zisky:
- Schopnost vysvětlit, jak jsou defekty na povrchu látky detekovány a klasifikovány zpracováním obrazu a strojovým učením.
- Schopnost interpretovat falešně pozitivní/negativní rovnováhu, 4bodový bodovací systém a modelové metriky výkonu
- Schopnost navrhnout ověřovací nastavení, které testuje výstup automatické detekce defektů s lidskou kontrolou a fyzickou kontrolou
Po mnoho let se kontrola kvality tkanin spoléhala na lidské oko: operátor sleduje tkaninu celé hodiny na osvětleném kontrolním stole, označuje a hodnotí všechny vady, které vidí. Tato práce je únavná, subjektivní a náchylná k únavě a chybám; Pozornost není na konci směny tak ostrá jako na jejím začátku. Počítačové vidění a strojové učení slibují automatizaci této inspekce: vysokorychlostní kamera skenuje látku a během několika sekund detekuje a klasifikuje vzor defektů. V tomto bloku probereme, jak tento systém funguje, kritéria, podle kterých je hodnocen, a proč je lidská kontrola stále nepostradatelná.
Vady tkaniny a jazyk kontroly
Pro pochopení automatické detekce je nejprve nutné znát název závad. Typické vady tkaniny: přetržení osnovy (chybějící podélná nit), vada/rozhraní útku (příčná linie), díra, skvrna, silné/tenké místo, odskok osnovy. V pletenině: značka jehly (podélná čára, od špatné funkce jehly), bludný steh, díra, rozdíl v tloušťce. Při tisku a barvení: barevný rozdíl, abrage (nesrovnalost barvení), skluz, stříkání.
Výsledky inspekce se často bodují pomocí čtyřbodového systému: každý defekt dostane 1–4 body podle jeho podélné délky (např. 1 bod do 8 cm, 4 body nad 15 cm) a vypočítá se celkové skóre na 100 m². Pod prahovou hodnotou (např. 40 bodů/100 m²) se to považuje za „přijetí“, výše za „odmítnutí“. Automatizované skórování s AI by mělo napodobovat tento standard; Nemělo by vytvářet své vlastní libovolné skóre.
Tip: Výstup automatizovaného systému by měl být vždy konvertibilní na váš přijatý standard bodování (jako je 4-bodový) a toleranci klienta. Samotné „model našel 12 anomálií“ nečiní obchodní rozhodnutí; Musí se to převést na body a rozhodnutí.
Jak funguje automatická detekce chyb?
Moderní systémy často kombinují dva přístupy. Kontrolovaná klasifikace je, když umělá neuronová síť (zejména konvoluční neuronová síť vhodná pro obraz, anglicky CNN) trénovaná s tisíci dříve označených příkladů defektů předpovídá, zda je v novém snímku a jeho typu defekt. Detekce anomálií se na druhou stranu naučí „normální“ tkaninu a označí vše, co se odchyluje od normálu, jako kandidáta defektu; Funguje pro vzácné, nikdy předtím neviděné vady, protože není nutné předem označovat každý typ vady.
Výkon systému čteme podle dvou základních kritérií. Citlivost (recall): jaké procento skutečných vad zjistil? Přesnost: Jaké procento toho, co řekli, že je chyba, byla ve skutečnosti chyba? Mezi těmito dvěma existuje rovnováha. Falešně negativní (chybějící vada) znamená, že zákazníkovi bylo doručeno vadné zboží; Falešně pozitivní (označení perfektní jako vadné) znamená zbytečné plýtvání a zpomalení. V aplikacích kritických pro kvalitu se obecně volí práh, aby se falešně negativní výsledky udržely na nízké úrovni, zatímco zvýšený počet falešně pozitivních výsledků podléhá rychlé druhé kontrole lidským operátorem.
