{{{sourceTextContent.title}}}

Relever le défi de l'alimentation automatisée grâce à l'identification positive/négative pour des matériaux présentant des différences minimes

{{{sourceTextContent.subTitle}}}

Alimentation automatisée avec identification positive/négative pour des matériaux présentant des différences minimes

{{{sourceTextContent.description}}}

Dans les secteurs de la fabrication de haute précision, tels que l'électronique 3C, la quincaillerie de précision, les pièces automobiles pour véhicules à énergie nouvelle et les semi-conducteurs, l'alimentation flexible constitue le processus préliminaire essentiel des lignes de production automatisées. Elle détermine directement le rythme de fonctionnement, l'efficacité de production et le rendement de l'ensemble de la ligne. Actuellement, le secteur est confronté à un problème d’automatisation courant et épineux : l’identification de l’alimentation flexible de matériaux de précision dont les faces recto et verso présentent des différences visuelles minimes.

Les faces recto et verso de ces matériaux de précision ne présentent souvent pratiquement aucune différence en termes de contour, de structure, de perçages ou d’aspect. Il est difficile, tant pour l’œil humain que pour les algorithmes traditionnels de vision industrielle, de distinguer avec précision les orientations recto et verso, ce qui peut facilement entraîner une alimentation inversée, un désalignement de la position, une erreur d’identification du matériau et d’autres problèmes. Cela est devenu un goulot d’étranglement majeur qui freine les mises à niveau vers l’automatisation flexible et la production de précision des entreprises.

Fort de nombreuses années d’expérience approfondie dans les équipements d’alimentation flexibles et la technologie de vision par IA, Danikor a exploité des algorithmes d’apprentissage profond pour restructurer la logique de reconnaissance visuelle des matériaux. Cela permet de dépasser complètement les limites techniques des solutions de vision traditionnelles et de relever efficacement le défi de l’identification des faces positive et négative de matériaux présentant des différences minimes, améliorant ainsi la qualité et l’efficacité tout en réduisant les coûts des lignes de production automatisées dédiées à la fabrication de précision.

I. Principaux inconvénients des solutions de vision pour l’alimentation flexible traditionnelles

Dans la production automatisée traditionnelle, les systèmes de reconnaissance visuelle pour l’alimentation flexible s’appuient depuis longtemps sur des algorithmes de vision industrielle conventionnels, dont le modèle de fonctionnement repose essentiellement sur des caractéristiques calibrées manuellement. Cette approche permet de répondre aux besoins d’alimentation de matériaux conventionnels présentant des différences d’aspect évidentes, et convient aux scénarios de production standardisés et monotypiques. Cependant, pour les matériaux de précision présentant des différences minimes et des aspects très similaires, ses lacunes techniques sont pleinement mises en évidence, ce qui la rend inadaptée aux exigences de reconnaissance de la production de précision haut de gamme.

La logique de reconnaissance des algorithmes de vision traditionnels est très rigide et passive ; elle ne permet de capturer que des caractéristiques géométriques explicites et superficielles, telles que les bords du matériau, les contours généraux et les nuances de gris ou la luminosité de l’image. Ils ne peuvent pas extraire les informations de caractéristiques profondes du matériau. Au cours de la phase de mise au point de la production, les techniciens doivent observer manuellement la forme du matériau, marquer et annoter manuellement les points caractéristiques des faces positive et négative, et prédéfinir des règles de correspondance de reconnaissance fixes. L’équipement ne peut que comparer mécaniquement et identifier de manière passive sur la base de ces paramètres prédéfinis. Ce mode de fonctionnement, qui nécessite une forte intervention manuelle, présente trois inconvénients majeurs qui affectent gravement la stabilité et la précision de l’alimentation en matériaux de précision.

Premièrement, une précision de reconnaissance limitée et une tolérance aux défauts de production extrêmement faible. Pour les petites pièces de précision présentant des textures, des structures et des dimensions positives/négatives très homogènes — telles que les micro-connecteurs, les électrodes de batteries pour les énergies nouvelles, les cales de précision et les micro-composants semi-conducteurs —, les algorithmes traditionnels ne parviennent pas à saisir les informations différentielles subtiles, ce qui les rend susceptibles de confondre les orientations positive et négative. Tout écart de reconnaissance peut directement entraîner une alimentation inversée et un chargement erroné, provoquant des problèmes tels qu’un collage insuffisant lors des processus d’assemblage ultérieurs, des bourrages d’équipement et des échecs d’assemblage, ce qui se solde finalement par le rejet des produits. Dans les scénarios de fabrication de haute précision, même des erreurs de reconnaissance d’orientation de l’ordre du millimètre ou du pixel peuvent entraîner des performances de produit non conformes, voire présenter des risques pour la sécurité de la production.

Deuxièmement, une faible immunité aux bruits ambiants et une grande sensibilité aux conditions d’éclairage. L’efficacité de la reconnaissance visuelle traditionnelle dépend fortement d’un environnement d’éclairage constant et standard, ce qui impose des exigences strictes quant aux conditions de l’atelier de production. Dans la production quotidienne en atelier, des changements environnementaux subtils — tels que les variations de lumière, les reflets provenant de l’éclairage des équipements, les changements d’ombres et de luminosité à la surface des matériaux, ainsi que les variations de transmission lumineuse dues à la poussière de l’atelier — peuvent altérer les paramètres de l’échelle de gris de l’image. Cela invalide les règles de correspondance prédéfinies, entraînant des erreurs d’identification fréquentes, des détections manquées et des identifications répétées, ce qui réduit directement le taux de réussite de l’alimentation en matériaux et ralentit le temps de cycle global de la ligne.

