Control de calidad y detección de defectos: procesamiento de imágenes

Ganancias:

• Capacidad para explicar cómo se detectan y clasifican los defectos en la superficie del tejido mediante el procesamiento de imágenes y el aprendizaje automático.
• Capacidad para interpretar saldos falsos positivos/negativos, sistema de puntuación de 4 puntos y métricas de rendimiento del modelo.
• Capacidad para diseñar una configuración de verificación que pruebe la salida de detección automática de defectos con inspección humana e inspección física.

Durante muchos años, el control de calidad de los tejidos ha dependido del ojo humano: un operador observa el tejido durante horas en una mesa de inspección iluminada, marcando y puntuando cualquier defecto que vea. Este trabajo es agotador, subjetivo y propenso al cansancio y al error; La atención no es tan aguda al final de un turno como al principio. La visión por computadora y el aprendizaje automático prometen automatizar esta inspección: una cámara de alta velocidad escanea la tela, detectando y clasificando un patrón de defectos en segundos. En esta unidad, discutiremos cómo funciona este sistema, los criterios mediante los cuales se evalúa y por qué el control humano sigue siendo indispensable.

Defectos de la tela y el lenguaje de inspección

Para entender la detección automática, primero es necesario conocer el nombre de los defectos. Defectos típicos en el tejido: rotura de la urdimbre (falta de hilo longitudinal), defecto/interconexión de la trama (línea transversal), agujero, mancha, lugar grueso/delgado, rebote de la urdimbre. En tejido de punto: marca de aguja (línea longitudinal, por mal funcionamiento de la aguja), puntada perdida, agujero, diferencia de espesor. En estampación y teñido: diferencia de color, abrasión (irregularidad del teñido), deslizamiento, salpicaduras.

Los resultados de la inspección suelen puntuarse utilizando un sistema de cuatro puntos: cada defecto recibe de 1 a 4 puntos según su longitud longitudinal (por ejemplo, 1 punto hasta 8 cm, 4 puntos por encima de 15 cm) y se calcula la puntuación total por 100 m². Por debajo de un umbral (por ejemplo, 40 puntos/100 m²) se considera "aceptación", por encima se considera "rechazo". La puntuación automatizada con IA debería emular este estándar; No debería producir su propia puntuación arbitraria.

Consejo: La salida del sistema automatizado siempre debe ser convertible al estándar de puntuación aceptado (como 4 puntos) y a la tolerancia del cliente. “El modelo encontró 12 anomalías” por sí solo no constituye una decisión comercial; Hay que convertirlo en puntos y decisiones.

¿Cómo funciona la detección automática de fallos?

Los sistemas modernos suelen combinar los dos enfoques. La clasificación supervisada se produce cuando una red neuronal artificial (especialmente una red neuronal convolucional apropiada para imágenes, CNN en inglés) entrenada con miles de ejemplos de defectos previamente etiquetados predice si hay un defecto en la nueva imagen y su tipo. La detección de anomalías, por otro lado, aprende el tejido "normal" y marca cualquier cosa que se desvíe de lo normal como candidato a defecto; Funciona para defectos raros y nunca antes vistos porque no es necesario etiquetar cada tipo de defecto por adelantado.

Leemos el rendimiento del sistema con dos criterios básicos. Sensibilidad (recuerdo): ¿qué porcentaje de defectos reales detectó? Precisión: ¿Qué porcentaje de lo que dijeron que era un defecto era en realidad un defecto? Hay un equilibrio entre estos dos. Falso negativo (falta del defecto) significa que se entregan productos defectuosos al cliente; Un falso positivo (marcar lo perfecto como defectuoso) significa un desperdicio innecesario y una desaceleración. En aplicaciones críticas para la calidad, generalmente se elige un umbral para mantener bajos los falsos negativos, mientras que el aumento de los falsos positivos se somete a una segunda verificación rápida por parte de un operador humano.