Je zde kritická past: samotná přesnost je zavádějící. Na výrobní lince jsou vadná snad 2 % látky. Hloupý model, který vše nazývá „dokonalým“, hlásí 98% přesnost, ale nezachytí jedinou chybičku. V nevyvážených datech se proto neuvažuje citlivost a přesnost třídy defektů, ale přesnost.
Krok za krokem: Vyhodnocení detekčního systému
- Sbírejte reprezentativní data. Obrázky pokrývající skutečnou rozmanitost tkaniny (barva, textura, osvětlení), kterou systém uvidí; Včetně vzácných závad.
- Zkontrolujte kvalitu štítku. Pokud jsou trénovací štítky špatné, model se také špatně učí; Vzorujte štítky odborným okem.
- Změřte citlivost/přesnost. Samostatně pro třídu defektů; Nedívejte se jen na obecnou přesnost.
- Prozkoumejte falešně negativní. Mají chybějící vady společný znak (určitá barva, určité světlo)?
- Nastavit člověka ve smyčce. Nechte operátora potvrdit, co model označil; nasměrovat nejisté k lidem.
- Sledovat a rekvalifikovat se. Aktualizujte datovou sadu, jakmile se objeví nové typy defektů (posun konceptu).
Tři mini případy: Podle čísel
Případ 1 – Zavádějící přesnost. Dodavatel prodal systém, který říkal, že "náš model je 97% přesný". Výnosy zákazníků v terénu vzrostly. Analýza ukázala, že citlivost třídy defektů byla pouze 61 %, což znamená, že 39 z každých 100 skutečných defektů bylo vynecháno. Přesnost byla vysoká, protože většina látky již byla bezchybná. Práh znovu upraven a přidána lidská kontrola; citlivost zvýšena na 92 %, falešné pozitivity byly operátorem eliminovány.
Případ 2 – Posun osvětlení. V jedné řadě se falešně pozitivní výsledky ztrojnásobily, když odpolední sluneční světlo zasáhlo oblast kontroly; Modelka si myslela, že stíny jsou skvrny. Problém byl vyřešen, když byly standardizovány podmínky sledování (uzavřená skříň, stálé LED osvětlení). Ponaučení: nastavení zobrazování je stejně tak o kvalitě jako o modelu.
Případ 3 – Čas a práce. Podnik strávil v průměru 9 minut ruční kontrolou 100 metrů látky. U modelu předběžného skenování kamery + potvrzení operátora se čas zkrátil na 4 minuty a snížil se únik, protože operátor věnoval pozornost pouze označeným oblastem. Rozhodující bylo, že automatizace nezbystřila operátora, ale zrak operátora.
Slabá výzva / Silná výzva
Poznámka: Vyhrazené systémy, které přímo analyzují obraz defektu, jsou samostatné; zde používáme AI pro návrh procesů, vyhodnocení dat a reporty.
Slabá výzva:
Řekněte mi, je náš model detekce defektů dobrý?
Výkonná výzva:
Vaše role: Textilní inženýr kvality a datový analytik. Níže jsou uvedeny výsledky testů modelu detekce defektů (záměnná matice: pravdivě pozitivní, falešně pozitivní, falešně negativní, pravdivě negativní). Úkol: 1) Vypočítejte citlivost a přesnost pro třídu defektů, ukažte vzorec. 2) Vysvětlete pomocí těchto čísel, proč může být celková přesnost zavádějící. kontrola.Čísla: [matice]
Kopírovatelné šablony
1) Metrický výpočet a interpretace:
Vypočítejte citlivost, přesnost a skóre F1 z následující matoucí matice, napište každý vzorec a zdůvodněte, který z nich je z hlediska kvality kritičtější. Matice: [TP, FP, FN, TN]
2) Falešně negativní hlavní příčina:
Níže je uveden seznam chybějících (falešně negativních) vad (typ vady, barva, světlo, rychlost). Vytvořte společné hypotézy vzorů a navrhněte ověřovací pokus pro každou hypotézu. Údaje: [seznam]
3) Převod na 4bodové body:
Převeďte následující výstup detekce na 4bodový systém: ohodnoťte každý defekt podle jeho délky, vypočítejte celkové skóre na 100 m², porovnejte s [prahovým] skóre a doporučte přijetí/odmítnutí. Seznam závad: [seznam]
4) Návrh inspekční zprávy:
Odvoďte exekutivní shrnutí z následujících údajů o defektech posunu: 3 nejčastější defekty, možný zdroj procesu (hypotéza), celková míra zamítnutí a doporučené akce. Nevymýšlejte si čísla, použijte jen to, co je dáno. Údaje: [tabulka]
Metrický srovnávací graf
kritérium
Jaká opatření
Je dobré být vysoko?
