Produktionslinjekvalitetskontrol: Visuel defektdetektion

Gevinster:

• Forståelse af arbejdsgangen for detektering af overflade-, svejsnings- og monteringsfejl i bilproduktionslinjen med maskinsyn
• Evne til at bruge kunstig intelligens på en struktureret måde til at etablere et billeddatasæt, mærkning, modeltræning og tærskelbestemmelse
• Evne til at verificere kvalitetsbeslutninger ved at tage højde for flugt og falsk afvisningsrate, linjehastighed og operatørens tillid

En bil består af tusindvis af dele, og hver enkelt passerer gennem linjen på få sekunder. Det er både trættende og inkonsekvent at inspicere hver svejsning, hver malingsoverflade, hver samling uden fejl med det menneskelige øje; øjne bliver trætte, opmærksomhed distraheres. Det er her maskinsyn og kunstig intelligens kommer ind: Kameraer afbilder delene, en AI-model markerer defekten på under et sekund. I denne enhed vil vi diskutere, hvordan billedkvalitetskontrol etableres i bilproduktion, rollen som AI og det mest kritiske problem, fejlbalance.

Typiske visuelle defekter i bilindustrien

De vigtigste typer af defekter, der inspiceres visuelt:

• Overflade-/malingsfejl: appelsinhud (ru maling), støvbobler, blødninger, ridser, farveforskel.
• Svejsefejl: ufuldstændig svejsning, sprøjt, porøsitet, fejlplaceret punktsvejsning.
• Monteringsfejl: manglende bolt, forkert monteret clips, omvendt tætning, løs forbindelse.
• Etiket/mærke: ulæselig VIN, forkert etiket, manglende stempel.

Nogle af disse defekter er blot æstetiske (mindre ridser), mens andre er sikkerhedskritiske (ufuldstændig svejsning kan føre til en udmattelsesrevne i en kropsled). Denne sondring bestemmer alle efterfølgende afgørelser.

Tip: Behandl ikke enhver fejl med samme seriøsitet. Tilføjelse af "æstetisk/funktionel/sikkerhedskritisk" tag ved klassificering af en defekt er nøglen til at få tærsklen og beslutningslogikken rigtig.

To grundlæggende tilgange: overvåget klassificering og anomalidetektion

Der er to hovedstrategier til påvisning af visuelle defekter:

1. Overvåget klassificering/detektion: Du lærer modellen ved at vise den mange mærkede billeder, hvor der står "her er defekte eksempler, her er perfekte eksempler". Det er stærkt, hvis du kender typen af ​​defekter og har nok eksempler. Udfordring: det er vanskeligt at indsamle tilstrækkelige prøver af sjældne defekter (en linje producerer næsten altid faste dele).
2. Anomalidetektion: Du viser kun "normale/robuste" billeder til modellen; modellen lærer, hvordan det normale ser ud, og markerer alt, der afviger fra det normale, som en "anomali". Den kan fange nye/uventede fejl, selvom du ikke kender fejltypen på forhånd. Sværhedsgrad: kan forveksle enhver afvigelse som en fejl (såsom en ændring i belysningen).

I praksis bruges de to sammen: anomalidetektion siger "der er noget underligt her", klassificeringen siger "dette er et ressourcebounce".

Trin for trin: opsætning af et visuelt inspektionssystem

1. Defektkatalog og acceptkriterier: Definer med kvalitetsingeniører, hvilken defekt der accepteres/afvises. Dette er modellens "sandhed".
2. Billedopsamling: Konstant, ensartet belysning og kameraposition er afgørende. Dårlig/ustabil belysning er den mest almindelige årsag til fejl.
3. Mærkning: Eksperter markerer defekter; Mærkningsvejledning er afgørende for konsistens.
4. Modeltræning: Der trænes en superviseret og/eller anomalimodel.
5. Tærskelværdi: Modellen giver en "sandsynlighed for defekt"; Det er tærsklen over hvilken sandsynlighed du vil betragte som "afvisning". Dette er den mest kritiske forretningsbeslutning (nedenfor).
6. Linjeintegration: Modellen tager beslutningen, mistænkelige dele dirigeres til operatøren/stationen.
7. Overvågning og genoptræning: Modellen opdateres efterhånden som nye defekttyper, sæsonbestemte ændringer, nye dele bliver tilgængelige.

