Kontrola kvality výrobní linky: Vizuální detekce defektů

zisky:

• Pochopení pracovního postupu detekce povrchových, svařovacích a montážních vad v automobilové výrobní lince pomocí strojového vidění
• Schopnost strukturovaně využívat umělou inteligenci při vytváření obrazové datové sady, označování, trénování modelu a určování prahových hodnot
• Schopnost ověřit rozhodnutí o kvalitě zohledněním míry úniku a chybného odmítnutí, rychlosti linky a důvěry operátora

Auto se skládá z tisíců dílů a každý z nich projede linkou během několika sekund. Je únavné a nedůsledné kontrolovat každý svar, každý povrch laku, každou sestavu bez jakýchkoli chyb lidským okem; oči jsou unavené, pozornost je rozptýlena. Zde přichází ke slovu strojové vidění a umělá inteligence: kamery snímají součásti, model AI označí závadu za méně než sekundu. V této části probereme, jak je v automobilové výrobě zavedena kontrola kvality obrazu, úloha umělé inteligence a nejkritičtější problém, vyvážení chyb.

Typické vizuální vady v automobilovém průmyslu

Hlavní typy vad kontrolovaných vizuálně:

• Vady povrchu/lak: pomerančová kůra (drsná barva), prachové bubliny, krvácení, škrábance, barevný rozdíl.
• Vady svaru: neúplný svar, rozstřik, pórovitost, špatně umístěný bodový svar.
• Montážní vady: chybějící šroub, nesprávně nainstalovaná spona, obrácené těsnění, uvolněný konektor.
• Štítek/značka: nečitelné VIN, špatný štítek, chybějící razítko.

Některé z těchto vad jsou pouze estetické (drobné škrábance), zatímco jiné jsou kritické z hlediska bezpečnosti (neúplné svařování může vést k únavové trhlině v kloubu karoserie). Toto rozlišení určuje všechna následná rozhodnutí.

Tip: Neberte každý nedostatek se stejnou vážností. Přidání značky „estetické/funkční/kritické pro bezpečnost“ při klasifikaci vady je klíčem ke správnému prahu a logice rozhodování.

Dva základní přístupy: řízená klasifikace a detekce anomálií

Existují dvě hlavní strategie detekce zrakových vad:

1. Kontrolovaná klasifikace/detekce: Model učíte tím, že mu ukazujete mnoho označených obrázků, které říkají: „zde jsou příklady vadných, zde dokonalé příklady“. Je to mocné, pokud znáte typy vad a máte dostatek příkladů. Výzva: je obtížné shromáždit dostatečné množství vzorků vzácných defektů (linka téměř vždy produkuje pevné díly).
2. Detekce anomálií: Modelu zobrazíte pouze „normální/robustní“ obrázky; model se učí, jak vypadá normální, a označí vše, co se od normálu odchyluje, jako „anomálii“. Dokáže zachytit nové/neočekávané vady, i když typ vady předem neznáte. Obtížnost: jakoukoli odchylku může mylně považovat za chybu (např. změnu osvětlení).

V praxi se obojí používá společně: detekce anomálií říká „tady je něco divného“, klasifikace říká „toto je odraz zdroje“.

Krok za krokem: nastavení systému vizuální kontroly

1. Katalog vad a akceptační kritéria: Definujte s inženýry kvality, která vada je přijata/odmítnuta. Toto je „pravda“ modelu.
2. Získávání obrazu: Konstantní, konzistentní osvětlení a poloha kamery jsou rozhodující. Špatné/nestabilní osvětlení je nejčastější příčinou selhání.
3. Označování: Odborníci označují vady; Pokyny pro označování jsou nezbytné pro konzistenci.
4. Trénink modelu: Trénuje se model pod dohledem a/nebo model anomálie.
5. Prahová hodnota: Model udává „pravděpodobnost defektu“; Je to práh, nad kterým pravděpodobnost budete považovat za „odmítnutí“. Toto je nejdůležitější obchodní rozhodnutí (níže).
6. Integrace linky: Rozhoduje model, podezřelé části jsou směrovány k operátorovi/stanici.
7. Monitorování a přeškolování: Model je aktualizován, když jsou k dispozici nové typy defektů, sezónní změny, nové díly.