Aquí hay una trampa crítica: la precisión por sí sola es engañosa. En una línea de producción, quizás el 2% de la tela esté defectuosa. Un modelo estúpido que llama a todo "perfecto" reporta una precisión del 98% pero no detecta ni un solo defecto. Por lo tanto, en datos no balanceados, no se considera la sensibilidad y precisión de la clase de defecto, sino la exactitud.

Paso a paso: evaluación de un sistema de detección

1. Recoger datos representativos. Imágenes que cubren la variedad real de telas (color, textura, iluminación) que verá el sistema; Incluyendo defectos raros.
2. Verifique la calidad de la etiqueta. Si las etiquetas de entrenamiento son incorrectas, el modelo también aprende mal; Pruebe las etiquetas con ojo experto.
3. Mida la sensibilidad/precisión. Por separado para la clase de defecto; No se limite a mirar la precisión general.
4. Examinar los falsos negativos. ¿Los defectos omitidos tienen una característica común (cierto color, cierta luz)?
5. Configure un ser humano en el circuito. Deje que el operador confirme lo que ha marcado el modelo; Dirigir lo incierto a las personas.
6. Monitorear y reentrenar. Actualice el conjunto de datos a medida que surjan nuevos tipos de defectos (derivación del concepto).

Tres minicasos: en cifras

Caso 1: Precisión engañosa. Un proveedor vendió un sistema diciendo "nuestro modelo tiene una precisión del 97%". Las devoluciones de los clientes aumentaron en el campo. El análisis mostró que la sensibilidad de la clase de defecto era sólo del 61%, lo que significa que se pasaron por alto 39 de cada 100 defectos verdaderos. La precisión fue alta porque la mayor parte del tejido ya estaba impecable. Se reajustó el umbral y se agregó control humano; la sensibilidad aumentó al 92%, el operador eliminó los falsos positivos.

Caso 2: Cambio de iluminación. En una línea, los falsos positivos se triplicaron cuando la luz del sol de la tarde incidió en el área de inspección; La modelo pensó que las sombras eran manchas. El problema se resolvió cuando se estandarizaron las condiciones de visualización (gabinete cerrado, iluminación LED constante). Lección: la configuración de imágenes tiene tanto que ver con la calidad como con el modelo.

Caso 3 — Tiempo y trabajo. Una empresa dedica una media de 9 minutos a inspeccionar manualmente 100 metros de tejido. Con el modelo de preescaneo de cámara + confirmación del operador, el tiempo se redujo a 4 minutos y se redujeron las fugas porque el operador prestó atención solo a las áreas marcadas. Lo fundamental era que la automatización agudizara no al operador, sino el ojo del operador.

Aviso débil / Aviso fuerte

Nota: Los sistemas dedicados que analizan directamente la imagen del defecto son independientes; Aquí utilizamos IA para el diseño de procesos, evaluación de datos e informes.

Aviso débil:

Dígame, ¿es bueno nuestro modelo de detección de defectos?

Potente mensaje:

Su función: ingeniero de calidad textil y analista de datos. A continuación se muestran los resultados de las pruebas del modelo de detección de defectos (matriz de confusión: verdadero positivo, falso positivo, falso negativo, verdadero negativo). Tarea: 1) Calcule la sensibilidad y precisión para la clase de defecto, muestre la fórmula. 2) Explique con estos números por qué la precisión general puede ser engañosa. 3) Comente sobre el impacto empresarial del riesgo de falsos negativos en esta producción. 4) Ofrezca sugerencias concretas para el establecimiento de umbrales y la inspección humana. Números: [matriz]

Plantillas copiables

1) Cálculo e interpretación de métricas:

Calcule la sensibilidad, la precisión y la puntuación F1 a partir de la siguiente matriz de confusión, escriba cada fórmula y justifique cuál es más crítica en términos de calidad. Matriz: [TP, FP, FN, TN]