Det mest kritiske spørgsmål: balance mellem lækage og falsk afvisning

Der er to fejl i defektdetektion, og deres omkostninger er meget forskellige i bilindustrien:

• Læk (udslip / falsk negativ): Det defekte stykke anses for "godt" og passerer gennem linjen. På sikkerhedsdelen betyder det, at et defekt køretøj skal i marken, en kundeklage eller endda en tilbagekaldelse. Den dyreste fejl.
• Falsk afvisning (falsk afvisning / falsk positiv): Den intakte del betragtes som "defekt" og afvist. Det betyder spild, unødvendig omarbejdning, nedgang i linjen; Det gør ondt, men det udgør ikke en sikkerhedsrisiko.

beslutningstærskel

flygtning

falsk afvisning

Hvornår?

Løs (høj tærskel)

Stigning (farlig)

falder

Aldrig på sikkerhedssporet

Strenge (lav tærskel)

falder

Stiger (dyrt)

På sikkerhedskritiske dele

afbalanceret

medium

medium

I æstetiske skavanker

Forsigtig: På en sikkerhedskritisk del (bremse, styretøj, kropssvejsning) holdes tærsklen altid stram for at minimere lækage; Det mistænkelige stykke er rettet mod mennesket. At slække på tærsklen, fordi "falsk afvisning er dyrt" er uacceptabelt i sikkerhedsdelen.

Menneske-maskine arbejdsdeling

I et veletableret system er modellen ikke den endelige beslutningstager; Det er en "pre-screener". Modellen fanger åbenlyse fejl og sender tilbage til mennesket, hvad de ikke er sikre på. Dette giver operatøren mulighed for at fokusere på 30 mistænkelige dele i stedet for at se på 1.000 dele. Operatørens tillid er også vigtig: Hvis modellen producerer for mange falske alarmer, holder operatøren op med at tage advarslerne alvorligt ("alarmtræthed"). Derfor overvåges også antallet af falske afvisninger.

Mini casestudier

Case 1 - Lysfælde. Mens en malingsinspektionsmodel er 98 % vellykket i laboratoriet, falder den endda til 80 %. Anmeldelse: loftsbelysning på linjen ændrer sig i løbet af dagen, modellen anser forskellen i lysstyrke for at være en "defekt". Når fast tunnelbelysning tilføjes, stiger succesen til 97%. Konklusion: Billedkvaliteten kan være mere afgørende end modellen.

Case 2 - Udgifter til lækage. Ved en skrogsvejseinspektion er tærsklen let slækket "for effektivitet"; Falsk afvisning falder fra 6 % til 3 %, men en måned senere rapporteres der om svejserevner i to køretøjer i marken. Grundårsagsanalyse viser, at lækageraten er steget. Tærsklen strammes igen, og mistænkelige dele bringes under 100 % menneskelig kontrol. Konklusion: Reduktion af lækage i sikkerhedsdelen har altid forrang frem for falsk afvisning.

Case 3 - Sjælden defekt. Af og til kommer der en meget lille gratdefekt ud af en ny sprøjtestøbeform, men der er næsten ingen eksempler på denne defekt i træningen af ​​den overvågede model, så den glipper. Når anomalidetektionsmodellen er aktiveret, registrerer den det som en "afvigelse fra normalen". Konklusion: Anomalidetektion for sjældne/nye defekter supplerer den overvågede model.

prompte skabeloner

Skabelon 1 - Defektkatalog og alvorlighedsklassificering:

Rolle: Du er bilkvalitetsingeniør. Opgave: Sorter følgende liste over defekter i sværhedsklasser. Kontekst: Kropssvejselinje; defekter: sprøjt, porer, manglende plet, lille farveforskel, overfladeridser. Begrænsning: Mærk hver defekt som æstetisk/funktionel/sikkerhedskritisk og foreslå beslutning (accept/menneskelig kontrol/afvisning). Output: Defekt | vigtighed | forslag til afgørelse | begrundelsestabel.

Skabelon 2 - Mærkningsvejledning:

Rolle: Billedmærkningskvalitet lead. Opgave: Skriv konsistensregler for mærkning af malingsfejl. Kontekst: Appelsinhud, løb, støvboble; Der er billeder taget under forskellig belysning.Output: Regel | eksempel | grænsetilstand | tagger note.

