Gevinster:
- Evne til at forklare, hvordan defekter på stofoverfladen detekteres og klassificeres ved billedbehandling og maskinlæring.
- Evne til at fortolke falsk positiv/negativ balance, 4-punkts scoringssystem og modelpræstationsmålinger
- Evne til at designe et verifikationsopsætning, der tester automatisk defektdetekteringsoutput med menneskelig inspektion og fysisk inspektion
I mange år har kontrol af stofkvaliteten været afhængig af det menneskelige øje: en operatør ser på stof i timevis på et oplyst inspektionsbord og markerer og scorer de fejl, han ser. Dette arbejde er trættende, subjektivt og tilbøjeligt til træthed og fejl; Opmærksomheden er ikke så skarp i slutningen af et skift, som den er i begyndelsen. Computersyn og maskinlæring lover at automatisere denne inspektion: Et højhastighedskamera scanner stoffet, registrerer og klassificerer et mønster af defekter på få sekunder. I denne enhed vil vi diskutere, hvordan dette system fungerer, de kriterier, som det evalueres efter, og hvorfor menneskelig kontrol stadig er uundværlig.
Stoffejl og inspektionssproget
For at forstå automatisk detektion er det først nødvendigt at kende navnet på defekterne. Typiske defekter i vævet stof: kædebrud (manglende langsgående tråd), skuddefekt/-grænseflade (tværgående linje), hul, plet, tykt/tyndt sted, kædespring. I strikket stof: nålemærke (langsgående linje, fra en nålefejl), vildfarvet søm, hul, tykkelsesforskel. Ved tryk og farvning: farveforskel, abrage (farvningsuregelmæssighed), glidning, sprøjt.
Inspektionsresultater bedømmes ofte ved hjælp af et firepunktssystem: hver defekt gives 1-4 point i henhold til dens langsgående længde (f.eks. 1 point op til 8 cm, 4 point over 15 cm), og den samlede score pr. 100 m² beregnes. Under en tærskel (f.eks. 40 point/100 m²) betragtes som "accept", ovenfor betragtes som "afvisning". Automatiseret scoring med AI bør efterligne denne standard; Det bør ikke producere sin egen vilkårlige score.
Tip: Outputtet fra det automatiserede system bør altid kunne konverteres til din accepterede scorestandard (såsom 4-point) og klienttolerance. "Modellen fandt 12 anomalier" alene træffer ikke en forretningsbeslutning; Det skal omsættes til point og beslutninger.
Hvordan fungerer automatisk fejldetektion?
Moderne systemer kombinerer ofte de to tilgange. Overvåget klassificering er, når et kunstigt neuralt netværk (især billedtilpasset konvolutionelt neuralt netværk, engelsk CNN) trænet med tusindvis af tidligere mærkede defekteksempler forudsiger, om der er en defekt i det nye billede og dets type. Anomalidetektion lærer på den anden side det "normale" stof og markerer alt, der afviger fra det normale, som en defektkandidat; Det virker til sjældne, aldrig før sete defekter, fordi det ikke er nødvendigt at mærke hver defekttype på forhånd.
Vi læser systemets ydeevne med to grundlæggende kriterier. Følsomhed (tilbagekaldelse): hvor stor en procentdel af reelle defekter opdagede den? Præcision: Hvor stor en procentdel af det, de sagde, var en fejl, var faktisk en fejl? Der er en balance mellem disse to. Falsk negativ (manglende defekt) betyder, at defekte varer leveres til kunden; Falsk positiv (markering af det perfekte som defekt) betyder unødvendigt spild og opbremsning. Ved kvalitetskritisk anvendelse vælges en tærskel generelt for at holde falske negativer lav, mens øgede falske positiver gennemgår en hurtig anden kontrol af en menneskelig operatør.
Der er en kritisk fælde her: nøjagtighed alene er vildledende. På en produktionslinje er måske 2% af stoffet defekt. En dum model, der kalder alt "perfekt", rapporterer 98% nøjagtighed, men fanger ikke en eneste fejl. I ubalancerede data tages der derfor ikke hensyn til følsomheden og præcisionen af defektklassen, men nøjagtigheden.
Trin for trin: Evaluering af et detektionssystem
- Indsaml repræsentative data. Billeder, der dækker den faktiske stofvariant (farve, tekstur, belysning), som systemet vil se; Herunder sjældne defekter.
- Tjek etiketkvaliteten. Hvis træningsetiketterne er forkerte, lærer modellen også forkert; Prøv etiketterne med et ekspertøje.
- Mål følsomhed/præcision. Separat for defektklassen; Se ikke kun på generel nøjagtighed.
- Undersøg falske negativer. Har de savnede defekter et fælles træk (bestemt farve, bestemt lys)?
- Opsæt menneske-i-løkken. Lad operatøren bekræfte, hvad modellen har markeret; lede det uvisse til mennesker.
- Overvåg og genoptræne. Opdater datasættet, efterhånden som nye defekttyper dukker op (konceptdrift).
Tre minietuier: Efter numrene
Tilfælde 1 — Vildledende nøjagtighed. En leverandør solgte et system, der sagde "vores model er 97% nøjagtig". Kundernes afkast steg i marken. Analysen viste, at følsomheden af defektklassen kun var 61 %, hvilket betyder, at 39 ud af hver 100 sande defekter blev overset. Nøjagtigheden var høj, fordi det meste af stoffet allerede var fejlfrit. Tærskel genjusteret og menneskelig kontrol tilføjet; følsomheden steg til 92 %, falske positive blev elimineret af operatøren.