2) Causa raíz del falso negativo:

A continuación se muestra la lista de características de los defectos omitidos (falso negativo) (tipo de defecto, color, luz, velocidad). Generar hipótesis de patrón común y proponer un ensayo de verificación para cada hipótesis. Datos: [lista]

3) Conversión a puntos de 4 puntos:

Convierta el siguiente resultado de detección a un sistema de 4 puntos: califique cada defecto según su longitud, calcule la puntuación total por 100 m², compárelo con la puntuación [umbral] y recomiende aceptación/rechazo. Lista de defectos: [lista]

4) Borrador del informe de inspección:

Derive un resumen ejecutivo de los siguientes datos de defectos de turno: 3 defectos principales, posible origen del proceso (hipótesis), tasa total de rechazo y acciones recomendadas. No inventes los números, solo usa lo que te dan. Datos: [tabla]

Cuadro comparativo de métricas

criterio

que medidas

¿Es bueno estar drogado?

Importancia en la calidad

Precisión

Tasa correcta general

Puede ser engañoso

Bajo en datos desequilibrados

Sensibilidad (recuerdo)

Tasa de defectos real detectada

si

Cae falso negativo (crítico)

Precisión

La verdad de lo que dices es un defecto.

si

Reduce los falsos positivos/desperdicio

falso negativo

defecto escapado

No, debería ser bajo

Riesgo de productos defectuosos para el cliente.

falso positivo

alarma vacía

No pero se tolera

Pérdida de eficiencia/velocidad

Atención: El sistema automatizado es un "evaluador previo", no un "aprobador". La decisión final de aceptación de la calidad requiere la aprobación de un responsable de calidad competente, especialmente para los lotes sujetos a contrato con el cliente. El modelo acelera el control humano, pero no lo exime.

Errores comunes

• Mirar la justicia y estar satisfecho. La alta precisión oculta artefactos en datos desequilibrados.
• Descuidar la condición de visualización. Sin una iluminación constante y una velocidad constante, el modelo no es fiable.
• No comprobar la calidad de la etiqueta. El modelo entrenado con la etiqueta incorrecta aprende incorrectamente.
• Olvidando el nuevo tipo de defecto. Si los datos no se actualizan para detectar nuevos defectos que aparecen con el tiempo, el rendimiento se degradará silenciosamente.
• Excluyendo a la gente. La decisión crítica de aceptación requiere la aprobación humana.

En resumen

El procesamiento de imágenes acelera enormemente la inspección de tejidos y compensa la fatiga humana. Pero su actuación no se lee con exactitud, sino con la sensibilidad y precisión de la clase de defecto; El falso negativo es el error de calidad más peligroso. La condición de imagen estable, la etiqueta de calidad y la inspección humana son los tres pilares de la confiabilidad del sistema. La salida automática es una selección preliminar; La decisión final de aceptación queda con la aprobación del ingeniero.

Tarea de aplicación

Defina una matriz de confusión de ejemplo para un sistema de detección de defectos (por ejemplo, 100 muestras defectuosas, 4900 perfectas). Calcular la sensibilidad, precisión y F1 con la plantilla de "cálculo métrico" de esta unidad; luego verifique los resultados manualmente. Analice en un párrafo qué sucede con los falsos positivos cuando cambia el umbral para reducir a la mitad los falsos negativos en la misma matriz y decida qué equilibrio es el adecuado para su producto.

lista de verificación

• [] Evalúo el desempeño por sensibilidad/precisión, no por exactitud.
• [ ] Interpreto el riesgo de falsos negativos junto con el impacto empresarial.
• [ ] Estandaricé las condiciones de visualización (luz, velocidad).
• [ ] Compruebo periódicamente la calidad de las etiquetas y los nuevos tipos de defectos.
• [ ] Doy aprobación humana a la decisión de aceptación final; El modelo es sólo pre-tamiz.