Control de calidad de la línea de producción: detección visual de defectos

Ganancias:

• Comprender el flujo de trabajo de detección de defectos de superficie, soldadura y ensamblaje en la línea de producción automotriz con visión artificial
• Capacidad para utilizar la inteligencia artificial de forma estructurada para establecer un conjunto de datos de imágenes, etiquetado, entrenamiento de modelos y determinación de umbrales.
• Capacidad para verificar la decisión de calidad teniendo en cuenta la tasa de escapes y falsos rechazos, la velocidad de la línea y la confianza del operador.

Un automóvil consta de miles de piezas y cada una pasa por la línea en segundos. Es a la vez agotador e inconsistente inspeccionar cada soldadura, cada superficie de pintura, cada ensamblaje sin ningún error con el ojo humano; Los ojos se cansan, la atención se distrae. Aquí es donde entran en juego la visión artificial y la inteligencia artificial: las cámaras toman imágenes de las piezas, un modelo de IA detecta el defecto en menos de un segundo. En esta unidad, discutiremos cómo se establece el control de calidad de la imagen en la producción automotriz, el papel de la IA y el tema más crítico, el equilibrio de errores.

Defectos visuales típicos en automoción.

Los principales tipos de defectos inspeccionados visualmente:

• Defectos de superficie/pintura: piel de naranja (pintura rugosa), burbujas de polvo, sangrado, rayones, diferencia de color.
• Defectos de soldadura: soldadura incompleta, salpicaduras, porosidad, puntos de soldadura mal colocados.
• Defectos de ensamblaje: falta de perno, clip instalado incorrectamente, sello invertido, conector flojo.
• Etiqueta/marca: VIN ilegible, etiqueta incorrecta, falta sello.

Algunos de estos defectos son meramente estéticos (pequeños arañazos), mientras que otros son críticos para la seguridad (una soldadura incompleta puede provocar una grieta por fatiga en una unión de la carrocería). Esta distinción determina todas las decisiones posteriores.

Consejo: no trates todos los defectos con la misma seriedad. Agregar la etiqueta "estético/funcional/crítico para la seguridad" al clasificar un defecto es clave para lograr el umbral y la lógica de decisión correctos.

Dos enfoques básicos: clasificación supervisada y detección de anomalías.

Existen dos estrategias principales para la detección de defectos visuales:

1. Clasificación/detección supervisada: enseñas al modelo mostrándole muchas imágenes etiquetadas que dicen "aquí hay ejemplos defectuosos, aquí hay ejemplos perfectos". Es poderoso si conoce los tipos de defectos y tiene suficientes ejemplos. Desafío: es difícil recolectar suficientes muestras de defectos raros (una línea casi siempre produce piezas sólidas).
2. Detección de anomalías: muestra sólo imágenes "normales/robustas" al modelo; el modelo aprende cómo es lo normal y marca cualquier cosa que se desvíe de lo normal como una "anomalía". Puede detectar defectos nuevos o inesperados incluso si no conoce el tipo de defecto de antemano. Dificultad: puede confundir cualquier desviación con una falla (como un cambio en la iluminación).

En la práctica, los dos se usan juntos: la detección de anomalías dice "hay algo extraño aquí", la clasificación dice "esto es un rebote de recursos".

Paso a paso: montar un sistema de inspección visual

1. Catálogo de defectos y criterios de aceptación: Definir con los ingenieros de calidad qué defecto se acepta/rechaza. Ésta es la "verdad" del modelo.
2. Adquisición de imágenes: la iluminación y la posición de la cámara constantes y consistentes son fundamentales. La iluminación deficiente o inestable es la causa más común de falla.
3. Etiquetado: los expertos marcan los defectos; La orientación sobre el etiquetado es esencial para mantener la coherencia.
4. Entrenamiento de modelo: Se entrena un modelo supervisado y/o anómalo.
5. Umbral: El modelo da una “probabilidad de defecto”; Es el umbral por encima del cual probabilidad se considerará "rechazo". Esta es la decisión empresarial más crítica (a continuación).
6. Integración de línea: el modelo toma la decisión, las partes sospechosas se dirigen al operador/estación.
7. Monitoreo y reentrenamiento: el modelo se actualiza a medida que hay nuevos tipos de defectos, cambios estacionales y nuevas piezas disponibles.

