Контрол на качеството на производствената линия: Визуално откриване на дефекти — Изкуствен интелект в автомобилното инженерство

Печалби:

Разбиране на работния процес на откриване на повърхностни, заваръчни и монтажни дефекти в автомобилната производствена линия с машинно зрение
Способност за използване на изкуствен интелект по структуриран начин при създаване на набор от данни за изображения, етикетиране, обучение на модели и определяне на прагове
Възможност за проверка на качественото решение чрез отчитане на степента на бягство и фалшиво отхвърляне, скоростта на линията и увереността на оператора

Една кола се състои от хиляди части и всяка от тях минава през линията за секунди. Едновременно е изморително и непоследователно да се инспектира с човешко око всяка заварка, всяка боядисана повърхност, всяка сглобка без никакви грешки; очите се уморяват, вниманието се разсейва. Тук се намесват машинното зрение и изкуственият интелект: камерите изобразяват частите, AI модел отбелязва дефекта за по-малко от секунда. В този раздел ще обсъдим как е установен контролът на качеството на изображението в автомобилното производство, ролята на AI и най-критичния проблем, баланса на грешките.

Типични визуални дефекти в автомобилостроенето

Основните видове дефекти, които се проверяват визуално:

Дефекти по повърхността/боята: портокалова кора (груба боя), мехурчета прах, кървене, драскотини, разлика в цвета.
Дефекти на заварката: непълна заварка, пръски, порьозност, неправилно позиционирана точкова заварка.
Дефекти при сглобяване: липсващ болт, неправилно монтирана скоба, обърнато уплътнение, разхлабен конектор.
Етикет/маркировка: нечетлив VIN, грешен етикет, липсващ печат.

Някои от тези дефекти са просто естетически (незначителни драскотини), докато други са критични за безопасността (непълното заваряване може да доведе до пукнатина от умора на съединението на тялото). Това разграничение определя всички последващи решения.

Съвет: Не се отнасяйте към всеки недостатък с еднаква сериозност. Добавянето на маркера „естетичен/функционален/критичен за безопасността“ при класифициране на дефект е от ключово значение за правилната прагова стойност и логиката на вземане на решения.

Два основни подхода: контролирана класификация и откриване на аномалии

Има две основни стратегии за откриване на визуални дефекти:

Наблюдавано класифициране/откриване: Вие обучавате модела, като му показвате много етикетирани изображения с думите „ето дефектни примери, ето перфектни примери“. Силно е, ако знаете видовете дефекти и имате достатъчно примери. Предизвикателство: трудно е да се съберат достатъчно проби от редки дефекти (линията почти винаги произвежда твърди части).
Откриване на аномалия: Показвате само „нормални/стабилни“ изображения на модела; моделът научава как изглежда нормалното и маркира всичко, което се отклонява от нормалното като „аномалия“. Може да улови нови/неочаквани дефекти, дори ако не знаете типа на дефекта предварително. Трудност: може да обърка всяко отклонение като грешка (като промяна в осветлението).

На практика двете се използват заедно: откриването на аномалия казва „тук има нещо странно“, класификацията казва „това е отскачане на ресурс“.

Стъпка по стъпка: настройка на система за визуална проверка

Каталог на дефектите и критерии за приемане: Определете с инженерите по качеството кой дефект се приема/отхвърля. Това е "истината" на модела.
Получаване на изображение: Постоянното, постоянно осветление и позицията на камерата са критични. Лошото/нестабилното осветление е най-честата причина за повреда.
Етикетиране: Експерти маркират дефектите; Насоките за етикетиране са от съществено значение за последователността.
Обучение на модел: Обучава се модел под наблюдение и/или аномалия.
Прагово определяне: Моделът дава „вероятност за дефект“; Това е прагът, над който вероятността ще се счита за „отхвърляне“. Това е най-критичното бизнес решение (по-долу).
Линейна интеграция: Моделът взема решението, подозрителните части се насочват към оператора/станцията.
Мониторинг и преквалификация: Моделът се актуализира при нови типове дефекти, сезонна промяна, нови части.