Tilfælde 2 — Lysskifte. På én linje tredobledes falske positiver, da eftermiddagssolen ramte inspektionsområdet; Modellen troede, at skyggerne var pletter. Problemet blev løst, da visningstilstanden (lukket skab, konstant LED-belysning) blev standardiseret. Lektion: billedopsætningen handler lige så meget om kvalitet som modellen.
Case 3 — Tid og arbejde. En virksomhed brugte i gennemsnit 9 minutter på manuelt at inspicere 100 meter stof. Med kameraets pre-scanning + operatørbekræftelsesmodel blev tiden reduceret til 4 minutter, og lækage blev reduceret, fordi operatøren kun var opmærksom på de markerede områder. Det afgørende var, at automatisering ikke skærpede operatøren, men operatørens øje.
Svag prompt / stærk prompt
Bemærk: Dedikerede systemer, der direkte analyserer fejlbilledet, er separate; her bruger vi AI til procesdesign, dataevaluering og rapportering.
Svag prompt:
Fortæl mig, er vores defektdetektionsmodel god?
Kraftig prompt:
Din rolle: Tekstilkvalitetsingeniør og dataanalytiker. Nedenfor er testresultaterne af defektdetektionsmodellen (forvirringsmatrix:sand positiv, falsk positiv, falsk negativ, sand negativ).Opgave:1) Beregn følsomheden og præcisionen for defektklassen, vis formlen.2) Forklar med disse tal, hvorfor den overordnede nøjagtighed kan være vildledende på risikoen for denne produktion. Giv konkret forslag til tærskelindstilling og menneskelig inspektion. Tal: [matrix]
Kopierbare skabeloner
1) Metrisk beregning og fortolkning:
Beregn følsomhed, præcision og F1-score ud fra følgende forvirringsmatrix, skriv hver formel og begrund, hvilken der er mere kritisk med hensyn til kvalitet. Matrix: [TP, FP, FN, TN]
2) Falsk negativ grundårsag:
Nedenfor er funktionslisten over ubesvarede (falsk negative) defekter (defekttype, farve, lys, hastighed). Generer fælles mønsterhypoteser og foreslå et verifikationsforsøg for hver hypotese. Data: [liste]
3) Konvertering til 4-punkts point:
Konverter følgende detektionsoutput til et 4-punktssystem: beregn hver defekt efter dens længde, beregn den samlede score pr. 100 m², sammenlign med [tærskelværdien] og anbefal accept/afvisning. Defektliste: [liste]
4) Udkast til inspektionsrapport:
Udled et resumé fra følgende skiftdefektdata: top 3 defekter, mulig proceskilde (hypotese), total afvisningsrate og anbefalede handlinger. Lad være med at finde på tallene, brug blot det, der er givet. Data: [tabel]
Metrisk sammenligningsdiagram
kriterium
Hvilke foranstaltninger
Er det godt at være høj?
Vigtigt i kvalitet
Nøjagtighed
Samlet korrekt sats
Kan være vildledende
Lavt på ubalancerede data
Følsomhed (genkaldelse)
Faktisk defektrate fanget
Ja
Falder falsk negativ (kritisk)
Præcision
Sandheden i det du siger er en fejl
Ja
Reducerer falske positiver/spild
falsk negativ
undsluppet defekt
Nej, den skal være lav
Risiko for defekte varer for kunden
falsk positiv
tom alarm
Nej men det tolereres
Effektivitet/hastighedstab
Bemærk: Det automatiserede system er en "pre-screener", ikke en "godkender". Den endelige beslutning om kvalitetsaccept kræver godkendelse af en kompetent kvalitetsmedarbejder, især for partier underlagt kundekontrakt. Modellen fremskynder menneskelig kontrol, men fritager den ikke.
Almindelige fejl
- At se på retfærdighed og være tilfreds. Høj nøjagtighed skjuler artefakter i ubalancerede data.
- Forsømmelse af visningstilstanden. Uden konstant belysning og konstant hastighed er modellen upålidelig.
- Kontrollerer ikke etiketkvaliteten. Modellen trænet med den forkerte etiket lærer forkert.
- Glemmer den nye type defekt. Hvis data ikke opdateres for nye defekter, der opstår over tid, forringes ydeevnen stille og roligt.
- At skære folk ud. Den kritiske acceptbeslutning kræver menneskelig godkendelse.
Sammenfattende
Billedbehandling fremskynder i høj grad stofinspektion og kompenserer for menneskelig træthed. Men hans præstation læses ikke med nøjagtighed, men med fejlklassens følsomhed og præcision; Falsk negativ er den farligste fejl i kvalitet. Stabil billeddannelsestilstand, kvalitetsmærke og menneske-i-løkken-inspektion er de tre grundpiller i systemets pålidelighed. Automatisk output er en foreløbig screening; Den endelige acceptbeslutning forbliver med ingeniørens godkendelse.
Ansøgningsopgave
Definer et eksempel på forvirringsmatrix for et defektdetektionssystem (f.eks. 100 defekte, 4900 perfekte prøver). Få følsomhed, præcision og F1 beregnet med skabelonen "metrisk beregning" i denne enhed; kontroller derefter resultaterne manuelt. Diskuter i et afsnit, hvad der sker med falske positiver, når du ændrer tærsklen for at halvere den falske negativ i samme matrix, og afgør, hvilken balance der er den rigtige for dit produkt.
tjekliste
- [ ] Jeg vurderer ydeevne ud fra følsomhed/præcision, ikke nøjagtighed.
- [ ] Jeg fortolker risikoen for falske negativer sammen med forretningspåvirkningen.
- [ ] Jeg standardiserede visningsforholdene (lys, hastighed).
- [ ] Jeg tjekker jævnligt etiketkvalitet og nye defekttyper.
- [ ] Jeg sætter menneskelig godkendelse på den endelige acceptbeslutning; Modellen er kun forsigtet.