Κέρδη:
- Δυνατότητα εξήγησης του τρόπου με τον οποίο ανιχνεύονται και ταξινομούνται τα ελαττώματα στην επιφάνεια του υφάσματος μέσω επεξεργασίας εικόνας και μηχανικής εκμάθησης.
- Ικανότητα ερμηνείας ψευδώς θετικού/αρνητικού υπολοίπου, συστήματος βαθμολόγησης 4 βαθμών και μετρήσεων απόδοσης μοντέλου
- Δυνατότητα σχεδίασης ρύθμισης επαλήθευσης που δοκιμάζει την έξοδο αυτόματης ανίχνευσης ελαττωμάτων με ανθρώπινη επιθεώρηση και φυσική επιθεώρηση
Για πολλά χρόνια, ο ποιοτικός έλεγχος του υφάσματος βασίζεται στο ανθρώπινο μάτι: ένας χειριστής παρακολουθεί το ύφασμα για ώρες σε ένα φωτισμένο τραπέζι ελέγχου, σημειώνοντας και βαθμολογώντας τυχόν ελαττώματα που βλέπει. Αυτή η εργασία είναι κουραστική, υποκειμενική και επιρρεπής σε κόπωση και λάθη. Η προσοχή δεν είναι τόσο έντονη στο τέλος μιας βάρδιας όσο στην αρχή. Η όραση υπολογιστή και η μηχανική εκμάθηση υπόσχονται να αυτοματοποιήσουν αυτήν την επιθεώρηση: μια κάμερα υψηλής ταχύτητας σαρώνει το ύφασμα, εντοπίζοντας και ταξινομώντας ένα μοτίβο ελαττωμάτων σε δευτερόλεπτα. Σε αυτή την ενότητα, θα συζητήσουμε πώς λειτουργεί αυτό το σύστημα, τα κριτήρια με τα οποία αξιολογείται και γιατί ο ανθρώπινος έλεγχος εξακολουθεί να είναι απαραίτητος.
Ελαττώματα υφασμάτων και η γλώσσα επιθεώρησης
Για να κατανοήσετε την αυτόματη ανίχνευση, είναι πρώτα απαραίτητο να γνωρίζετε το όνομα των ελαττωμάτων. Τυπικά ελαττώματα στο υφαντό ύφασμα: θραύση στημονιού (έλλειψη διαμήκους νήματος), ελάττωμα υφαδιού/επένδυση (εγκάρσια γραμμή), τρύπα, λεκές, παχιά/λεπτή θέση, αναπήδηση στημονιού. Σε πλεκτό ύφασμα: σημάδι βελόνας (διαμήκης γραμμή, από δυσλειτουργία βελόνας), αδέσποτη βελονιά, τρύπα, διαφορά πάχους. Στην εκτύπωση και τη βαφή: διαφορά χρώματος, τριβή (ανωμαλία βαφής), ολίσθηση, πιτσίλισμα.
Τα αποτελέσματα των επιθεωρήσεων βαθμολογούνται συχνά χρησιμοποιώντας ένα σύστημα τεσσάρων σημείων: σε κάθε ελάττωμα δίνονται 1-4 βαθμοί ανάλογα με το διαμήκη μήκος του (π.χ. 1 βαθμός έως 8 cm, 4 βαθμοί πάνω από 15 cm) και υπολογίζεται η συνολική βαθμολογία ανά 100 m². Κάτω από ένα όριο (π.χ. 40 βαθμοί/100 m²) θεωρείται "αποδοχή", το παραπάνω θεωρείται "απόρριψη". Η αυτοματοποιημένη βαθμολόγηση με τεχνητή νοημοσύνη θα πρέπει να μιμείται αυτό το πρότυπο. Δεν πρέπει να παράγει τη δική του αυθαίρετη βαθμολογία.
Συμβουλή: Η έξοδος του αυτοματοποιημένου συστήματος θα πρέπει πάντα να είναι μετατρέψιμη στο αποδεκτό πρότυπο βαθμολόγησης (όπως 4 βαθμών) και στην ανοχή πελάτη. «Το μοντέλο βρήκε 12 ανωμαλίες» από μόνο του δεν λαμβάνει επιχειρηματική απόφαση. Πρέπει να μετατραπεί σε σημεία και αποφάσεις.
