Qazanclar:
- Parça səthindəki qüsurların təsvirin işlənməsi və maşın öyrənməsi ilə necə aşkar edildiyini və təsnif edildiyini izah etmək bacarığı.
- Yanlış müsbət/mənfi balansı, 4 ballıq qiymətləndirmə sistemini və model performans göstəricilərini şərh etmək bacarığı
- İnsan yoxlaması və fiziki yoxlama ilə avtomatik qüsur aşkarlama çıxışını sınaqdan keçirən yoxlama qurğusunu tərtib etmək bacarığı
Uzun illərdir ki, parça keyfiyyətinə nəzarət insan gözünə əsaslanır: operator işıqlı yoxlama masasında saatlarla parçaya baxır, gördüyü qüsurları qeyd edir və qiymətləndirir. Bu iş yorucu, subyektiv və yorğunluğa və səhvə meyllidir; Növbənin sonunda diqqət başlanğıcda olduğu qədər kəskin deyil. Kompüter görmə və maşın öyrənməsi bu yoxlamanı avtomatlaşdırmağa söz verir: yüksək sürətli kamera parçanı skan edir, qüsurların nümunəsini saniyələr ərzində aşkar edir və təsnif edir. Bu bölmədə biz bu sistemin necə işlədiyini, onun qiymətləndirildiyi meyarları və insan nəzarətinin nə üçün hələ də zəruri olduğunu müzakirə edəcəyik.
Parça Qüsurları və Yoxlama Dili
Avtomatik aşkarlamağı başa düşmək üçün ilk növbədə qüsurların adını bilmək lazımdır. Toxunmuş parçalarda tipik qüsurlar: əyilmə qırılması (uzununa sapın olmaması), arğac qüsuru/interface (eninə xətt), deşik, ləkə, qalın/nazik yer, əyilmə sıçrayışı. Trikotaj parçada: iynə işarəsi (uzununa xətt, iynənin nasazlığından), boş tikiş, deşik, qalınlıq fərqi. Çap və boyamada: rəng fərqi, qırılma (boyanma nizamsızlığı), sürüşmə, sıçrama.
Yoxlamanın nəticələri tez-tez dörd ballıq sistemdən istifadə etməklə hesablanır: hər bir qüsura uzununa uzunluğuna görə 1-4 bal verilir (məsələn, 8 sm-ə qədər 1 bal, 15 sm-dən yuxarı 4 bal) və 100 m² üçün ümumi bal hesablanır. Həddən aşağı (məsələn, 40 bal/100 m²) "qəbul", yuxarıda isə "rədd etmə" hesab olunur. AI ilə avtomatlaşdırılmış qiymətləndirmə bu standartı təqlid etməlidir; O, öz ixtiyari hesabını yaratmamalıdır.
İpucu: Avtomatlaşdırılmış sistemin çıxışı həmişə qəbul edilmiş qiymətləndirmə standartınıza (məsələn, 4 ballıq) və müştəri dözümlülüyünə çevrilməlidir. “Model 12 anomaliya tapdı” təkcə biznes qərarı vermir; O, nöqtələrə və qərarlara çevrilməlidir.
Avtomatik qüsur aşkarlama necə işləyir?
Müasir sistemlər çox vaxt iki yanaşmanı birləşdirir. Nəzarət edilən təsnifat, əvvəllər etiketlənmiş minlərlə qüsur nümunəsi ilə öyrədilmiş süni neyron şəbəkəsinin (xüsusilə görüntüyə uyğun konvolyusiya neyron şəbəkəsi, İngilis dili CNN) yeni təsvirdə və onun növündə qüsur olub-olmadığını proqnozlaşdırdığı zamandır. Anomaliya aşkarlanması isə "normal" parçanı öyrənir və normaldan kənara çıxan hər şeyi qüsur namizədi kimi qeyd edir; Nadir, heç vaxt görülməmiş qüsurlar üçün işləyir, çünki hər bir qüsur növünü əvvəlcədən etiketləmək lazım deyil.
Sistemin performansını iki əsas meyarla oxuyuruq. Həssaslıq (xatırlatma): real qüsurların neçə faizini aşkar etdi? Dəqiqlik: Qüsur dediklərinin neçə faizi əslində qüsur idi? Bu ikisi arasında balans var. Yanlış mənfi (qüsurun olmaması) qüsurlu malın müştəriyə çatdırılması deməkdir; Yanlış müsbət (mükəmməl olanı qüsurlu kimi qeyd etmək) lazımsız israf və yavaşlama deməkdir. Keyfiyyət baxımından kritik tətbiqdə, ümumiyyətlə, yalan neqativləri aşağı saxlamaq üçün hədd seçilir, artmış yanlış pozitivlər isə insan operator tərəfindən sürətli ikinci yoxlamadan keçir.
