Los sistemas de producción demandan continuamente nuevos sistemas de control, predicción de fallos y detección de defectos que garanticen la calidad de los productos y mejoren la eficiencia de los procesos. Esta demanda, junto a la disponibilidad de entornos de computación más potentes está promoviendo el desarrollo de nuevas técnicas y sistemas basados en procesado de imagen y machine learning para la inspección y control de calidad en línea. Así, basado en el análisis de imágenes de electroluminiscencia [1], se ha desarrollado una solución capaz de discriminar y localizar el tipo de defecto existente en una celda solar fotovoltaica usando máquinas de soporte vectorial (SVM), que además automatiza el proceso de reparación basado en láser. Lo que permite una significativa reducción de los desperdicios de producción mediante la utilización de celdas reparadas para la construcción de módulos a medida. Por otro lado, mediante el análisis de imágenes térmicas de alta velocidad (obtenidas mediante sensores de imagen de PbSe no refrigerados en el rango MWIR) [2], se ha desarrollado una solución para la detección y clasificación de defectos en procesos de soldadura láser para automoción. La cual aplica el análisis de componentes principales (PCA) para la reducción dimensional de los datos del baño fundido, permitiendo el funcionamiento en línea (a una frecuencia de 1 kHz) y evitando posteriores inspecciones.

1. Detección de defectos en línea basado en
Machine Learning
Jorge Rodríguez –Araújo, Antón García-Díaz
AIMEN Technology Center, Porriño, Spain
WGML2016, Santiago, 27-10-2016

2. Índice
1. Detección de defectos en línea
2. Caso fotovoltaico
3. Caso automoción
4. Resultados
Índice
www.aimen.es | aimen@aimen.es 2
4. Resultados
5. Conclusiones

3. Detección de defectos en línea
www.aimen.es | aimen@aimen.es 3
Detección de defectos en línea

4. Detección de defectos en línea
• Reducción de los costes de producción
• Eliminar reprocesos y reducir desperdicios
• Garantizar la calidad
• Multitud de técnicas producen imágenes (electroluminiscencia, infraroja)
Detección de defectos
Inspección
4www.aimen.es | aimen@aimen.es
• Multitud de técnicas producen imágenes (electroluminiscencia, infraroja)
• Requieren intervención de un experto para detectar defectos
• Desarrollo de técnicas de aprendizaje para la detección automática de
defectos
• Defectos en celdas solares fotovoltaicas
• Defectos en soldadura láser de automoción
Dos casos de uso

5. Detección de defectos en celdas fotovoltaicas
• Imagen de electroluminiscencia
• Shunts and Cracks (most frequent) (> 50%)
• Lacks of metallization (less frequent) (< 20%).
Defectos
Inspección
busbars
front back
5www.aimen.es | aimen@aimen.es
• Lacks of metallization (less frequent) (< 20%).
• Finger interruptions (reduced effects) (> 58%)
• Reparar Shunts and Cracks cuando sea posible
• Cortar o aislar los defectos mediante tecnología láser
• Obtener celdas reparadas y piezas que puedan ser
usadas en el ensamblado de módulos de bajo coste
Objetivos

6. Detección de defectos en soldadura laser
• Cada coche tiene unas 4000/5000 soldaduras
– afectan al aspecto, el rendimiento y la seguridad
• El 20% de las soldaduras de automoción son producidas por láser
– 1000 soldaduras por coche
Soldadura láser en automoción
Defectos
6www.aimen.es | aimen@aimen.es
• False Friends (falsa soldadura)
• Eliminar controles de calidad fuera
de línea (reducción de los costes)
• Reducir defectos calidad (50%) en
la soldadura láser
• Reducir los costes de los sistemas actuales en más de un 50%
Objetivos
Overlap
Joint
Butt Joint
(only for
steel)
Edge
Joint
Tipos de unión

7. Caso fotovoltaico
www.aimen.es | aimen@aimen.es 7
Caso fotovoltaico

8. Solución propuesta
• Laser Repair System (proceso láser).
• Defects Inspector (identificación de defectos y control del escáner láser).
• Data Input Block (información de electroluminiscencia).
Sistema de reparación de celdas láser
8www.aimen.es | aimen@aimen.es

9. Diagnóstico y detección de defectos
• Expertos humanos examinan las imágenes EL
– Cambios en la textura
– Escala y orientación de los bordes
Bio-inspired texture approach
Defectos
Log Gabor filters
9www.aimen.es | aimen@aimen.es
• Diagnóstico de defectos (basado en textura)
– Decomposition: for automatic features generation
– Adaptation: for enhancement of features
– Pixel level classification: for multiclass identification
Texture approach