Πώς λειτουργεί η αυτόματη ανίχνευση ελαττωμάτων;
Τα σύγχρονα συστήματα συχνά συνδυάζουν τις δύο προσεγγίσεις. Η εποπτευόμενη ταξινόμηση είναι όταν ένα τεχνητό νευρωνικό δίκτυο (ειδικά συνελικτικό νευρωνικό δίκτυο κατάλληλο για εικόνα, αγγλικό CNN) που εκπαιδεύεται με χιλιάδες προηγουμένως επισημασμένα παραδείγματα ελαττωμάτων προβλέπει εάν υπάρχει ελάττωμα στη νέα εικόνα και τον τύπο της. Η ανίχνευση ανωμαλιών, από την άλλη πλευρά, μαθαίνει το "κανονικό" ύφασμα και επισημαίνει οτιδήποτε αποκλίνει από το κανονικό ως υποψήφιο ελάττωμα. Λειτουργεί για σπάνια, ελαττώματα που δεν έχετε ξαναδεί, επειδή δεν είναι απαραίτητο να επισημαίνετε κάθε τύπο ελαττώματος εκ των προτέρων.
Διαβάζουμε την απόδοση του συστήματος με δύο βασικά κριτήρια. Ευαισθησία (ανάκληση): τι ποσοστό των πραγματικών ελαττωμάτων εντόπισε; Ακρίβεια: Ποιο ποσοστό από αυτά που είπαν ότι ήταν ελάττωμα ήταν στην πραγματικότητα ελάττωμα; Υπάρχει μια ισορροπία μεταξύ αυτών των δύο. Ψευδής αρνητικός (λείπει το ελάττωμα) σημαίνει ότι τα ελαττωματικά προϊόντα παραδίδονται στον πελάτη. Εσφαλμένο θετικό (επισήμανση του τέλειου ως ελαττωματικό) σημαίνει περιττή σπατάλη και επιβράδυνση. Σε κρίσιμες για την ποιότητα εφαρμογές, γενικά επιλέγεται ένα όριο για να διατηρούνται χαμηλά τα ψευδώς αρνητικά, ενώ τα αυξημένα ψευδώς θετικά υποβάλλονται σε έναν γρήγορο δεύτερο έλεγχο από έναν άνθρωπο χειριστή.
Υπάρχει μια κρίσιμη παγίδα εδώ: η ακρίβεια από μόνη της είναι παραπλανητική. Σε μια γραμμή παραγωγής, ίσως το 2% του υφάσματος είναι ελαττωματικό. Ένα ηλίθιο μοντέλο που αποκαλεί τα πάντα "τέλεια" αναφέρει 98% ακρίβεια αλλά δεν πιάνει ούτε ένα ελάττωμα. Επομένως, σε μη ισορροπημένα δεδομένα, δεν λαμβάνεται υπόψη η ευαισθησία και η ακρίβεια της κατηγορίας ελαττώματος, αλλά η ακρίβεια.
Βήμα προς βήμα: Αξιολόγηση ενός συστήματος ανίχνευσης
- Συλλέξτε αντιπροσωπευτικά δεδομένα. Εικόνες που καλύπτουν την πραγματική ποικιλία υφασμάτων (χρώμα, υφή, φωτισμός) που θα δει το σύστημα. Συμπεριλαμβανομένων σπάνιων ελαττωμάτων.
- Ελέγξτε την ποιότητα της ετικέτας. Εάν οι ετικέτες εκπαίδευσης είναι λανθασμένες, το μοντέλο μαθαίνει επίσης λάθος. Δοκιμάστε τις ετικέτες με έμπειρο μάτι.
- Μετρήστε την ευαισθησία/ακρίβεια. Ξεχωριστά για την κατηγορία ελαττώματος. Μην κοιτάτε μόνο τη γενική ακρίβεια.
- Εξετάστε τα ψευδώς αρνητικά. Έχουν τα χαμένα ελαττώματα κάποιο κοινό χαρακτηριστικό (ορισμένο χρώμα, συγκεκριμένο φως);
- Ρυθμίστε το human-in-the-loop. Αφήστε τον χειριστή να επιβεβαιώσει τι έχει επισημάνει το μοντέλο. κατευθύνουν το αβέβαιο στους ανθρώπους.
- Παρακολούθηση και επανεκπαίδευση. Ενημερώστε το σύνολο δεδομένων καθώς εμφανίζονται νέοι τύποι ελαττωμάτων (εννοιολογική μετατόπιση).
Three Mini Cases: By the Numbers
Περίπτωση 1 — Παραπλανητική ακρίβεια. Ένας προμηθευτής πούλησε ένα σύστημα λέγοντας "το μοντέλο μας είναι 97% ακριβές". Οι επιστροφές πελατών αυξήθηκαν στο πεδίο. Η ανάλυση έδειξε ότι η ευαισθησία της κατηγορίας ελαττωμάτων ήταν μόνο 61%, που σημαίνει ότι 39 από κάθε 100 αληθινά ελαττώματα χάθηκαν. Η ακρίβεια ήταν υψηλή επειδή το μεγαλύτερο μέρος του υφάσματος ήταν ήδη άψογο. Το όριο προσαρμόστηκε εκ νέου και προστέθηκε ανθρώπινος έλεγχος. η ευαισθησία αυξήθηκε στο 92%, τα ψευδώς θετικά εξαλείφθηκαν από τον χειριστή.