Burada tənqidi tələ var: yalnız dəqiqlik yanıltıcıdır. İstehsal xəttində parçanın bəlkə də 2%-i qüsurludur. Hər şeyi "mükəmməl" adlandıran axmaq bir model 98% dəqiqlik hesabatını verir, lakin heç bir qüsuru görmür. Buna görə də balanssız məlumatlarda qüsur sinfinin həssaslığı və dəqiqliyi deyil, dəqiqliyi nəzərə alınır.
Addım-addım: Aşkarlama Sisteminin Qiymətləndirilməsi
- Təmsilçi məlumatları toplayın. Sistemin görəcəyi faktiki parça müxtəlifliyini (rəng, faktura, işıqlandırma) əhatə edən şəkillər; Nadir qüsurlar da daxil olmaqla.
- Etiketin keyfiyyətini yoxlayın. Təlim etiketləri səhv olarsa, model də səhv öyrənir; Etiketləri ekspert gözü ilə nümunə götürün.
- Həssaslığı/dəqiqliyi ölçün. Qüsur sinfi üçün ayrıca; Yalnız ümumi dəqiqliyə baxmayın.
- Yanlış neqativləri araşdırın. Buraxılmış qüsurların ümumi xüsusiyyəti varmı (müəyyən rəng, müəyyən işıq)?
- Döngüdəki insanı qurun. Operatorun modelin nəyi qeyd etdiyini təsdiq etməsinə icazə verin; qeyri-müəyyənliyi insanlara yönəldir.
- Monitorinq edin və yenidən hazırlayın. Yeni qüsur növləri ortaya çıxdıqca verilənlər bazasını yeniləyin (konsepsiya sürüşməsi).
Üç Mini Case: Rəqəmlərə görə
1-ci hal - Yanıltıcı dəqiqlik. Təchizatçı "modelimiz 97% dəqiqdir" deyən sistemi satdı. Sahədə müştəri gəlirləri artdı. Təhlil göstərdi ki, qüsur sinfinin həssaslığı cəmi 61% təşkil edib, yəni hər 100 həqiqi qüsurdan 39-u buraxılıb. Dəqiqlik yüksək idi, çünki parçanın çox hissəsi artıq qüsursuz idi. Eşik yenidən tənzimləndi və insan nəzarəti əlavə edildi; həssaslıq 92%-ə yüksəldi, yalançı pozitivlər operator tərəfindən aradan qaldırıldı.
2-ci hal — İşıqlandırmanın dəyişməsi. Günortadan sonra günəş işığı yoxlama sahəsinə dəydikdə bir sətirdə yanlış pozitivlər üç dəfə artdı; Model kölgələrin ləkə olduğunu düşünürdü. Baxış vəziyyəti (qapalı kabinet, daimi LED işıqlandırma) standartlaşdırıldıqda problem həll edildi. Dərs: təsvirin qurulması model kimi keyfiyyətə də aiddir.
Məsələn 3 - Vaxt və əmək. Bir müəssisə 100 metr parçanı əl ilə yoxlamaq üçün orta hesabla 9 dəqiqə vaxt sərf edib. Kameranın əvvəlcədən skan edilməsi + operatorun təsdiqlənməsi modeli ilə operator yalnız işarələnmiş sahələrə diqqət yetirdiyi üçün vaxt 4 dəqiqəyə endirilib və sızma azalıb. Kritik olan o idi ki, avtomatlaşdırma operatoru yox, operatorun gözünü itiləyirdi.
Zəif Tələb / Güclü Tələb
Qeyd: Qüsur təsvirini birbaşa təhlil edən xüsusi sistemlər ayrıdır; burada prosesin dizaynı, məlumatların qiymətləndirilməsi və hesabat üçün süni intellektdən istifadə edirik.
Zəif çağırış:
Mənə deyin, bizim qüsur aşkarlama modelimiz yaxşıdır?
Güclü göstəriş:
Sizin rolunuz: Tekstil keyfiyyəti mühəndisi və məlumat analitiki. Aşağıda qüsur aşkarlama modelinin sınaq nəticələri verilmişdir (qarışıqlıq matrisi: doğru müsbət, yanlış müsbət, yalançı mənfi, həqiqi mənfi). Tapşırıq: 1) Qüsur sinfi üçün həssaslıq və dəqiqliyi hesablayın, düsturu göstərin. 2) Bu rəqəmlərlə ümumi yanlışlığın iş riskinə nə üçün təsir göstərə biləcəyini izah edin3) bu istehsalda yanlış neqativlər.4) Həddi təyin etmək və insan yoxlaması üçün konkret təklif verin.Nömrələr: [matris]
Kopyalana bilən şablonlar
1) Metrik hesablama və şərh:
Aşağıdakı qarışıqlıq matrisindən həssaslıq, dəqiqlik və F1 xalını hesablayın, hər bir düstur yazın və keyfiyyət baxımından hansının daha kritik olduğunu əsaslandırın. Matris: [TP, FP, FN, TN]
2) Yanlış mənfi kök səbəb:
Aşağıda buraxılmış (yalançı mənfi) qüsurların xüsusiyyət siyahısı verilmişdir (nöqsan növü, rəng, işıq, sürət). Ümumi nümunə hipotezləri yaradın və hər bir fərziyyə üçün yoxlama sınağı təklif edin. Data: [siyahı]
3) 4 nöqtəli nöqtəyə çevrilmə:
Aşağıdakı aşkarlama çıxışını 4 ballıq sistemə çevirin: hər bir qüsuru uzunluğuna görə qiymətləndirin, 100 m² üçün ümumi balı hesablayın, [ərəfəsində] xalla müqayisə edin və qəbul/rədd etməyi tövsiyə edin. Qüsur siyahısı: [siyahı]
4) Yoxlama hesabatının layihəsi:
Aşağıdakı növbə qüsuru məlumatlarından icra xülasəsini əldə edin: ilk 3 qüsur, mümkün proses mənbəyi (fərziyyə), ümumi imtina dərəcəsi və tövsiyə olunan tədbirlər. Rəqəmləri uydurmayın, sadəcə veriləndən istifadə edin. Məlumat: [cədvəl]
Metrik Müqayisə Diaqramı
meyar
Nə tədbirlər
Yüksək olmaq yaxşıdır?
