui, ces deux types de défauts fonctionnels sont facilement détectés par de simples outils de détection deep learning. « 3HLE » Automation and Robotics SA garantit un taux de détection correct de 99,5 % les mauvais jours et 99,7 % les bons jours. Une approximation rapide des économies minimales sur une journée :
Faux positifs : ancien rejet les meilleurs jours 2 % – faux positif actuel les mauvais jours « 3HLE » 0,5 % = 1,5 % d’amélioration (jusqu’à 8,7 % dans le meilleur cas).
Cadence : 20 capsules/s => 72 000 capsules/h => 1 728 000/jour × 1,5 % => 25 920 capsules sauvées par jour au minimum (sinon : 150 336 capsules sauvées par jour).
Économies totales grâce aux systèmes de contrôle qualité deep learning « 3HLE » : 25 920 capsules/jour dans le pire cas (habituellement autour de 150 336 capsules/jour)..
NOTE : un meilleur taux de détection n’est qu’une petite partie des économies réalisées, car un taux de rebut plus faible réduit aussi la logistique liée au tri/recyclage et toute l’infrastructure autour de la ligne.
« 3HLE » propose principalement des solutions clés en main incluant matériel, intégration logicielle et processus d’automation pour les applications automatisées de contrôle qualité par vision industrielle à haute cadence. Pour plus de démonstrations, consultez nos pages Success Stories ou nos pages Produits pour en savoir plus sur nos solutions matérielles et logicielles. Nous enrichissons régulièrement ces sections — abonnez-vous à nos canaux « 3HLE » LinkedIn, Facebook ou YouTube pour être averti dès qu’un nouveau contenu est publié.
Le temps de traitement par inspection deep learning, par capsule, avoisine 8 ms sur serveur deep learning 3HLE sous Windows 10 IoT — détaillé dans la section Success Stories de notre site.
Ci-dessus, un défaut typique de chevauchement et un défaut typique de désalignement de filtre.
Distribution
Montre la distribution normalisée des déviations pour images bonnes et mauvaises. Idéalement, ces deux courbes ne devraient pas se croiser. La ligne verte représente le seuil en dessous duquel une pièce est considérée comme bonne. La ligne rouge le seuil au-delà duquel une pièce est considérée comme mauvaise. Entre les deux, une zone grise correspond aux pièces classées comme intermédiaires.
ROC (Receiver Operating Characteristic)
Montre la séparation des classes pour tous les seuils possibles. Sur la courbe bleue, on lit le taux de vrais positifs sur l’axe vertical (une vue défectueuse correctement identifiée, idéalement 100 %). Le taux de faux positifs est sur l’axe horizontal (une vue saine faussement classée défectueuse, idéalement 0 %). L’AUC (Area Under Curve) résume cette courbe : la valeur maximale de 1,00 correspond à un classifieur parfait.
En savoir plus :
Remplissez vos coordonnées ci-dessous pour recevoir un lien vers le rapport complet et découvrir comment améliorer la qualité et la cadence de votre production.
Remplissez le formulaire ci-dessous pour recevoir la fiche PDF sélectionnée par e-mail