Περίπτωση 2 — Μετατόπιση φωτισμού. Σε μία γραμμή, τα ψευδώς θετικά τριπλασιάστηκαν όταν το απογευματινό φως του ήλιου έπληξε την περιοχή επιθεώρησης. Το μοντέλο νόμιζε ότι οι σκιές ήταν λεκέδες. Το πρόβλημα λύθηκε όταν τυποποιήθηκε η κατάσταση θέασης (κλειστό ντουλάπι, σταθερός φωτισμός LED). Μάθημα: η ρύθμιση της απεικόνισης αφορά τόσο την ποιότητα όσο και το μοντέλο.
Περίπτωση 3 — Χρόνος και εργασία. Μια επιχείρηση ξόδεψε κατά μέσο όρο 9 λεπτά για να επιθεωρήσει χειροκίνητα 100 μέτρα υφάσματος. Με το μοντέλο προ-σάρωσης κάμερας + επιβεβαίωση χειριστή, ο χρόνος μειώθηκε στα 4 λεπτά και η διαρροή μειώθηκε επειδή ο χειριστής έδωσε προσοχή μόνο στις σημειωμένες περιοχές. Αυτό που ήταν κρίσιμο ήταν ότι ο αυτοματισμός δεν όξυνε τον χειριστή, αλλά το μάτι του χειριστή.
Αδύναμη προτροπή / Ισχυρή προτροπή
Σημείωση: Τα ειδικά συστήματα που αναλύουν απευθείας την εικόνα του ελαττώματος είναι ξεχωριστά. Εδώ χρησιμοποιούμε AI για σχεδιασμό διαδικασίας, αξιολόγηση δεδομένων και αναφορά.
Αδύναμη προτροπή:
Πες μου, είναι καλό το μοντέλο ανίχνευσης ελαττωμάτων;
Ισχυρή προτροπή:
Ο ρόλος σας: Μηχανικός ποιότητας κλωστοϋφαντουργίας και αναλυτής δεδομένων. Παρακάτω είναι τα αποτελέσματα δοκιμών του μοντέλου ανίχνευσης ελαττωμάτων (πίνακας σύγχυσης: αληθές θετικό, ψευδώς θετικό, ψευδώς αρνητικό, αληθινό αρνητικό). Εργασία: 1) Υπολογίστε την ευαισθησία και την ακρίβεια για την κατηγορία ελαττώματος, δείξτε τον τύπο. αρνητικά σε αυτή την παραγωγή.4) Δώστε συγκεκριμένες προτάσεις για τη ρύθμιση του κατωφλίου και την ανθρώπινη επιθεώρηση. Αριθμοί: [μήτρα]
Αντιγράψιμα πρότυπα
1) Μετρικός υπολογισμός και ερμηνεία:
Υπολογίστε την ευαισθησία, την ακρίβεια και τη βαθμολογία F1 από τον ακόλουθο πίνακα σύγχυσης, γράψτε κάθε τύπο και αιτιολογήστε ποιος είναι πιο κρίσιμος όσον αφορά την ποιότητα. Matrix: [TP, FP, FN, TN]
2) Εσφαλμένη αρνητική βασική αιτία:
Ακολουθεί η λίστα χαρακτηριστικών των χαμένων (ψευδώς αρνητικών) ελαττωμάτων (τύπος ελαττώματος, χρώμα, φως, ταχύτητα). Δημιουργήστε υποθέσεις κοινών προτύπων και προτείνετε μια δοκιμή επαλήθευσης για κάθε υπόθεση. Δεδομένα: [λίστα]
3) Μετατροπή σε πόντους 4 σημείων:
Μετατρέψτε την ακόλουθη έξοδο ανίχνευσης σε σύστημα 4 σημείων: βαθμολογήστε κάθε ελάττωμα ανάλογα με το μήκος του, υπολογίστε τη συνολική βαθμολογία ανά 100 m², συγκρίνετε με τη βαθμολογία [κατώφλι] και προτείνετε αποδοχή/απόρριψη. Λίστα ελαττωμάτων: [λίστα]
4) Σχέδιο έκθεσης επιθεώρησης:
Εξάγετε μια εκτελεστική περίληψη από τα ακόλουθα δεδομένα ελαττωμάτων μετατόπισης: κορυφαία 3 ελαττώματα, πιθανή πηγή διαδικασίας (υπόθεση), συνολικό ποσοστό απόρριψης και προτεινόμενες ενέργειες. Μην κάνετε τους αριθμούς, απλώς χρησιμοποιήστε αυτά που δίνονται. Δεδομένα: [πίνακας]
Διάγραμμα σύγκρισης μετρήσεων
κριτήριο
Ποια μέτρα
Είναι καλό να είσαι ψηλά;
Σημασία στην ποιότητα
Ακρίβεια
Συνολικά σωστή τιμή
Μπορεί να είναι παραπλανητικό
Χαμηλό σε μη ισορροπημένα δεδομένα
Ευαισθησία (ανάκληση)
Το πραγματικό ποσοστό ελαττωμάτων αλιεύτηκε
Ναι
Μειώνει το ψευδώς αρνητικό (κρίσιμο)
Ακρίβεια
Η αλήθεια αυτών που λες είναι ελάττωμα
Ναι
Μειώνει τα ψευδώς θετικά/απόβλητα
ψευδώς αρνητικό
διέφυγε ελάττωμα
Όχι, πρέπει να είναι χαμηλό
Κίνδυνος ελαττωματικών αγαθών για τον πελάτη
ψευδώς θετικά
κενός συναγερμός
Όχι αλλά είναι ανεκτή
Απώλεια απόδοσης/ταχύτητας
Προσοχή: Το αυτοματοποιημένο σύστημα είναι «προ-εξεταστής», όχι «έγκριση». Η τελική απόφαση αποδοχής ποιότητας απαιτεί την έγκριση ενός αρμόδιου υπεύθυνου ποιότητας, ειδικά για παρτίδες που υπόκεινται σε σύμβαση πελάτη. Το μοντέλο επιταχύνει τον ανθρώπινο έλεγχο, αλλά δεν τον εξαιρεί.
