L’application ci-dessous démontre comment « 3HLE » aide les usines de production à devenir plus vertes et plus écologiques, tout en économisant de l’argent, grâce à la production de capsules de café de qualité supérieure. Cela est rendu possible par l’inspection visuelle par apprentissage profond (Deep Learning) pour rejeter uniquement les défauts délicats et subtils réels. Les défauts se produisent dans 2 situations :
1. lorsque les filtres chevauchent la zone de scellement du couvercle (feuille d’aluminium).
2. lorsque le filtre est légèrement mal aligné, ce qui peut entraîner une fuite de poudre de café dans la tasse finale après l’infusion.
Par le passé, cette application était résolue à l’aide d’outils de vision traditionnels complexes et le taux de faux positifs (déchets : bonnes pièces rejetées/détectées comme mauvaises) variait entre 2% le meilleur jour et 9% un mauvais jour. Sans même mentionner combien de mauvaises capsules arrivent entre les mains du client final. Cet article n’estime pas à quel point les mauvaises capsules dégradent l’image des marques de café. Mais assurément, les jours de crise, près d’1 capsule sur 10 risque de projeter de la poudre de café dans votre tasse (comme un cafetière automatique). Ce n’est pas une expérience agréable pour les utilisateurs qui choisissent la capsule plutôt que le grain.
Maintenant, ces deux types de défauts fonctionnels sont facilement détectés grâce aux outils de détection par apprentissage profond simples. « 3HLE » Automation and Robotics SA garantit un taux de détection correct de 99,5% les jours difficiles et de 99,7% les bons jours. Une approximation rapide pour une économie minimale par jour serait :
Faux positifs : ancien taux de rejet le meilleur jour 2 % – faux positifs actuels le pire jour « 3HLE » 0,5 % = 1,5 % d’amélioration (Sinon, 8,7 % d’amélioration dans le meilleur des cas).
Débit de production : 20 capsules/sec => 72’000 capsules/heure => 1’728’000/jour * 1,5 % => 25’920 capsules minimales économisées par bon jour pour les concurrents (Sinon : 150’336 capsules économisées par jour).
Total des économies grâce aux systèmes d’inspection par apprentissage profond « 3HLE » : 25’920 capsules/jour dans le pire des cas (Habituellement, ces machines économisent environ 150’336 capsules/jour).
NOTE : Un meilleur taux de détection n’est qu’une petite partie de l’économie de coûts, car un taux de rejet plus faible réduira également la logistique pour l’élimination/recyclage des déchets et toute l’infrastructure autour des usines de production.
« 3HLE » propose principalement des solutions clés en main, notamment Matériel, Intégration de logiciels et processus d’automatisation dédiés aux applications de contrôle qualité par vision informatique à haute vitesse. Pour plus de Démonstrations, consultez nos pages Histoires de succès ou consultez nos pages Produits pour en savoir plus sur nos solutions matérielles et logicielles. Nous travaillons à créer de plus en plus de contenu dans ces sections, veuillez vous abonner aux chaînes « 3HLE » LinkedIn, FaceBook ou Youtube pour être notifié dès que de nouveaux contenus seront disponibles.
Le temps de traitement pour l’inspection par apprentissage profond par capsule est d’environ 8 ms en utilisant le Serveur d’apprentissage profond 3HLE Windows 10 IoT présenté dans la section Histoires de succès de l’entreprise.
Ci-dessus, des défauts de chevauchement typiques et des défauts de mauvais alignement de filtre typiques.
Distribution
Montre la distribution normalisée de la déviation pour les images mauvaises et bonnes. Idéalement, ces deux courbes ne devraient pas se croiser. La ligne verte représente le seuil en dessous duquel une pièce sera considérée comme bonne. La ligne rouge représente le seuil au-dessus duquel une pièce sera considérée comme mauvaise. Entre ces lignes se trouve une zone grise, dans laquelle les pièces seront considérées comme intermédiaires.
ROC (Receiver Operating Characteristic)
Montre la séparation des classes pour tous les seuils possibles. Vous pouvez prendre un point sur la ligne bleue et lire le Vrai Positif correspondant à gauche du graphique (une vue défectueuse où le système a détecté un défaut, idéalement 100 %). Le taux de Faux Positifs se trouve en bas du graphique (une vue non défectueuse où le système a détecté un défaut, idéalement 0 %). L’AUC La valeur AUC (Area Under Curve) résume cette courbe, tandis que le maximum de 1,00 correspond à un classificateur parfait.
En savoir plus :
Remplissez vos coordonnées ci-dessous pour recevoir un lien permettant de télécharger le rapport complet et en savoir plus sur la façon d’améliorer la qualité de votre production et le débit.
Veuillez remplir la section ci-dessous pour recevoir la fiche technique PDF sélectionnée par e-mail