Kasu:
- Oskus selgitada, kuidas pilditöötluse ja masinõppe abil kangapinna defekte tuvastatakse ja klassifitseeritakse.
- Võimalus tõlgendada valepositiivset/negatiivset saldot, 4-punktilist hindamissüsteemi ja mudeli toimivusmõõdikuid
- Võimalus kujundada kinnitusseadistus, mis testib automaatset defektide tuvastamise väljundit inimese kontrollimise ja füüsilise kontrolliga
Paljude aastate jooksul on kanga kvaliteedikontroll tuginenud inimsilmale: operaator jälgib kangast tunde valgustatud kontrolllaual, märgistades ja punktides kõik nähtavad vead. See töö on väsitav, subjektiivne ja väsitav ning eksitav; Tähelepanu ei ole vahetuse lõpus nii terav kui alguses. Arvutinägemine ja masinõpe lubavad selle kontrolli automatiseerida: kiire kaamera skannib kangast, tuvastades ja klassifitseerides defektide mustri sekunditega. Selles üksuses arutame, kuidas see süsteem töötab, milliste kriteeriumide alusel seda hinnatakse ja miks on inimkontroll endiselt hädavajalik.
Kangavead ja kontrolli keel
Automaatse tuvastamise mõistmiseks on kõigepealt vaja teada defektide nimetusi. Kootud kanga tüüpilised vead: lõime purunemine (pikisuunalise niidi puudumine), koe defekt/liidestumine (ristjoon), auk, plekk, paks/õhuke koht, lõime põrge. Silmkoekangas: nõelajälg (pikijoon, nõela rikke tõttu), pistes, auk, paksuse erinevus. Trükimisel ja värvimisel: värvierinevus, hõõrdumine (värvimise ebakorrapärasus), libisemine, pritsimine.
Kontrollitulemusi hinnatakse sageli neljapallisüsteemis: igale defektile antakse 1-4 punkti vastavalt selle pikipikkusele (nt 1 punkt kuni 8 cm, 4 punkti üle 15 cm) ja arvutatakse koondhinne 100 m² kohta. Künnist allapoole (nt 40 punkti 100 m² kohta) loetakse "vastuvõtuks", üle selle tagasilükkamiseks. AI-ga automatiseeritud hindamine peaks seda standardit jäljendama; See ei tohiks toota oma suvalist punktisummat.
Näpunäide: automatiseeritud süsteemi väljund peaks alati olema konverteeritav teie aktsepteeritud hindamisstandardiks (nt 4-punktiline) ja kliendi tolerantsi järgi. “Mudel leidis 12 kõrvalekallet” üksi ei tee äriotsust; See tuleb teisendada punktideks ja otsusteks.
Kuidas automaatne vigade tuvastamine töötab?
Kaasaegsed süsteemid ühendavad sageli need kaks lähenemisviisi. Järelevalvega klassifitseerimine on see, kui tehisnärvivõrk (eriti pildile sobiv konvolutsiooninärvivõrk, inglise CNN), mis on treenitud tuhandete varem märgistatud defektinäidetega, ennustab, kas uues pildis ja selle tüübis on defekt. Anomaalia tuvastamine seevastu õpib "tavalist" kangast ja märgib defektikandidaadiks kõik, mis tavapärasest kõrvale kaldub; See toimib harvaesinevate, kunagi varemnägematute defektide puhul, sest igat defektitüüpi pole vaja eelnevalt märgistada.
Lugesime süsteemi toimivust kahe põhikriteeriumiga. Tundlikkus (meenutamine): mitu protsenti tegelikest defektidest see tuvastas? Täpsus: kui suur protsent sellest, mida nad ütlesid, oli viga, oli tegelikult viga? Nende kahe vahel valitseb tasakaal. Valenegatiivne (defekt puudub) tähendab defektse kauba üleandmist kliendile; Valepositiivne (täiusliku defektseks märkimine) tähendab tarbetut raiskamist ja aeglustumist. Kvaliteedikriitilises rakenduses valitakse tavaliselt lävi, et hoida valenegatiivsed madalad, samas kui valenegatiivsete arvude arvu suurenemine läbib inimoperaatori kiire teise kontrolli.
Siin on kriitiline lõks: ainuüksi täpsus on eksitav. Tootmisliinil on võib-olla 2% kangast defektne. Rumal mudel, mis nimetab kõike "täiuslikuks", teatab 98% täpsusest, kuid ei taba ühtegi viga. Seetõttu ei arvestata tasakaalustamata andmete puhul defektiklassi tundlikkust ja täpsust, vaid täpsust.