Nejkritičtější problém: rovnováha úniku a falešného odmítnutí

Při detekci defektů existují dvě chyby a jejich náklady jsou v automobilovém průmyslu velmi odlišné:

• Únik (únik / falešně negativní): Vadný kus je považován za „dobrý“ a prochází linkou. Na bezpečnostním kusu to znamená vyjetí vadného vozidla do terénu, stížnost zákazníka nebo dokonce svolání. Nejdražší chyba.
• Falešné odmítnutí (falešné odmítnutí / falešně pozitivní): Neporušená část je považována za „vadnou“ a odmítnuta. Znamená to plýtvání, zbytečné předělávky, zpomalení linky; Bolí to, ale nepředstavuje to bezpečnostní riziko.

rozhodovací práh

uprchlík

falešné odmítnutí

Kdy?

Volný (vysoký práh)

Zvyšuje (nebezpečné)

klesá

Nikdy na bezpečnostní stopu

Přísné (nízký práh)

klesá

Zvyšuje (nákladné)

U dílů kritických z hlediska bezpečnosti

vyvážený

střední

střední

U estetických vad

Upozornění: Na části kritické z hlediska bezpečnosti (brzda, řízení, svar karoserie) je práh vždy těsný, aby se minimalizovaly netěsnosti; Podezřelý kus míří k člověku. Uvolnění prahu, protože „falešné odmítnutí je drahé“, je v bezpečnostním prvku nepřijatelné.

Dělba práce člověk-stroj

V dobře zavedeném systému není model konečným rozhodovatelem; Jde o „předpromítací zařízení“. Model zachytí zjevné nedostatky a pošle zpět člověku to, čím si není jistý. To umožňuje operátorovi zaměřit se na 30 podezřelých dílů místo toho, aby se díval na 1000 dílů. Důležitá je také důvěra operátora: pokud model produkuje příliš mnoho falešných poplachů, operátor přestane brát výstrahy vážně („únava po poplachu“). Proto je také sledována míra falešných odmítnutí.

Mini případové studie

Případ 1 – Osvětlovací past. Zatímco model kontroly barvy je v laboratoři úspěšný z 98 %, klesá dokonce na 80 %. Recenze: stropní osvětlení na lince se během dne mění, za "závadu" model považuje rozdíl v jasu. Když se přidá pevné osvětlení tunelu, úspěšnost se zvýší na 97 %. Závěr: Kvalita obrazu může být rozhodující než model.

Případ 2 – Náklady na únik. Při kontrole svaru trupu je práh mírně uvolněn "kvůli účinnosti"; Falešné odmítnutí klesá z 6 % na 3 %, ale o měsíc později jsou v terénu hlášeny praskliny ve svarech u dvou vozidel. Analýza hlavní příčiny ukazuje, že míra úniku se zvýšila. Znovu se zpřísní práh a podezřelé části se dostanou pod 100% lidskou kontrolu. Závěr: Snížení netěsnosti v bezpečnostní části má vždy přednost před falešným odmítnutím.

Případ 3 – Vzácná závada. Občas se u nové vstřikovací formy objeví velmi malá vada otřepu, ale v tréninku hlídaného modelu nejsou téměř žádné příklady této vady, takže chybí. Když je model detekce anomálií aktivován, detekuje to jako „odchylku od normálu“. Závěr: Detekce anomálií u vzácných/nových defektů doplňuje kontrolovaný model.

šablony výzvy

Šablona 1 – Katalog vad a klasifikace závažnosti:

Role: Jste inženýr kvality v automobilovém průmyslu. Úkol: Seřaďte následující seznam defektů do tříd závažnosti. Kontext: linie svaru karoserie; vady: stříkance, póry, chybějící skvrna, nepatrný barevný rozdíl, povrchový škrábanec. Omezení: Označte každou vadu jako estetickou/funkční/kritickou z hlediska bezpečnosti a navrhněte rozhodnutí (přijetí/kontrola člověkem/zamítnutí).Výstup: Defekt | důležitost | navrhované rozhodnutí | zdůvodňovací tabulka.

Šablona 2 – Průvodce označováním:

Role: olovo kvality značení obrázků. Úkol: Napište pravidla konzistence pro označování vad laku. Kontext: Pomerančová kůra, běh, prachová bublina; Existují snímky pořízené při různém osvětlení.Výstup: Pravidlo | příklad | mezní stav | taggerova poznámka.