Skabelon 3 - Fortolkning af tærskel/metrisk beslutning:

Rolle: Machine vision evaluator.Opgave: Fortolk følgende beslutningstærskeltabel.Kontekst: Sikkerhedskritisk ressource; ved tærskel A er lækage 0,3%, falsk afvisning er 5%; lækage ved tærskel B 1,2 % falsk afvisning 2 %. Begrænsning: Overhold sikkerhedsprioritet; Forklar hvilken tærskel du anbefaler og hvorfor, og tilføj det menneskelige kontroltrin. Output: Anbefaling + begrundelse + resterende risiko.

Skabelon 4 - Grundårsagsanalyse:

Rolle: Du er kvalitetsingeniør. Opgave: Angiv mulige grundlæggende årsager til sprøjtdefekter, der er steget over de sidste 3 skift.Kontekst: Robotisk punktsvejsning; Elektrodeskift blev foretaget for 2 dage siden; aktuel indstilling fast.Output: Mulig årsag | valideringstjek | prioritet.

Svag prompt / Stærk prompt

Svag prompt:

Lav en model, der finder defekte dele.

Det er ikke klart, hvilken fejl, hvilken betydning, hvilken tærskel, hvilken beslutning; Resultatet er ubrugeligt.

Kraftig prompt:

Rolle: Du er en bilkvalitets- og maskinsynsingeniør. Opgave: Opret en designcheckliste til et kropssvejsesynssystem. Kontekst: Sikkerhedskritisk punktsvejsning; linjehastigheden er høj; Der er sjældne defekter; belysningsvariabel. Begrænsning: Prioriter at minimere lækage; specificere, hvordan man kombinerer anomalidetektion med overvåget klassificering og det menneskelige kontroltrin; garanterer 'nul fejl'.Output: Stage | forslag | risiko | verifikationstabel.

Almindelige fejl

• Forsømmer belysning/billedkvalitet. Dårligt billede ødelægger selv den bedste model.
• Betragtning af lækage og falsk afvisning er lig. Lækage i sikkerhedsdele til biler er meget dyrere.
• Stoler kun på den overvågede model for sjældne defekter. Anomalidetektion er komplementær.
• Gør modellen til den endelige beslutningstager. Mistænkelige dele bør rettes mod mennesker.
• Glemmer omskoling. Nye dele, nye forme og sæsonbestemte ændringer gør modellen gammel.

Sammenfattende

• Maskinsyn og kunstig intelligens inspicerer hurtigt og konsekvent for overflade-, svejse- og monteringsfejl på bilindustrien.
• Overvåget klassificering er stærk på kendte defekter, anomalidetektion er stærk på sjældne/nye defekter; begge bruges sammen.
• Den mest kritiske beslutning er tærsklen: lækage (falsk negativ) minimeres i den sikkerhedskritiske del, den mistænkelige del går til mennesket.
• Billedkvalitet og belysning er ofte mere afgørende end modellen.
• Modellen er en forsigter; Den endelige kvalitetsbeslutning og sikkerhedsansvaret ligger hos mennesket.

Ansøgningsopgave

Vælg en del/station (f.eks. frontkofangersamling). (1) Angiv mulige defekter og mærk dem som æstetiske/funktionelle/sikkerhedskritiske. (2) Med skabelon 3 skal du sammenligne de to tærskelmuligheder for lækage/falsk afvisning og begrunde en anbefaling. (3) Forklar, om du vil bruge overvåget eller anomalidetektion for en sjælden defekt. (4) Definer det menneskelige kontroltrin og genoptræningsudløseren.

tjekliste

• [ ] Jeg inddelte defekterne i sværhedsklasser (æstetiske/funktionelle/sikkerhedskritiske).
• [ ] Jeg vurderede balancen mellem ulovlig og falsk afvisning i tærskelbeslutningen.
• [ ] Jeg prioriterede lækage i den sikkerhedskritiske del.
• [ ] Jeg placerede de overvågede og uregelmæssige tilgange på det passende sted.
• [ ] Jeg har specificeret kravet til billedkvalitet/belysning.
• [ ] Jeg definerede det menneskelige kontroltrin og omskolingsplanen.