Qualitätskontrolle und Fehlererkennung: Bildverarbeitung

Gewinne:

• Fähigkeit zu erklären, wie Fehler auf der Stoffoberfläche durch Bildverarbeitung und maschinelles Lernen erkannt und klassifiziert werden.
• Fähigkeit zur Interpretation des Falsch-Positiv-/Negativ-Gleichgewichts, des 4-Punkte-Bewertungssystems und der Modellleistungsmetriken
• Fähigkeit, einen Verifizierungsaufbau zu entwerfen, der die Ausgabe der automatischen Fehlererkennung mit menschlicher Inspektion und physischer Inspektion testet

Seit vielen Jahren verlässt sich die Qualitätskontrolle von Stoffen auf das menschliche Auge: Ein Bediener beobachtet den Stoff stundenlang auf einem beleuchteten Inspektionstisch und markiert und bewertet alle erkannten Mängel. Diese Arbeit ist ermüdend, subjektiv und anfällig für Ermüdung und Fehler. Am Ende einer Schicht ist die Aufmerksamkeit nicht mehr so ​​ausgeprägt wie am Anfang. Computer Vision und maschinelles Lernen versprechen, diese Inspektion zu automatisieren: Eine Hochgeschwindigkeitskamera scannt den Stoff und erkennt und klassifiziert in Sekundenschnelle ein Fehlermuster. In dieser Einheit diskutieren wir, wie dieses System funktioniert, nach welchen Kriterien es bewertet wird und warum menschliche Kontrolle immer noch unverzichtbar ist.

Stofffehler und die Sprache der Inspektion

Um die automatische Erkennung zu verstehen, ist es zunächst notwendig, den Namen der Fehler zu kennen. Typische Fehler in gewebten Stoffen: Kettbruch (Fehlen des Längsfadens), Schussfehler/-verbindung (Querlinie), Loch, Fleck, Dick-/Dünnstelle, Kettsprung. In gestricktem Stoff: Nadelmarkierung (Längslinie, durch eine Fehlfunktion der Nadel), Fehlstich, Loch, Dickenunterschied. Beim Drucken und Färben: Farbunterschiede, Abrieb (Färbeunregelmäßigkeiten), Schlupf, Spritzer.

Die Bewertung der Inspektionsergebnisse erfolgt häufig nach einem Vier-Punkte-System: Jeder Fehler erhält entsprechend seiner Längslänge 1-4 Punkte (z. B. 1 Punkt bis 8 cm, 4 Punkte über 15 cm) und die Gesamtpunktzahl pro 100 m² wird berechnet. Das Unterschreiten einer Schwelle (z. B. 40 Punkte/100 m²) gilt als „Annahme“, darüber als „Ablehnung“. Automatisiertes Scoring mit KI sollte diesen Standard nachahmen; Es sollte keine eigene willkürliche Partitur produzieren.

Tipp: Die Ausgabe des automatisierten Systems sollte immer an Ihren akzeptierten Bewertungsstandard (z. B. 4 Punkte) und die Kundentoleranz angepasst werden können. „Das Modell hat 12 Anomalien gefunden“ allein trifft noch keine Geschäftsentscheidung; Es muss in Punkte und Entscheidungen umgewandelt werden.

Wie funktioniert die automatische Fehlererkennung?

Moderne Systeme kombinieren häufig beide Ansätze. Von einer überwachten Klassifizierung spricht man, wenn ein künstliches neuronales Netzwerk (insbesondere image-property convolutional neural network, englisch CNN), das mit Tausenden von zuvor markierten Fehlerbeispielen trainiert wird, vorhersagt, ob im neuen Bild ein Fehler vorliegt und welche Art dieser vorliegt. Die Anomalieerkennung hingegen lernt die „normale“ Struktur und markiert alles, was vom Normalen abweicht, als Fehlerkandidaten; Es funktioniert bei seltenen, noch nie aufgetretenen Fehlern, da es nicht erforderlich ist, jeden Fehlertyp im Voraus zu kennzeichnen.

Wir messen die Leistung des Systems anhand von zwei grundlegenden Kriterien. Empfindlichkeit (Rückruf): Wie viel Prozent der tatsächlichen Fehler wurden erkannt? Präzision: Wie viel Prozent von dem, was sie als Fehler bezeichneten, war tatsächlich ein Fehler? Es besteht ein Gleichgewicht zwischen diesen beiden. Falsch negativ (Fehler fehlt) bedeutet, dass fehlerhafte Waren an den Kunden geliefert wurden; Falsch positiv (das Perfekt als fehlerhaft markieren) bedeutet unnötige Verschwendung und Verlangsamung. Bei qualitätskritischen Anwendungen wird im Allgemeinen ein Schwellenwert gewählt, um falsch-negative Ergebnisse niedrig zu halten, während erhöhte falsch-positive Ergebnisse einer schnellen zweiten Überprüfung durch einen menschlichen Bediener unterzogen werden.