Най-критичният проблем: баланс между изтичане и фалшиво отхвърляне

Има две грешки при откриване на дефекти и техните разходи са много различни в автомобилостроенето:

Теч (бягство/фалшиво отрицание): Дефектното парче се счита за „добро“ и преминава през линията. За безопасността това означава дефектно превозно средство, което отива на полето, оплакване от клиент или дори изтегляне. Най-скъпата грешка.
Фалшиво отхвърляне (фалшиво отхвърляне / фалшиво положително): непокътнатата част се счита за "дефектна" и се отхвърля. Това означава загуба, ненужна преработка, забавяне на линията; Боли, но не представлява риск за безопасността.

праг на решение

беглец

фалшиво отхвърляне

кога

Разхлабен (висок праг)

Увеличава (опасно)

намалява

Никога на пътеката за сигурност

Строг (нисък праг)

намалява

Увеличава (скъпо)

На критични за безопасността части

балансиран

среден

При естетически дефекти

Внимание: При критична за безопасността част (спирачка, кормилно управление, заварка на каросерията) прагът винаги се поддържа стегнат, за да се сведе до минимум изтичането; Съмнителното парче е насочено към човека. Намаляването на прага, защото „фалшивото отхвърляне е скъпо“ е неприемливо в частта за сигурност.

Човешко-машинно разделение на труда

В една добре установена система моделът не е крайният човек, който взема решение; Това е "предварителен скрининг". Моделът улавя очевидни недостатъци и изпраща обратно на човека това, в което не е сигурен. Това позволява на оператора да се фокусира върху 30 подозрителни части, вместо да разглежда 1000 части. Увереността на оператора също е важна: ако моделът произвежда твърде много фалшиви аларми, операторът спира да приема сигналите сериозно („умора от аларми“). Ето защо процентът на фалшивите откази също се следи.

Мини казуси

Случай 1 - Светлинен капан. Докато моделът за проверка на боята е 98% успешен в лабораторията, той дори пада до 80%. Преглед: таванното осветление на линията се променя през деня, моделът счита разликата в яркостта за "дефект". Когато се добави фиксирано тунелно осветление, успехът се увеличава до 97%. Заключение: Качеството на изображението може да бъде по-решаващо от модела.

Случай 2 - Разходи за изтичане. При проверка на заваръчните шевове на корпуса прагът е леко отпуснат "за ефективност"; Фалшивото отхвърляне спада от 6% на 3%, но месец по-късно се съобщава за пукнатини по заваръчните шевове в две превозни средства на полето. Анализът на първопричината показва, че степента на течове се е увеличила. Прагът отново се затяга и подозрителните части се поставят под 100% човешки контрол. Заключение: Намаляването на изтичането в предпазната част винаги има предимство пред фалшивото отхвърляне.

Случай 3 - Рядък дефект. Понякога от нова шприцформа се появява много малък дефект на изпъкналост, но почти няма примери за този дефект при обучението на наблюдавания модел, така че той пропуска. Когато моделът за откриване на аномалия е активиран, той го открива като "отклонение от нормалното". Заключение: Откриването на аномалии за редки/нови дефекти допълва контролирания модел.

подканващи шаблони

Шаблон 1 - Каталог на дефектите и класификация на тежестта:

Роля: Вие сте инженер по качеството на автомобилите. Задача: Сортирайте следния списък с дефекти в класове на тежест. Контекст: Заваръчна линия на тялото; дефекти: пръски, пори, липсващо петно, лека разлика в цвета, повърхностна драскотина. Ограничение: Етикетирайте всеки дефект като естетически/функционален/критичен за безопасността и предложете решение (приемане/човешка проверка/отхвърляне). Резултат: Дефект | важност | предложено решение | таблица за обосновка.

Шаблон 2 - Ръководство за етикетиране:

Роля: Ръководител на качеството на етикетиране на изображения. Задача: Напишете правила за съответствие за етикетиране на дефекти в боята. Контекст: портокалова кора, бягане, балон прах; Има изображения, направени при различно осветление. Резултат: Правило | пример | гранично състояние | тагер бележка.

