Печалби:
- Способност да се обясни как дефектите на повърхността на тъканта се откриват и класифицират чрез обработка на изображения и машинно обучение.
- Възможност за интерпретиране на фалшив положителен/отрицателен баланс, 4-точкова система за точкуване и показатели за ефективност на модела
- Възможност за проектиране на настройка за проверка, която тества изхода за автоматично откриване на дефекти с човешка проверка и физическа проверка
В продължение на много години контролът на качеството на тъканта разчита на човешкото око: оператор наблюдава тъканта с часове на осветена маса за проверка, маркирайки и отбелязвайки всички дефекти, които види. Тази работа е уморителна, субективна и податлива на умора и грешки; Вниманието не е толкова изострено в края на смяната, колкото в началото. Компютърното зрение и машинното обучение обещават да автоматизират тази проверка: високоскоростна камера сканира тъканта, откривайки и класифицирайки шаблон от дефекти за секунди. В тази част ще обсъдим как работи тази система, критериите, по които се оценява и защо човешкият контрол все още е незаменим.
Дефекти на тъканите и езикът на проверката
За да разберете автоматичното откриване, първо е необходимо да знаете името на дефектите. Типични дефекти в тъкани: скъсване на основата (липса на надлъжна нишка), дефект на вътъка/интерфейс (напречна линия), дупка, петно, дебело/тънко място, отскачане на основата. В трикотаж: маркировка на иглата (надлъжна линия, от неизправност на иглата), разсеян бод, дупка, разлика в дебелината. При щамповане и боядисване: разлика в цветовете, оцветяване (неправилно боядисване), приплъзване, пръскане.
Резултатите от инспекцията често се оценяват по четириточкова система: всеки дефект получава 1-4 точки според надлъжната му дължина (напр. 1 точка до 8 см, 4 точки над 15 см) и се изчислява общият резултат за 100 m². Под праг (напр. 40 точки/100 m²) се счита за „приемане“, по-горе се счита за „отхвърляне“. Автоматизираното точкуване с AI трябва да емулира този стандарт; Той не трябва да произвежда собствен произволен резултат.
Съвет: Резултатът от автоматизираната система трябва винаги да може да се преобразува в приетия от вас стандарт за точкуване (като 4 точки) и толерантност на клиента. „Моделът откри 12 аномалии“ сам по себе си не взема бизнес решение; Трябва да се преобразува в точки и решения.
Как работи автоматичното откриване на дефекти?
Съвременните системи често съчетават двата подхода. Наблюдаваната класификация е, когато изкуствена невронна мрежа (особено подходяща за изображение конволюционна невронна мрежа, англ. CNN), обучена с хиляди предварително обозначени примери за дефекти, предвижда дали има дефект в новото изображение и неговия тип. Откриването на аномалии, от друга страна, научава "нормалната" тъкан и маркира всичко, което се отклонява от нормалното като кандидат за дефект; Работи за редки, невиждани досега дефекти, тъй като не е необходимо да етикетирате всеки тип дефект предварително.
Разчитаме ефективността на системата по два основни критерия. Чувствителност (припомняне): какъв процент реални дефекти откри? Прецизност: Какъв процент от това, което казаха, че е недостатък, всъщност е недостатък? Има баланс между тези две неща. Фалшив отрицателен (липса на дефекта) означава, че на клиента са доставени дефектни стоки; Фалшиво положително (маркиране на перфектното като дефектно) означава ненужно разхищение и забавяне. При критично за качеството приложение обикновено се избира праг, който да поддържа ниски фалшиви отрицателни резултати, докато повишените фалшиви положителни резултати преминават бърза втора проверка от човешки оператор.
Тук има критичен капан: точността сама по себе си е подвеждаща. На производствена линия може би 2% от тъканта е дефектна. Глупав модел, който нарича всичко "перфектно", отчита 98% точност, но не улавя нито един недостатък. Следователно при небалансирани данни не се вземат предвид чувствителността и прецизността на класа на дефекта, а точността.
Стъпка по стъпка: Оценка на система за откриване
- Съберете представителни данни. Изображения, покриващи действителното разнообразие от тъкани (цвят, текстура, осветление), които системата ще види; Включително редки дефекти.
- Проверете качеството на етикета. Ако етикетите за обучение са грешни, моделът също учи грешно; Вземете проби от етикетите с експертно око.
- Измерване на чувствителност/прецизност. Отделно за клас дефект; Не гледайте само на общата точност.
- Разгледайте фалшивите отрицания. Пропуснатите дефекти имат ли обща характеристика (определен цвят, определена светлина)?
- Настройте човек в цикъла. Нека операторът потвърди това, което моделът е маркирал; насочвайте несигурното към хората.
- Наблюдавайте и преквалифицирайте. Актуализирайте набора от данни, когато се появят нови типове дефекти (отместване на концепцията).
Три мини калъфа: с числата
Случай 1 — Подвеждаща точност. Доставчик продаде система, казвайки, че „нашият модел е 97% точен“. Връщанията на клиенти се увеличиха на място. Анализът показа, че чувствителността на класа на дефекта е само 61%, което означава, че 39 от всеки 100 истински дефекта са пропуснати. Точността беше висока, защото по-голямата част от тъканта вече беше безупречна. Прагът е пренастроен и е добавен човешки контрол; чувствителността се увеличи до 92%, фалшивите положителни резултати бяха елиминирани от оператора.