La cuestión más crítica: equilibrio entre fugas y falso rechazo.

Existen dos errores en la detección de defectos y sus costes son muy diferentes en automoción:

• Fuga (escape/falso negativo): La pieza defectuosa se considera “buena” y pasa por la línea. En el tema de seguridad, esto significa un vehículo defectuoso que sale al campo, una queja de un cliente o incluso un retiro del mercado. El error más caro.
• Falso rechazo (falso rechazo/falso positivo): La pieza intacta se considera "defectuosa" y se rechaza. Significa desperdicio, retrabajo innecesario, ralentización de la línea; Duele, pero no supone un riesgo para la seguridad.

umbral de decisión

fugitivo

falso rechazo

¿Cuándo?

Suelto (umbral alto)

Aumenta (peligroso)

disminuye

Nunca en la pista de seguridad

Estricto (umbral bajo)

disminuye

Aumentos (costosos)

En piezas críticas para la seguridad

equilibrado

medio

medio

En defectos estéticos

Precaución: En una pieza crítica para la seguridad (freno, dirección, soldadura de la carrocería), el umbral siempre se mantiene apretado para minimizar las fugas; La pieza sospechosa está dirigida al humano. Relajar el umbral porque "el falso rechazo es caro" es inaceptable en el ámbito de la seguridad.

División del trabajo hombre-máquina

En un sistema bien establecido, el modelo no es quien toma la decisión final; Es un "pre-selección". El modelo detecta defectos obvios y devuelve al humano aquello de lo que no está seguro. Esto permite al operador centrarse en 30 piezas sospechosas en lugar de mirar 1000 piezas. La confianza del operador también es importante: si el modelo produce demasiadas falsas alarmas, el operador deja de tomar en serio las alertas (“fatiga de alarmas”). Por este motivo, también se controla la tasa de falsos rechazos.

Mini estudios de casos

Caso 1 - Trampa de iluminación. Mientras que un modelo de inspección de pintura tiene un éxito del 98 % en el laboratorio, el éxito llega incluso al 80 %. Revisión: la iluminación del techo en la línea cambia durante el día, el modelo considera que la diferencia de brillo es un "defecto". Cuando se añade iluminación fija al túnel, el éxito aumenta al 97%. Conclusión: La calidad de la imagen puede ser más decisiva que el modelo.

Caso 2 - Costo de la fuga. En una inspección de soldadura del casco, el umbral se relaja ligeramente "para mayor eficiencia"; El falso rechazo cae del 6% al 3%, pero un mes después se reportan grietas en soldaduras en dos vehículos en el campo. El análisis de la causa raíz muestra que la tasa de fugas ha aumentado. El umbral se vuelve a ajustar y las piezas sospechosas quedan bajo control 100% humano. Conclusión: La reducción de fugas en la parte de seguridad siempre tiene prioridad sobre el falso rechazo.

Caso 3 - Defecto raro. De vez en cuando surge un defecto de rebaba muy pequeño en un nuevo molde de inyección, pero casi no hay ejemplos de este defecto en el entrenamiento del modelo supervisado, por lo que falla. Cuando se activa el modelo de detección de anomalías, la detecta como una "desviación de lo normal". Conclusión: La detección de anomalías para defectos nuevos o raros complementa el modelo supervisado.

plantillas de mensajes

Plantilla 1 - Catálogo de defectos y clasificación de gravedad:

Rol: Usted es un ingeniero de calidad automotriz. Tarea: Ordene la siguiente lista de defectos en clases de gravedad. Contexto: Línea de soldadura de carrocería; defectos: salpicaduras, poros, falta de puntos, ligera diferencia de color, rayones en la superficie. Restricción: Etiquete cada defecto como estético/funcional/crítico para la seguridad y sugiera una decisión (aceptación/verificación humana/rechazo).Salida: Defecto | importancia | decisión propuesta | tabla de justificación.

