Kontrola kvaliteta proizvodne linije: Vizuelna detekcija defekta

Dobici:

• Razumijevanje tijeka rada detekcije površinskih, zavarivačkih i montažnih grešaka u proizvodnoj liniji automobila uz mašinski vid
• Sposobnost korištenja umjetne inteligencije na strukturiran način u uspostavljanju skupa podataka slike, označavanju, obuci modela i određivanju praga
• Sposobnost provjere kvalitetne odluke uzimajući u obzir stopu bijega i lažnog odbijanja, brzinu linije i povjerenje operatera

Automobil se sastoji od hiljada dijelova, a svaki prođe kroz liniju za sekunde. Zamorno je i nedosljedno pregledati svaki zavar, svaku površinu boje, svaki sklop bez ikakvih grešaka ljudskim okom; oči se umaraju, pažnja je ometena. Ovdje dolaze mašinski vid i umjetna inteligencija: kamere snimaju dijelove, AI model označava kvar za manje od sekunde. U ovoj cjelini ćemo razgovarati o tome kako se uspostavlja kontrola kvalitete slike u automobilskoj proizvodnji, ulozi umjetne inteligencije i najkritičnijem pitanju, balansu grešaka.

Typical visual defects in automotive

Glavne vrste grešaka koje se vizualno pregledavaju:

• Defekti površine/boje: narandžasta kora (gruba boja), mjehurići prašine, krvarenje, ogrebotine, razlika u boji.
• Defekti zavara: nepotpuni zavar, prskanje, poroznost, pogrešno postavljen tačkasti zavar.
• Defekti pri montaži: nedostaje vijak, pogrešno postavljena obujmica, obrnuto zaptivanje, labav konektor.
• Oznaka/oznaka: nečitak VIN, pogrešna etiketa, nedostaje pečat.

Neki od ovih nedostataka su samo estetski (manje ogrebotine), dok su drugi kritični za sigurnost (nepotpuno zavarivanje može dovesti do zamorne pukotine u zglobu karoserije). Ova razlika određuje sve kasnije odluke.

Savjet: Ne tretirajte svaki nedostatak sa istom ozbiljnošću. Dodavanje oznake "estetika/funkcionalno/kritično za sigurnost" prilikom klasifikacije defekta ključno je za ispravan prag i logiku odlučivanja.

Dva osnovna pristupa: nadzirana klasifikacija i detekcija anomalija

Postoje dvije glavne strategije za otkrivanje vizualnih nedostataka:

1. Nadzirana klasifikacija/detekcija: Poučavate model tako što mu pokazujete mnoge označene slike sa porukom "ovdje su neispravni primjeri, evo savršeni primjeri". Moćan je ako poznajete vrste kvarova i imate dovoljno primjera. Izazov: teško je prikupiti dovoljno uzoraka rijetkih defekata (linija gotovo uvijek proizvodi čvrste dijelove).
2. Detekcija anomalija: modelu prikazujete samo "normalne/robustne" slike; model uči kako izgleda normalno i označava sve što odstupa od normalnog kao "anomaliju". Može uhvatiti nove/neočekivane defekte čak i ako ne znate tip kvara unaprijed. Poteškoća: može pogrešno shvatiti bilo koje odstupanje kao grešku (kao što je promjena osvjetljenja).

U praksi se to dvoje koristi zajedno: otkrivanje anomalija kaže "ovdje je nešto čudno", klasifikacija kaže "ovo je odbijanje resursa".

Korak po korak: postavljanje sistema vizuelne inspekcije

1. Katalog grešaka i kriterijumi prihvatanja: Definišite sa inženjerima kvaliteta koji nedostatak je prihvaćen/odbijen. This is the "truth" of the model.
2. Snimanje slike: Konstantno, dosledno osvetljenje i položaj kamere su kritični. Loše/nestabilno osvjetljenje je najčešći uzrok kvara.
3. Labeling: Experts mark defects; Labeling guidance is essential for consistency.
4. Obuka modela: Obučava se model pod nadzorom i/ili anomalija.
5. Prag: model daje “vjerovatnost defekta”; To je prag iznad kojeg ćete vjerovatnoću smatrati "odbijanjem". Ovo je najkritičnija poslovna odluka (u nastavku).
6. Integracija linije: Model donosi odluku, sumnjivi dijelovi se usmjeravaju na operatera/stanicu.
7. Praćenje i prekvalifikacija: Model se ažurira kako novi tipovi kvarova, sezonske promjene, novi dijelovi postaju dostupni.