Keyfiyyətdə əhəmiyyəti
Dəqiqlik
Ümumi düzgün nisbət
Aldadıcı ola bilər
Balanssız məlumatda aşağı
Həssaslıq (xatırlamaq)
Həqiqi qüsur dərəcəsi tutuldu
Bəli
Yalan mənfi (kritik) düşür
Dəqiqlik
Dediklərinizin həqiqəti qüsurdur
Bəli
Yanlış pozitivləri/tullantıları azaldır
yalan mənfi
qüsurdan xilas oldu
Xeyr, aşağı olmalıdır
Müştəri üçün qüsurlu mal riski
yanlış müsbət
boş həyəcan siqnalı
Xeyr, amma dözülür
Səmərəlilik/sürət itkisi
Diqqət: Avtomatlaşdırılmış sistem "təsdiqləyici" deyil, "öncədən yoxlayıcıdır". Keyfiyyətin qəbulu ilə bağlı yekun qərar, xüsusilə müştəri müqaviləsinə tabe olan partiyalar üçün səlahiyyətli keyfiyyət məmurunun təsdiqini tələb edir. Model insan nəzarətini sürətləndirir, lakin ondan azad etmir.
Ümumi səhvlər
- Salehliyə baxmaq və razı olmaq. Yüksək dəqiqlik balanssız məlumatlarda artefaktları gizlədir.
- Baxış vəziyyətinə məhəl qoymamaq. Daimi işıqlandırma və sabit sürət olmadan model etibarsızdır.
- Etiketin keyfiyyətini yoxlamaq. Yanlış etiketlə təlim keçmiş model səhv öyrənir.
- Yeni növ qüsuru unutmaq. Məlumat zamanla ortaya çıxan yeni qüsurlar üçün yenilənməsə, performans səssizcə pisləşəcək.
- İnsanları kəsmək. Kritik qəbul qərarı insan təsdiqini tələb edir.
Xülasə
Şəkil emalı parça yoxlamasını xeyli sürətləndirir və insan yorğunluğunu kompensasiya edir. Amma onun ifası dəqiqliklə deyil, qüsur sinfinin həssaslığı və dəqiqliyi ilə oxunur; Yalan mənfi keyfiyyətdə ən təhlükəli səhvdir. Stabil görüntüləmə vəziyyəti, keyfiyyət etiketi və dövrədə insan yoxlaması sistemin etibarlılığının üç sütunudur. Avtomatik çıxış ilkin yoxlamadır; Son qəbul qərarı mühəndisin təsdiqi ilə qalır.
Tətbiq tapşırığı
Qüsur aşkarlama sistemi üçün nümunə qarışıqlıq matrisini təyin edin (məsələn, 100 qüsurlu, 4900 mükəmməl nümunə). Bu vahiddə "metrik hesablama" şablonu ilə hesablanmış həssaslıq, dəqiqlik və F1 var; sonra nəticələri əl ilə yoxlayın. Eyni matrisdə yalan mənfini yarıya endirmək üçün həddi dəyişdirdiyiniz zaman yalan pozitivlərlə nə baş verdiyini abzasda müzakirə edin və məhsulunuz üçün hansı balansın uyğun olduğuna qərar verin.
yoxlama siyahısı
- [ ] Mən performansı dəqiqliklə deyil, həssaslıqla/dəqiqliklə qiymətləndirirəm.
- [ ] Mən biznesin təsiri ilə yanaşı yalan neqativlərin riskini şərh edirəm.
- [ ] Baxış şərtlərini standartlaşdırdım (işıq, sürət).
- [ ] Mən müntəzəm olaraq etiket keyfiyyətini və yeni qüsur növlərini yoxlayıram.
- [ ] Mən yekun qəbul qərarına insan razılığını verirəm; Model yalnız əvvəlcədən ələkdən keçir.