Troisièmement, des processus de débogage fastidieux et une faible adaptabilité à la production flexible. Les paramètres des solutions de vision traditionnelles présentent une universalité très limitée. Chaque fois qu’une entreprise change de matériau alimenté, ajuste les conditions de la ligne de production ou itère le produit, les techniciens doivent recalibrer les points caractéristiques, modifier les règles de correspondance et déboguer les paramètres des algorithmes. L’ensemble de ce processus est chronophage et exigeant en main-d’œuvre, et repose fortement sur l’expérience humaine. Ce modèle ne peut pas s’adapter aux exigences actuelles de la production flexible, caractérisée par une grande variété de produits, de petits lots et des changements de production rapides. Non seulement cela augmente les coûts de main-d’œuvre et de maintenance de l’entreprise, mais cela entraîne également de fréquents temps d’arrêt pour le débogage, ce qui se traduit par d’importantes pertes de production.

II. La solution d’alimentation flexible de Danikor

Afin de résoudre définitivement les nombreux problèmes rencontrés par l’industrie liés à l’alimentation visuelle traditionnelle, Danikor a fait évoluer sa technologie de système d’alimentation flexible. L’entreprise a complètement abandonné l’ancien mode de calibrage manuel des caractéristiques et a équipé le système d’une technologie de vision par apprentissage profond basée sur l’IA de niveau industriel, restructurant ainsi fondamentalement la logique de reconnaissance des matériaux présentant des différences minimes. Cela représente un bond en avant, passant de la correspondance traditionnelle des caractéristiques géométriques au niveau de la surface à l’apprentissage autonome piloté par l’IA des caractéristiques essentielles au niveau du pixel. Ce système surmonte avec précision le défi reconnu par le secteur consistant à identifier des matériaux présentant des différences positives/négatives minimes, comblant ainsi une lacune technique majeure dans l’alimentation flexible de précision.

Par rapport à la correspondance passive des algorithmes traditionnels, le système d’alimentation flexible de Danikor présente des avantages fondamentaux : l’apprentissage autonome et l’itération intelligente. Il ne nécessite aucune annotation manuelle des caractéristiques ni aucun préréglage de règles de correspondance géométrique ou en niveaux de gris. Une fois l’équipement mis en service, les opérateurs n’ont qu’à saisir des images d’échantillons du matériau dans ses orientations positive et négative, selon différentes positions de placement, différents angles d’inclinaison et différentes conditions d’éclairage. Le modèle d’apprentissage profond intégré peut alors effectuer de manière autonome l’entraînement, le filtrage et l’apprentissage à partir d’un grand nombre d’échantillons. Il capture avec précision les différences subtiles au niveau des pixels, invisibles à l’œil nu et aux algorithmes traditionnels, explore en profondeur et consolide les caractéristiques essentielles des deux faces du matériau, puis génère rapidement un modèle d’identification intelligent et dédié.

Actuellement, la transition vers l’automatisation dans l’industrie manufacturière chinoise est entrée dans une phase avancée, caractérisée par la sophistication et l’intelligence. Les solutions d’alimentation automatisée des matériaux conventionnels sont déjà largement adoptées. Cependant, l’identification précise de matériaux présentant des différences minimes entre les échantillons positifs et négatifs est devenue un obstacle majeur à la mise en œuvre à grande échelle de l’automatisation dans les secteurs manufacturiers de milieu et haut de gamme, tels que l’électronique 3C, les énergies nouvelles, les semi-conducteurs et le matériel de précision. Les goulots d’étranglement techniques des solutions de vision traditionnelles limitent non seulement les améliorations de capacité et d’efficacité des lignes de production, mais augmentent également de manière continue les pertes de production, la pression liée au contrôle qualité et les coûts de maintenance opérationnelle pour les entreprises.

Le système d’alimentation flexible de Danikor, s’appuyant sur sa technologie de base d’apprentissage profond développée en interne, a réussi à surmonter les barrières techniques du secteur. Il résout spécifiquement les défis liés à l’identification des éléments positifs/négatifs pour divers matériaux de précision très similaires au cours du processus d’alimentation, couvrant de multiples types de pièces, notamment les microcomposants pour l’électronique 3C, les raccords de précision pour les énergies nouvelles, les microdispositifs pour les semi-conducteurs et les pièces de quincaillerie micro-estampées. En remplaçant les algorithmes traditionnels basés sur des règles par un apprentissage intelligent basé sur l’IA, et en substituant le débogage manuel fastidieux à une adaptation intelligente automatisée, il offre une solution globale aux principaux points faibles tels que les erreurs d’identification des matériaux, la faible adaptabilité aux conditions de travail, la faible efficacité des changements de production et les coûts de production élevés. Cela permet une optimisation multidimensionnelle de l’efficacité de production, de la qualité des produits et des coûts d’exploitation, offrant ainsi un soutien technique et matériel solide pour la transformation et la modernisation vers une automatisation flexible de la fabrication de précision haut de gamme.