Случай 2 — Промяна на осветлението. В един ред фалшивите положителни резултати се утроиха, когато следобедната слънчева светлина удари зоната за проверка; Моделът смяташе, че сенките са петна. Проблемът беше решен, когато условията за гледане (затворен шкаф, постоянно LED осветление) бяха стандартизирани. Поука: настройката за изображения е толкова важна за качеството, колкото и моделът.
Случай 3 — Време и труд. Един бизнес прекарва средно 9 минути, за да инспектира ръчно 100 метра плат. С модела за предварително сканиране с камера + потвърждение от оператора, времето беше намалено до 4 минути и течът беше намален, тъй като операторът обърна внимание само на маркираните зони. Критичното беше, че автоматизацията изостря не оператора, а окото на оператора.
Слаба подкана / Силна подкана
Забележка: Специализираните системи, които директно анализират изображението на дефекта, са отделни; тук използваме AI за проектиране на процеси, оценка на данни и отчет.
Слаба подкана:
Кажете ми, нашият модел за откриване на дефекти добър ли е?
Мощна подкана:
Вашата роля: Инженер по качеството на текстила и анализатор на данни. По-долу са резултатите от теста на модела за откриване на дефекти (матрица на объркване: истински положителни, фалшиви положителни, фалшиви отрицателни, истински отрицателни). Задача: 1) Изчислете чувствителността и прецизността за класа на дефектите, покажете формулата. 2) Обяснете с тези числа защо общата точност може да бъде подвеждаща. 3) Коментирайте бизнес въздействието на риска от фалшиви негативи в това производство.4) Дайте конкретно предложение за настройка на прага и човешка проверка. Числа: [матрица]
Копируеми шаблони
1) Изчисляване и тълкуване на показатели:
Изчислете чувствителността, прецизността и резултата F1 от следната матрица на объркването, напишете всяка формула и обосновете коя е по-критична по отношение на качеството. Матрица: [TP, FP, FN, TN]
2) Фалшива отрицателна основна причина:
По-долу е списъкът с пропуснати (фалшиво отрицателни) дефекти (тип дефект, цвят, светлина, скорост). Генерирайте хипотези с общи модели и предложете тест за проверка за всяка хипотеза. Данни: [списък]
3) Преобразуване в точки от 4 точки:
Преобразувайте следния изход за откриване в 4-точкова система: оценете всеки дефект според дължината му, изчислете общия резултат на 100 m², сравнете с резултата [праг] и препоръчайте приемане/отхвърляне. Списък с дефекти: [списък]
4) Проект на доклад за инспекция:
Извлечете изпълнително резюме от следните данни за дефекти на смени: топ 3 дефекта, възможен източник на процес (хипотеза), общ процент на отхвърляне и препоръчителни действия. Не измисляйте числата, просто използвайте това, което е дадено. Данни: [таблица]
Сравнителна диаграма на показателите
критерий
Какви мерки
Добре ли е да си високо?
Значение в качеството
точност
Като цяло правилна ставка
Може да бъде подвеждащо
Ниско ниво на небалансирани данни
Чувствителност (извикване)
Уловен действителен процент дефекти
да
Извежда фалшиво отрицателно (критично)
Прецизност
Истината на това, което казвате, е недостатък
да
Намалява фалшивите положителни резултати/отпадъци
фалшиво отрицателен
избягал дефект
Не, трябва да е ниско
Риск от дефектни стоки за клиента
фалшиво положително
празна аларма
Не, но се толерира
Ефективност/загуба на скорост
Внимание: Автоматизираната система е "предварителен преглед", а не "одобряващ". Окончателното решение за приемане на качеството изисква одобрението на компетентен служител по качеството, особено за партиди, предмет на договор с клиента. Моделът ускорява човешкия контрол, но не го освобождава.
Често срещани грешки
- Да гледаш правдата и да си доволен. Високата точност крие артефакти в небалансирани данни.
- Пренебрегване на условията за гледане. Без постоянно осветление и постоянна скорост моделът е ненадежден.
- Не се проверява качеството на етикета. Моделът, обучен с грешен етикет, учи неправилно.
- Забравяне на новия вид дефект. Ако данните не се актуализират за нови дефекти, които се появяват с течение на времето, производителността тихо ще се влоши.
- Изрязване на хора. Критичното решение за приемане изисква човешко одобрение.
В обобщение
Обработката на изображения значително ускорява проверката на тъканта и компенсира човешката умора. Но представянето му се чете не с точност, а с чувствителността и прецизността на класа на недостатъците; Фалшивият отрицателен резултат е най-опасната грешка в качеството. Стабилно състояние на изображения, етикет за качество и инспекция от човек в цикъла са трите стълба на надеждността на системата. Автоматичното извеждане е предварителен скрининг; Окончателното решение за приемане остава с одобрението на инженера.
Задача за приложение
Дефинирайте примерна матрица на объркване за система за откриване на дефекти (напр. 100 дефектни, 4900 перфектни проби). Имате чувствителност, прецизност и F1, изчислени с шаблона за "метрично изчисление" в този модул; след това проверете резултатите ръчно. Обсъдете в параграф какво се случва с фалшивите положителни резултати, когато промените прага, за да намалите наполовина фалшивите отрицателни резултати в същата матрица, и решете кой баланс е подходящ за вашия продукт.
контролен списък
- [ ] Оценявам ефективността по чувствителност/прецизност, а не по точност.
- [ ] Тълкувам риска от фалшиви отрицания заедно с въздействието върху бизнеса.
- [ ] Стандартизирах условията за гледане (светлина, скорост).
- [ ] Редовно проверявам качеството на етикетите и новите видове дефекти.
- [ ] Давам човешко одобрение на окончателното решение за приемане; Моделът е само с предварително пресяване.