Шаблон 3 – Тълкуване на решение за праг/метрика:

Роля: Оценител на машинното зрение. Задача: Интерпретиране на следната таблица с прагове за вземане на решения. Контекст: Критичен за сигурността ресурс; при праг А изтичането е 0,3%, фалшивото отхвърляне е 5%; изтичане при праг B 1,2% фалшиво отхвърляне 2%.Ограничение: Спазвайте приоритета на сигурността; Обяснете кой праг препоръчвате и защо и добавете стъпката за човешки контрол. Резултат: Препоръка + обосновка + оставащ риск.

Шаблон 4 – Анализ на първопричината:

Роля: Вие сте инженер по качеството. Задача: Избройте възможните основни причини за дефекти от пръски, които са се увеличили през последните 3 смени. Контекст: Роботизирано точково заваряване; Смяната на електрода е направена преди 2 дни; текущата настройка е фиксирана. Изход: Възможна причина | проверка за валидиране | приоритет.

Слаба подкана / Силна подкана

Слаба подкана:

Направете модел, който намира дефектни части.

Не е ясно кой недостатък, кое значение, кой праг, кое решение; Резултатът е безполезен.

Мощна подкана:

Роля: Вие сте инженер по автомобилно качество и машинно зрение. Задача: Създайте контролен списък за проектиране на система за визуализация на заваръчните шевове на тялото. Контекст: критично за безопасността точково заваряване; скоростта на линията е висока; Има редки дефекти; променлива на осветеност. Ограничение: Дайте приоритет на минимизиране на изтичането; уточнява как да се комбинира откриването на аномалия с контролирана класификация и стъпката на човешки контрол; гарантираща „нула грешки“. Резултат: Етап | предложение | риск | таблица за проверка.

Често срещани грешки

Пренебрегване на осветлението/качеството на изображението. Лошият имидж разваля и най-добрия модел.
Като се има предвид изтичането и фалшивото отхвърляне за равни. Течовете в автомобилните предпазни части са много по-скъпи.
Разчитане само на наблюдавания модел за редки дефекти. Откриването на аномалии е допълващо.
Превръщане на модела в крайното вземане на решения. Подозрителните части трябва да бъдат насочени към хората.
Забравяйки преквалификацията. Нови части, нови форми и сезонни промени правят модела стар.

В обобщение

Машинното зрение и изкуственият интелект бързо и последователно проверяват за повърхностни, заваръчни шевове и монтажни дефекти на автомобилната линия.
Контролираната класификация е силна за известни дефекти, откриването на аномалии е силно за редки/нови дефекти; и двете се използват заедно.
Най-критичното решение е прагът: изтичането (фалшиво отрицателно) е сведено до минимум в критичната за безопасността част, подозрителната част отива при човека.
Качеството на изображението и осветлението често са по-решаващи от модела.
Моделът е предварителен; Окончателното решение за качество и отговорността за безопасност се носят от човека.

Задача за приложение

Изберете част/станция (напр. комплект предна броня). (1) Избройте възможните дефекти и етикетирайте всеки като естетичен/функционален/критичен за безопасността. (2) С шаблон 3 сравнете двете опции за прагове за изтичане/фалшиво отхвърляне и обосновете препоръка. (3) Обяснете дали ще използвате контролирано или откриване на аномалия за рядък дефект. (4) Дефинирайте стъпката на човешки контрол и тригера за преквалификация.

контролен списък

[ ] Разделих дефектите в класове на тежест (естетически/функционални/критични за безопасността).
[ ] Оцених баланса на незаконното и фалшивото отхвърляне в решението за праг.
[ ] Дадох приоритет на изтичането в критичната за сигурността част.
[ ] Поставих контролираните и аномалните подходи на подходящото място.
[ ] Посочих изискванията за качество на изображението/светлина.
[ ] Определих стъпката за човешки контрол и плана за преквалификация.