Hier liegt eine kritische Falle: Genauigkeit allein ist irreführend. An einer Produktionslinie sind vielleicht 2 % des Stoffes fehlerhaft. Ein dummes Modell, das alles als „perfekt“ bezeichnet, meldet eine Genauigkeit von 98 %, erkennt aber keinen einzigen Fehler. Daher wird bei unausgeglichenen Daten nicht die Empfindlichkeit und Präzision der Fehlerklasse berücksichtigt, sondern die Genauigkeit.

Schritt für Schritt: Evaluierung eines Erkennungssystems

1. Sammeln Sie repräsentative Daten. Bilder, die die tatsächliche Stoffart (Farbe, Textur, Beleuchtung) abdecken, die das System erkennt; Einschließlich seltener Mängel.
2. Überprüfen Sie die Etikettenqualität. Wenn die Trainingsbezeichnungen falsch sind, lernt das Modell auch falsch; Probieren Sie die Etiketten mit Expertenauge aus.
3. Empfindlichkeit/Präzision messen. Getrennt für die Fehlerklasse; Achten Sie nicht nur auf die allgemeine Genauigkeit.
4. Untersuchen Sie falsch negative Ergebnisse. Haben die übersehenen Fehler ein gemeinsames Merkmal (bestimmte Farbe, bestimmtes Licht)?
5. Richten Sie Human-in-the-Loop ein. Lassen Sie den Bediener bestätigen, was das Modell markiert hat; Lenke das Ungewisse auf die Menschen.
6. Überwachen und umschulen. Aktualisieren Sie den Datensatz, wenn neue Fehlertypen auftauchen (Konzeptdrift).

Drei Mini-Hüllen: In Zahlen

Fall 1 – Irreführende Genauigkeit. Ein Lieferant verkaufte ein System mit der Aussage „Unser Modell ist zu 97 % genau“. Die Kundenretouren stiegen vor Ort. Die Analyse zeigte, dass die Sensitivität der Fehlerklasse nur 61 % betrug, was bedeutet, dass 39 von 100 echten Fehlern übersehen wurden. Die Genauigkeit war hoch, da der Großteil des Stoffes bereits makellos war. Schwellenwert neu angepasst und menschliche Kontrolle hinzugefügt; Die Sensitivität stieg auf 92 %, Fehlalarme wurden vom Bediener eliminiert.

Fall 2 – Lichtverschiebung. In einer Zeile verdreifachten sich die Falschmeldungen, als die Nachmittagssonne auf den Inspektionsbereich fiel; Das Model dachte, die Schatten seien Flecken. Das Problem wurde gelöst, als die Betrachtungsbedingungen (geschlossener Schrank, konstante LED-Beleuchtung) standardisiert wurden. Lektion: Beim Bildaufbau kommt es ebenso auf die Qualität an wie auf das Modell.

Fall 3 – Zeit und Arbeit. Ein Unternehmen verbrachte durchschnittlich 9 Minuten damit, 100 Meter Stoff manuell zu prüfen. Mit dem Modell Kamera-Vorabscannen + Bestätigung durch den Bediener konnte die Zeit auf 4 Minuten verkürzt und die Leckage verringert werden, da der Bediener nur auf die markierten Bereiche achtete. Entscheidend war, dass die Automatisierung nicht den Bediener, sondern das Auge des Bedieners schärfte.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Hinweis: Dedizierte Systeme, die das Fehlerbild direkt analysieren, sind separat; Hier nutzen wir KI für Prozessdesign, Datenauswertung und Reporting.

Schwache Eingabeaufforderung:

Sagen Sie mir, ist unser Fehlererkennungsmodell gut?

Kraftvolle Aufforderung:

Ihre Rolle: Textilqualitätsingenieur und Datenanalyst. Nachfolgend finden Sie die Testergebnisse des Fehlererkennungsmodells (Verwirrungsmatrix: richtig positiv, falsch positiv, falsch negativ, richtig negativ). Aufgabe: 1) Berechnen Sie die Empfindlichkeit und Präzision für die Fehlerklasse und zeigen Sie die Formel an. 2) Erklären Sie anhand dieser Zahlen, warum die Gesamtgenauigkeit irreführend sein kann. 3) Kommentieren Sie die geschäftlichen Auswirkungen des Risikos falsch negativer Ergebnisse in dieser Produktion. 4) Machen Sie konkrete Vorschläge für die Festlegung von Schwellenwerten und die menschliche Inspektion. Zahlen: [Matrix]

Kopierbare Vorlagen

1) Metrikberechnung und Interpretation:

Berechnen Sie Empfindlichkeit, Präzision und F1-Wertung anhand der folgenden Verwirrungsmatrix, schreiben Sie jede Formel auf und begründen Sie, welche davon im Hinblick auf die Qualität kritischer ist. Matrix: [TP, FP, FN, TN]

2) Falsch negative Grundursache:

Nachfolgend finden Sie die Funktionsliste der übersehenen (falsch negativen) Fehler (Fehlertyp, Farbe, Licht, Geschwindigkeit). Generieren Sie allgemeine Musterhypothesen und schlagen Sie für jede Hypothese einen Verifizierungsversuch vor. Daten: [Liste]