10. Detección de defectos y diagnóstico
• Localización de la celda
• Identificación del tipo de defecto
• Cálculo de los contornos
• Marcado de áreas defectuosas
Identificación a nivel de pixel
Decisión de reparación
10www.aimen.es | aimen@aimen.es
• Reglas de decisión:
– Aislar shunts no en busbar
– Cortar shunts en busbar o a
menos de 3 mm
- Cortar en trozos para eliminar
cracks
Decisión de reparación

11. Caso automoción
www.aimen.es | aimen@aimen.es 11
Caso automoción

12. • Basado en procesado de imagen
• Y aprendizaje supervisado
• Reducción de características (PCA)
• Clasificador multiclase (SVM)
Arquitectura del sistema
Features extraction (PCA)
+
Arquitectura del sistema
12www.aimen.es | aimen@aimen.es
Image
Acquistion
Image
Processing
Defects
Classification
Welding
Diagnostic
Training
Dataset
Supervised Learning
Decision
making
+
Classification

13. Etiquetado y aprendizaje
Etiquetado y entrenamiento de defectos
13www.aimen.es | aimen@aimen.es

14. Detección de defectos y visualización
• Monitorización de soldadura on-line (1000 fps)
• On-line diagnostic and counting
Detección y visualización
14www.aimen.es | aimen@aimen.es
Example of dynamic phenomena associated to defect

15. Resultados
www.aimen.es | aimen@aimen.es 15
Resultados

16. Solución experimental
galvo-scanner laser
source
fume
extractor
camera
Unidad de reparación láser
Camera perspectiveLaser repair system
www.aimen.es | aimen@aimen.es 16
working
table working
area
Calibración del sistema
Calibración cámara/escaner
Corrección de perspectiva
Scanner working area

17. Resultado
• 47 celdas consideradas
• 45 celdas reparadas
• 69% de reducción de desperdicios
Resultados
17www.aimen.es | aimen@aimen.es
Corte de la celda
Aislamiento

18. Equipamiento soldadura
• NIT Tachyon 1024 (instalación directa)
– MWIR uncooled sensor
– Hasta10000fps
– Resolución (32x32)
• Disk Laser Trudisk
Equipamiento láser
Camera
coupling
Laser Head TRUMPF
BEO D70
18www.aimen.es | aimen@aimen.es
• Disk Laser Trudisk
– Fiber coupled
– Spot size (400um)
– 4 kW / 100 mm/s
• Unión transparencia
– Acero galvanizado
0,8 mm + 0,8 mm
0,8 mm + 1,5 mm replaces current coaxial
camera systems

19. Resultado
• Testeado en instalación industrial (TRL6)
• Clasificador entrenado para los defectos más
relevantes (e.j. False Friend)
• Defectos provocados (por separación entre
chapas)
Resultados
Low-cost and
19www.aimen.es | aimen@aimen.es
Low-cost and
reduced size

20. Conclusiones
www.aimen.es | aimen@aimen.es 20
Conclusiones

21. Conclusiones
• El Machine Learning junto a la visión artificial ofrecen nuevas herramientas
para la detección automática de defectos en línea
• Las soluciones pueden ser aplicadas en línea
• Las soluciones convencionales de ML presentan limitaciones a la hora de
discriminar defectos
• Necesisidad de registrar y entrenar con más datos
Conclusiones
21www.aimen.es | aimen@aimen.es
• Ambos sistemas están siendo testeados proximos a producción (TRL7-
TRL8)
• Pueden ser potenciados a través del incremento de registro de datos
• La aplicación de Deep Learning puede potenciar los resultados
Trabajo futuro

22. AIMEN – Central y Laboratorios
c/ Relva 27 A
36410 – O PORRIÑO (Pontevedra)
Telf.+34 986 344 000 – Fax. +34 986 337 302
Delegación Tecnológica Madrid
Avda. del General Perón, 32, 8 A
28020 – MADRID (Madrid)
Telf.+34 687 448 915
Delegación Tecnológica A Coruña
Fundación Mans – Paideia
Pol. Pocomaco - Parcela D-22 - Oficina 20A
15190 – A CORUÑA (A Coruña)
Telf. +34 617 395 153
www.aimen.es | aimen@aimen.es 22
Thank you for your attention
Jorge Rodríguez Araujo | Research Engineer
Ph +34 986 344 000 | jorge.rodriguez@aimen.es