Důležitost v kvalitě
Přesnost
Celkově správná sazba
Může být zavádějící
Málo nevyvážených dat
Citlivost (vyvolání)
Skutečná míra závad
Ano
Klesá falešně negativní (kritické)
Přesnost
Pravda toho, co říkáte, je chyba
Ano
Snižuje falešné poplachy/plýtvání
falešně negativní
unikla závada
Ne, měla by být nízká
Riziko vadného zboží pro zákazníka
falešně pozitivní
prázdný alarm
Ne, ale toleruje se
Ztráta účinnosti/rychlosti
Pozor: Automatizovaný systém je „předběžná kontrola“, nikoli „schvalovatel“. Konečné rozhodnutí o přejímce jakosti vyžaduje schválení kompetentního pracovníka jakosti, zejména u šarží podléhajících zákaznické smlouvě. Model urychluje lidskou kontrolu, ale nezbavuje ji.
Časté chyby
- Dívat se na spravedlnost a být spokojen. Vysoká přesnost skrývá artefakty v nevyvážených datech.
- Zanedbání podmínek sledování. Bez konstantního osvětlení a konstantní rychlosti je model nespolehlivý.
- Nekontroluje kvalitu štítku. Model trénovaný s nesprávným štítkem se učí nesprávně.
- Zapomeňte na nový typ defektu. Pokud se data neaktualizují kvůli novým vadám, které se časem objeví, výkon se tiše sníží.
- Vyřezávání lidí. Kritické rozhodnutí o přijetí vyžaduje souhlas člověka.
V souhrnu
Zpracování obrazu značně urychluje kontrolu látek a kompenzuje lidskou únavu. Ale jeho výkon se nečte s přesností, ale s citlivostí a přesností třídy chyb; Falešně negativní je nejnebezpečnější chybou kvality. Stabilní stav zobrazení, označení kvality a kontrola člověkem ve smyčce jsou tři pilíře spolehlivosti systému. Automatický výstup je předběžné promítání; Konečné rozhodnutí o převzetí zůstává se souhlasem inženýra.
Aplikační úkol
Definujte příklad matoucí matice pro systém detekce defektů (např. 100 defektních, 4900 dokonalých vzorků). Nechte si vypočítat citlivost, přesnost a F1 pomocí šablony "metrického výpočtu" v této jednotce; pak zkontrolujte výsledky ručně. Diskutujte v odstavci o tom, co se stane s falešně pozitivními výsledky, když změníte prahovou hodnotu tak, aby se falešně negativní ve stejné matici snížila na polovinu, a rozhodněte, která rovnováha je pro váš produkt správná.
kontrolní seznam
- [ ] Výkon hodnotím podle citlivosti/přesnosti, nikoli podle přesnosti.
- [ ] Interpretuji riziko falešných negativ spolu s obchodním dopadem.
- [ ] Standardizoval jsem pozorovací podmínky (světlo, rychlost).
- [ ] Pravidelně kontroluji kvalitu štítků a nové typy závad.
- [ ] Konečnému rozhodnutí o přijetí dávám lidský souhlas; Model je pouze předsítovač.