Plantilla 2 - Guía de etiquetado:

Rol: Responsable de calidad del etiquetado de imágenes. Tarea: escribir reglas de coherencia para el etiquetado de defectos de pintura. Contexto: Cáscara de naranja, corrida, burbuja de polvo; Hay imágenes tomadas con diferente iluminación. Salida: Regla | ejemplo | estado límite | nota del etiquetador.

Plantilla 3: interpretación de la decisión de umbral/métrica:

Rol: Evaluador de visión artificial. Tarea: Interpretar la siguiente tabla de umbrales de decisión. Contexto: Recurso crítico para la seguridad; en el umbral A, la fuga es del 0,3% y el falso rechazo es del 5%; fuga en el umbral B 1,2 % falso rechazo 2 %. Restricción: respetar la prioridad de seguridad; Explique qué umbral recomienda y por qué, y agregue el paso de control humano. Resultado: Recomendación + justificación + riesgo restante.

Plantilla 4 - Análisis de causa raíz:

Rol: Usted es un ingeniero de calidad. Tarea: Enumere las posibles causas fundamentales de los defectos por salpicaduras que han aumentado en los últimos 3 turnos. Contexto: Soldadura robótica por puntos; El cambio de electrodo se realizó hace 2 días; configuración actual fijada. Salida: Posible causa | control de validación | prioridad.

Aviso débil / Aviso fuerte

Aviso débil:

Haz un modelo que encuentre piezas defectuosas.

No está claro qué defecto, qué importancia, qué umbral, qué decisión; El resultado es inútil.

Potente mensaje:

Rol: Usted es ingeniero de visión artificial y calidad automotriz. Tarea: Crear una lista de verificación de diseño para un sistema de visión de soldadura de cuerpo. Contexto: Soldadura por puntos crítica para la seguridad; la velocidad de la línea es alta; Hay defectos raros; iluminación variable.Restricción: Priorizar la minimización de fugas; especificar cómo combinar la detección de anomalías con la clasificación supervisada y el paso de control humano; garantizando 'cero errores'.Salida: Etapa | sugerencia | riesgo | tabla de verificación.

Errores comunes

• Descuidar la iluminación/calidad de imagen. Una mala imagen estropea incluso el mejor modelo.
• Considerando iguales la fuga y el falso rechazo. Las fugas en piezas de seguridad de automóviles son mucho más costosas.
• Confiar únicamente en el modelo supervisado para defectos raros. La detección de anomalías es complementaria.
• Hacer del modelo el tomador de decisiones finales. Las partes sospechosas deben dirigirse a personas.
• Olvidar el reentrenamiento. Nuevas piezas, nuevos moldes y cambios estacionales envejecen el modelo.

En resumen

• La visión artificial y la inteligencia artificial inspeccionan de manera rápida y consistente defectos de superficie, soldadura y ensamblaje en la línea automotriz.
• La clasificación supervisada es sólida en defectos conocidos, la detección de anomalías es sólida en defectos nuevos o raros; ambos se usan juntos.
• La decisión más crítica es el umbral: la fuga (falso negativo) se minimiza en la parte crítica para la seguridad, la parte sospechosa va al ser humano.
• La calidad de la imagen y la iluminación suelen ser más determinantes que el modelo.
• El modelo es un pretamiz; La decisión final sobre la calidad y la responsabilidad de la seguridad recae en el ser humano.

Tarea de aplicación

Seleccione una pieza/estación (por ejemplo, conjunto de parachoques delantero). (1) Enumere los posibles defectos y etiquételos como estéticos/funcionales/críticos para la seguridad. (2) Con la Plantilla 3, compare las dos opciones de umbral para fuga/falso rechazo y justifique una recomendación. (3) Explique si utilizará la detección supervisada o de anomalías para un defecto poco común. (4) Definir el paso de control humano y el desencadenante del reentrenamiento.

lista de verificación

• [ ] Dividí los defectos en clases de gravedad (estético/funcional/crítico para la seguridad).
• [ ] Evalué el balance de rechazo ilegal y falso en la decisión de umbral.
• [] Prioricé las fugas en la parte crítica para la seguridad.
• [ ] Coloqué los enfoques supervisados ​​y de anomalías en el lugar apropiado.
• [ ] He especificado el requisito de calidad de imagen/iluminación.
• [ ] Definí el paso de control humano y el plan de reentrenamiento.