3) Umrechnung in 4-Punkte-Punkte:

Wandeln Sie die folgende Erkennungsausgabe in ein 4-Punkte-System um: Bewerten Sie jeden Fehler entsprechend seiner Länge, berechnen Sie die Gesamtpunktzahl pro 100 m², vergleichen Sie sie mit der [Schwellenwert]-Punktzahl und empfehlen Sie Akzeptanz/Ablehnung. Fehlerliste: [Liste]

4) Entwurf des Inspektionsberichts:

Leiten Sie eine Zusammenfassung aus den folgenden Schichtdefektdaten ab: Top-3-Defekte, mögliche Prozessquelle (Hypothese), Gesamtrückweisungsrate und empfohlene Maßnahmen. Erfinden Sie keine Zahlen, sondern verwenden Sie einfach das Gegebene. Daten: [Tabelle]

Metrik-Vergleichstabelle

Kriterium

Welche Maßnahmen

Ist es gut, high zu sein?

Bedeutung in der Qualität

Genauigkeit

Insgesamt korrekter Preis

Kann irreführend sein

Wenig unausgeglichene Daten

Empfindlichkeit (Rückruf)

Tatsächliche Fehlerrate erfasst

Ja

Löscht falsch negative Ergebnisse (kritisch)

Präzision

Die Wahrheit dessen, was Sie sagen, ist ein Fehler

Ja

Reduziert Fehlalarme/Verschwendung

falsch negativ

entgangener Defekt

Nein, es sollte niedrig sein

Das Risiko fehlerhafter Ware liegt beim Kunden

falsch positiv

Leeralarm

Nein, aber es wird toleriert

Effizienz-/Geschwindigkeitsverlust

Achtung: Das automatisierte System ist ein „Vorprüfer“, kein „Genehmiger“. Die endgültige Entscheidung über die Qualitätsabnahme bedarf insbesondere bei kundenvertraglichen Chargen der Zustimmung eines zuständigen Qualitätsbeauftragten. Das Modell beschleunigt die menschliche Kontrolle, befreit sie aber nicht davon.

Häufige Fehler

• Auf Gerechtigkeit schauen und zufrieden sein. Hohe Genauigkeit verbirgt Artefakte in unausgeglichenen Daten.
• Vernachlässigung der Betrachtungsbedingungen. Ohne konstante Beleuchtung und konstante Geschwindigkeit ist das Modell unzuverlässig.
• Die Etikettenqualität wird nicht überprüft. Das mit der falschen Bezeichnung trainierte Modell lernt falsch.
• Die neue Art von Defekt vergessen. Wenn die Daten nicht für neue Fehler aktualisiert werden, die im Laufe der Zeit auftreten, wird die Leistung stillschweigend beeinträchtigt.
• Menschen ausschließen. Die kritische Akzeptanzentscheidung erfordert die Zustimmung des Menschen.

Zusammenfassend

Die Bildverarbeitung beschleunigt die Stoffinspektion erheblich und gleicht menschliche Ermüdungserscheinungen aus. Aber seine Leistung wird nicht mit Genauigkeit gelesen, sondern mit der Sensibilität und Präzision der Fehlerklasse; Falsch negativ ist der gefährlichste Qualitätsfehler. Stabile Bildgebungsbedingungen, Qualitätssiegel und Human-in-the-Loop-Inspektion sind die drei Säulen der Zuverlässigkeit des Systems. Bei der automatischen Ausgabe handelt es sich um eine Vorprüfung; Die endgültige Abnahmeentscheidung liegt bei der Zustimmung des Ingenieurs.

Anwendungsaufgabe

Definieren Sie eine beispielhafte Verwirrungsmatrix für ein Fehlererkennungssystem (z. B. 100 fehlerhafte, 4900 perfekte Proben). Lassen Sie Empfindlichkeit, Präzision und F1 mit der Vorlage „metrische Berechnung“ in dieser Einheit berechnen; Überprüfen Sie dann die Ergebnisse manuell. Besprechen Sie in einem Absatz, was mit falsch-positiven Ergebnissen passiert, wenn Sie den Schwellenwert ändern, um die falsch-negativen Ergebnisse in derselben Matrix zu halbieren, und entscheiden Sie, welches Gleichgewicht für Ihr Produkt das richtige ist.

Checkliste

• [ ] Ich bewerte Leistung nach Sensibilität/Präzision, nicht nach Genauigkeit.
• [ ] Ich interpretiere das Risiko falsch-negativer Ergebnisse zusammen mit den geschäftlichen Auswirkungen.
• [ ] Ich habe die Betrachtungsbedingungen (Licht, Geschwindigkeit) standardisiert.
• [ ] Ich überprüfe regelmäßig die Etikettenqualität und neue Fehlertypen.
• [ ] Ich gebe der endgültigen Annahmeentscheidung menschliche Zustimmung; Das Modell ist nur mit Vorsichter ausgestattet.