Najkritičnije pitanje: balans curenja i lažnog odbijanja

Postoje dvije greške u otkrivanju kvarova i njihovi troškovi su vrlo različiti u automobilskoj industriji:

• Curenje (izlaz / lažno negativan): neispravan komad se smatra "dobrim" i prolazi kroz vod. Na sigurnosnom dijelu to znači neispravno vozilo koje ide na teren, žalbu kupca ili čak opoziv. The most expensive mistake.
• Lažno odbijanje (lažno odbacivanje / lažno pozitivno): Netaknuti dio se smatra "neispravnim" i odbija se. To znači rasipanje, nepotrebne prerade, usporavanje linije; It hurts, but it doesn't pose a safety risk.

prag odluke

bjegunac

lažno odbijanje

kada?

Opušteno (visoki prag)

Povećava (opasno)

smanjuje se

Never on the security track

Strogo (nizak prag)

smanjuje se

Povećanja (skupo)

Na sigurnosno kritičnim dijelovima

uravnotežen

srednje

srednje

Kod estetskih nedostataka

Oprez: Na sigurnosno kritičnom dijelu (kočnica, upravljanje, zavar karoserije) prag se uvijek drži čvrsto kako bi se smanjilo curenje; The suspicious piece is directed to the human. Spuštanje praga jer je "lažno odbijanje skupo" neprihvatljivo je u sigurnosnom dijelu.

Human-machine division of labor

U dobro uspostavljenom sistemu, model nije donosilac konačne odluke; To je "pre-screener". Model hvata očigledne nedostatke i vraća čovjeku ono u što nije siguran. Ovo omogućava operateru da se fokusira na 30 sumnjivih dijelova umjesto da gleda na 1000 dijelova. Povjerenje operatera je također važno: ako model proizvede previše lažnih alarma, operater prestaje ozbiljno shvaćati upozorenja („zamor od alarma“). Zbog toga se prati i stopa lažnog odbijanja.

Mini studije slučaja

Slučaj 1 - Rasvjetna zamka. Dok je model za inspekciju boje 98% uspješan u laboratoriji, čak pada na 80%. Recenzija: plafonsko osvetljenje na liniji se menja tokom dana, model smatra razliku u osvetljenosti kao "defekt". Kada se doda fiksno osvjetljenje tunela, uspjeh se povećava na 97%. Zaključak: Kvalitet slike može biti odlučujući od modela.

Case 2 - Cost of leakage. U inspekciji zavara trupa, prag je malo opušten "radi efikasnosti"; Lažno odbacivanje opada sa 6% na 3%, ali mjesec dana kasnije prijavljene su naprsline u dva vozila na terenu. Analiza osnovnog uzroka pokazuje da se povećala stopa curenja. Prag se ponovo pooštrava i sumnjivi dijelovi se stavljaju pod 100% ljudsku kontrolu. Zaključak: Smanjenje curenja u sigurnosnom dijelu uvijek ima prednost nad lažnim odbacivanjem.

Slučaj 3 - Rijedak nedostatak. Povremeno se iz novog kalupa za brizganje pojavi vrlo mali defekt u obliku neravnina, ali gotovo da nema primjera ovog defekta u obuci nadziranog modela, tako da nedostaje. Kada se aktivira model detekcije anomalija, on to detektuje kao "odstupanje od normale". Zaključak: Detekcija anomalija za rijetke/nove defekte dopunjuje nadgledani model.

prompt templates

Obrazac 1 - Katalog kvarova i klasifikacija ozbiljnosti:

Uloga: Vi ste inženjer kvaliteta automobila. Zadatak: Razvrstajte sljedeću listu kvarova u klase težine. Kontekst: linija zavarivanja karoserije; defekti: prskanje, pore, nedostajuća tačka, mala razlika u boji, površinska ogrebotina. Ograničenje: Označite svaki nedostatak kao estetski/funkcionalni/sigurnosno kritičan i predložite odluku (prihvatanje/ljudska provjera/odbijanje). Izlaz: Defekt | važnost | predložena odluka | tabela opravdanja.

Template 2 - Labeling guide:

Role: Image labeling quality lead. Zadatak: Napišite pravila konzistentnosti za označavanje nedostataka boje. Context: Orange peel, run, dust bubble; Postoje slike snimljene pod različitim osvjetljenjem. Izlaz: Pravilo | primjer | granično stanje | tagger note.