Šablona 3 – Interpretace rozhodnutí o prahu/metrice:

Role: Hodnotitel strojového vidění. Úkol: Interpretace následující tabulky prahových hodnot rozhodování. Kontext: Zdroj kritický pro zabezpečení; při prahu A je únik 0,3 %, falešné odmítnutí je 5 %; únik na prahu B 1,2 % falešné odmítnutí 2 %. Omezení: Dodržujte bezpečnostní prioritu; Vysvětlete, který práh doporučujete a proč, a přidejte krok lidské kontroly. Výstup: Doporučení + odůvodnění + zbývající riziko.

Šablona 4 – Analýza hlavní příčiny:

Role: Jste inženýr kvality. Úkol: Vyjmenujte možné základní příčiny defektů rozstřiku, které se zvýšily za poslední 3 směny. Kontext: Robotické bodové svařování; Výměna elektrody byla provedena před 2 dny; aktuální nastavení opraveno.Výstup: Možná příčina | kontrola platnosti | přednost.

Slabá výzva / Silná výzva

Slabá výzva:

Vytvořte model, který najde vadné díly.

Není jasné, která chyba, jaká důležitost, jaký práh, jaké rozhodnutí; Výsledek je k ničemu.

Výkonná výzva:

Role: Jste inženýr kvality v automobilovém průmyslu a strojového vidění. Úkol: Vytvořte kontrolní seznam návrhu pro systém vidění svaru karoserie. Kontext: Bodové svařování kritické z hlediska bezpečnosti; rychlost linky je vysoká; Existují vzácné vady; proměnná osvětlení. Omezení: Upřednostněte minimalizaci úniku; specifikovat, jak kombinovat detekci anomálií s kontrolovanou klasifikací a krokem lidské kontroly; zaručující 'nulové chyby'.Výstup: Stage | návrh | riziko | ověřovací tabulka.

Časté chyby

• Zanedbávání osvětlení/kvalita obrazu. Špatný obraz zkazí i ten nejlepší model.
• Vzhledem k tomu, že únik a falešné odmítnutí jsou stejné. Úniky bezpečnostních dílů automobilů jsou mnohem nákladnější.
• Spoléhání se pouze na model pod dohledem pro vzácné vady. Detekce anomálií je doplňková.
• Udělat z modelu konečné rozhodnutí. Podezřelé části by měly být směrovány na lidi.
• Zapomínání na rekvalifikaci. Nové díly, nové formy a sezónní změny dělají model starým.

V souhrnu

• Strojové vidění a AI rychle a důsledně kontrolují vady povrchu, svarů a montáže na automobilové lince.
• Kontrolovaná klasifikace je silná u známých defektů, detekce anomálií je silná u vzácných/nových defektů; oba se používají společně.
• Nejkritičtějším rozhodnutím je práh: únik (falešně negativní) je minimalizován v části kritické pro bezpečnost, podezřelá část jde k člověku.
• Kvalita obrazu a osvětlení jsou často rozhodující než model.
• Model je předsévač; Konečné rozhodnutí o kvalitě a odpovědnost za bezpečnost leží na člověku.

Aplikační úkol

Vyberte díl/stanici (např. sestavu předního nárazníku). (1) Uveďte možné závady a každou označte jako estetickou/funkční/kritickou z hlediska bezpečnosti. (2) Se šablonou 3 porovnejte dvě možnosti prahu pro únik/falešné odmítnutí a zdůvodněte doporučení. (3) Vysvětlete, zda budete pro vzácnou vadu používat řízenou detekci nebo detekci anomálií. (4) Definujte krok lidského řízení a spouštěcí mechanismus přeškolení.

kontrolní seznam

• [ ] Vady jsem rozdělil do tříd závažnosti (estetická/funkční/bezpečnostně kritická).
• [ ] V prahovém rozhodnutí jsem vyhodnotil vyváženost nezákonného a nepravdivého odmítnutí.
• [ ] Upřednostnil jsem únik v části kritické pro zabezpečení.
• [ ] Dozorované a anomální přístupy jsem umístil na příslušné místo.
• [ ] Zadal jsem požadavek na kvalitu obrazu/světlo.
• [ ] Definoval jsem krok lidské kontroly a plán rekvalifikace.