Συνήθη λάθη
- Να κοιτάς τη δικαιοσύνη και να είσαι ικανοποιημένος. Η υψηλή ακρίβεια κρύβει τεχνουργήματα σε μη ισορροπημένα δεδομένα.
- Παραμέληση της συνθήκης θέασης. Χωρίς σταθερό φωτισμό και σταθερή ταχύτητα το μοντέλο είναι αναξιόπιστο.
- Δεν ελέγχεται η ποιότητα της ετικέτας. Το μοντέλο που έχει εκπαιδευτεί με λάθος ετικέτα μαθαίνει λανθασμένα.
- Ξεχνώντας το νέο είδος ελαττώματος. Εάν τα δεδομένα δεν ενημερωθούν για νέα ελαττώματα που εμφανίζονται με την πάροδο του χρόνου, η απόδοση θα υποβαθμιστεί σιωπηλά.
- Κόψιμο ανθρώπων. Η κρίσιμη απόφαση αποδοχής απαιτεί ανθρώπινη έγκριση.
Συνοπτικά
Η επεξεργασία εικόνας επιταχύνει σημαντικά την επιθεώρηση του υφάσματος και αντισταθμίζει την ανθρώπινη κόπωση. Αλλά η απόδοσή του δεν διαβάζεται με ακρίβεια, αλλά με την ευαισθησία και την ακρίβεια της κατηγορίας ελαττωμάτων. Το ψευδώς αρνητικό είναι το πιο επικίνδυνο ποιοτικό σφάλμα. Η σταθερή κατάσταση απεικόνισης, η ετικέτα ποιότητας και η ανθρώπινη επιθεώρηση είναι οι τρεις πυλώνες της αξιοπιστίας του συστήματος. Η αυτόματη έξοδος είναι μια προκαταρκτική εξέταση. Η τελική απόφαση παραλαβής παραμένει με την έγκριση του μηχανικού.
Εργασία εφαρμογής
Ορίστε ένα παράδειγμα μήτρας σύγχυσης για ένα σύστημα ανίχνευσης ελαττωμάτων (π.χ. 100 ελαττωματικά, 4900 τέλεια δείγματα). Να έχετε την ευαισθησία, την ακρίβεια και το F1 υπολογισμένα με το πρότυπο "μετρικός υπολογισμός" σε αυτή τη μονάδα. στη συνέχεια ελέγξτε τα αποτελέσματα χειροκίνητα. Συζητήστε σε μια παράγραφο τι συμβαίνει με τα ψευδώς θετικά όταν αλλάζετε το όριο για να μειώσετε στο μισό το ψευδώς αρνητικό στον ίδιο πίνακα και αποφασίστε ποια ισορροπία είναι κατάλληλη για το προϊόν σας.
λίστα ελέγχου
- [ ] Αξιολογώ την απόδοση με βάση την ευαισθησία/ακρίβεια, όχι την ακρίβεια.
- [ ] Ερμηνεύω τον κίνδυνο των ψευδώς αρνητικών μαζί με τον επιχειρηματικό αντίκτυπο.
- [ ] Τυποποίησα τις συνθήκες θέασης (φως, ταχύτητα).
- [ ] Ελέγχω τακτικά την ποιότητα της ετικέτας και τους νέους τύπους ελαττωμάτων.
- [ ] Δίνω ανθρώπινη έγκριση στην τελική απόφαση αποδοχής. Το μοντέλο είναι μόνο pre-sifter.