Šablon 3 - Tumačenje praga/metričke odluke:

Uloga: Evaluator mašinskog vida. Zadatak: Interpretirati sljedeću tabelu praga odluke. Kontekst: Sigurnosno kritični resurs; na pragu A, curenje je 0,3%, lažno odbacivanje je 5%; curenje na pragu B 1,2% lažno odbacivanje 2%. Ograničenje: Poštujte sigurnosni prioritet; Objasnite koji prag preporučujete i zašto, te dodajte ljudski kontrolni korak. Rezultat: Preporuka + obrazloženje + preostali rizik.

Template 4 - Root cause analysis:

Uloga: Vi ste inženjer kvaliteta. Zadatak: Navedite moguće uzroke prskanja koji su se povećali u posljednje 3 smjene. Kontekst: Robotsko točkasto zavarivanje; Promjena elektrode je izvršena prije 2 dana; trenutna postavka fiksna.Izlaz: Mogući uzrok | provjera valjanosti | prioritet.

Slaba prompt / Jaka prompt

Slab upit:

Napravite model koji pronalazi neispravne dijelove.

Nije jasno koja mana, koja važnost, koji prag, koja odluka; Rezultat je beskorisan.

Snažan upit:

Uloga: Vi ste inženjer kvaliteta automobilske industrije i mašinskog vida. Zadatak: Napravite kontrolnu listu dizajna za sistem vizije zavarivanja karoserije. Kontekst: Tačkasto zavarivanje kritično za sigurnost; brzina linije je velika; Postoje rijetki nedostaci; varijabla osvjetljenja. Ograničenje: Prioritet minimiziranja curenja; specificirati kako kombinovati otkrivanje anomalija sa nadziranom klasifikacijom i korakom ljudske kontrole; garantujući 'nula grešaka'. Izlaz: Faza | prijedlog | rizik | tabela za verifikaciju.

Uobičajene greške

• Zanemarivanje osvetljenja/kvaliteta slike. Loša slika kvari čak i najbolji model.
• Smatrajući curenje i lažno odbacivanje jednakim. Curenje u sigurnosnim dijelovima automobila je mnogo skuplje.
• Oslanjanje samo na nadzirani model za rijetke nedostatke. Detekcija anomalija je komplementarna.
• Učiniti model donosiocem konačne odluke. Sumnjive dijelove treba usmjeriti na ljude.
• Zaboravljam prekvalifikaciju. Novi dijelovi, novi kalupi i sezonske promjene čine model starim.

Ukratko

• Mašinski vid i AI brzo i dosljedno provjeravaju ima li površinskih, zavarenih i montažnih nedostataka na automobilskoj liniji.
• Nadzirana klasifikacija je jaka na poznatim defektima, detekcija anomalija je jaka na rijetkim/novim defektima; oba se koriste zajedno.
• Najkritičnija odluka je prag: curenje (lažno negativno) je minimizirano u sigurnosno kritičnom dijelu, sumnjivi dio ide na čovjeka.
• Kvalitet slike i osvjetljenje često su presudniji od modela.
• Model je pretprosijavač; Konačna odluka o kvalitetu i odgovornost za sigurnost leži na čovjeku.

Zadatak aplikacije

Odaberite dio/stanicu (npr. sklop prednjeg branika). (1) Navedite moguće nedostatke i označite svaki kao estetski/funkcionalni/kritičan za sigurnost. (2) Uz obrazac 3, uporedite dvije opcije praga za curenje/lažno odbijanje i opravdajte preporuku. (3) Objasnite hoćete li koristiti nadgledano otkrivanje ili otkrivanje anomalija za rijetke kvarove. (4) Definirajte korak ljudske kontrole i okidač ponovne obuke.

kontrolna lista

• [ ] Podijelio sam defekte u kategorije ozbiljnosti (estetski/funkcionalni/kritični za sigurnost).
• [ ] Procijenio sam ravnotežu nezakonitog i lažnog odbijanja u odluci o pragu.
• [ ] Dao sam prioritet curenju u sigurnosno kritičnom dijelu.
• [ ] Postavio sam nadgledani i anomalni pristup na odgovarajuće mjesto.
• [ ] Odredio sam zahtjeve za kvalitet slike/osvjetljenje.
• [ ] Definisao sam korak ljudske kontrole i plan preobuke.