Samm-sammult: tuvastussüsteemi hindamine
- Koguge esinduslikke andmeid. Pildid, mis hõlmavad tegelikku kangavalikut (värv, tekstuur, valgustus), mida süsteem näeb; Sealhulgas haruldased defektid.
- Kontrollige etiketi kvaliteeti. Kui koolituse sildid on valed, õpib ka mudel valesti; Proovige etiketid asjatundliku pilguga.
- Mõõtke tundlikkust/täpsust. Eraldi defektiklassi jaoks; Ärge vaadake ainult üldist täpsust.
- Uurige valenegatiivseid tulemusi. Kas puuduvatel defektidel on ühine tunnus (teatud värv, teatud valgus)?
- Seadistage ahelas inimene. Las operaator kinnitab, mida mudel on tähistanud; suunata ebakindel inimestele.
- Jälgige ja koolitage ümber. Uuendage andmestikku, kui ilmnevad uued veatüübid (kontseptsiooni triiv).
Kolm miniümbrist: numbrite järgi
1. juhtum – eksitav täpsus. Tarnija müüs süsteemi, mis ütles, et "meie mudel on 97% täpne". Klientide tootlused põllul kasvasid. Analüüs näitas, et defektiklassi tundlikkus oli vaid 61%, mis tähendab, et 39 igast 100 tõelisest defektist jäi märkamata. Täpsus oli kõrge, sest suurem osa kangast oli juba veatu. Lävi on uuesti reguleeritud ja inimkontroll lisatud; tundlikkus tõusis 92%-ni, operaator kõrvaldas valepositiivsed.
Juhtum 2 – valgustuse nihe. Ühel real kolmekordistus valepositiivsete arv, kui pärastlõunane päikesevalgus tabas kontrollipiirkonda; Modell arvas, et varjud on plekid. Probleem lahenes, kui standardiseeriti vaatamistingimused (kinnine kapp, pidev LED-valgustus). Õppetund: kujutise seadistus puudutab sama palju kvaliteeti kui mudel.
Juhtum 3 – aeg ja töö. Ettevõte kulutas 100 meetri kanga käsitsi kontrollimiseks keskmiselt 9 minutit. Kaamera eelskannimise + operaatori kinnituse mudeliga vähenes aeg 4 minutini ja leke vähenes, kuna operaator pööras tähelepanu ainult märgitud aladele. Kriitiline oli see, et automaatika ei teritanud mitte operaatorit, vaid operaatori silma.
Nõrk viip / Tugev viip
Märkus: spetsiaalsed süsteemid, mis analüüsivad otseselt defektipilti, on eraldi; siin kasutame tehisintellekti protsesside kavandamiseks, andmete hindamiseks ja aruandluseks.
Nõrk viip:
Ütle mulle, kas meie defektide tuvastamise mudel on hea?
Võimas viip:
Teie roll: tekstiilikvaliteedi insener ja andmeanalüütik. Allpool on toodud defektide tuvastamise mudeli testitulemused (segadusmaatriks: tõene positiivne, valepositiivne, valenegatiivne, tõene negatiivne).Ülesanne: 1) Arvutage defektiklassi tundlikkus ja täpsus, näidake valem.2) Selgitage nende numbritega, miks üldine täpsus võib olla negatiivne mõju äritegevusele3) selle riski eksitamine. tootmine.4) Andke konkreetne soovitus läve seadmiseks ja inimese kontrollimiseks. Numbrid: [maatriks]
Kopeeritavad mallid
1) Mõõdikute arvutamine ja tõlgendamine:
Arvutage järgmise segadusmaatriksi põhjal tundlikkus, täpsus ja F1 skoor, kirjutage iga valem ja põhjendage, milline neist on kvaliteedi seisukohalt kriitilisem. Maatriks: [TP, FP, FN, TN]
2) Valenegatiivne algpõhjus:
Allpool on funktsiooniloend puuduvatest (valenegatiivsetest) defektidest (defekti tüüp, värv, valgus, kiirus). Looge levinumaid hüpoteese ja pakkuge iga hüpoteesi jaoks välja kontrollkatse. Andmed: [loend]
3) 4-punktilisteks punktideks teisendamine:
Teisendage järgmine tuvastusväljund 4-punktiliseks süsteemiks: hinnake iga defekt vastavalt selle pikkusele, arvutage koguskoor 100 m² kohta, võrrelge [lävi] skooriga ja soovitage vastuvõtmist/tagasilükkamist. Defektide loend: [loend]
4) Ülevaatusakti kavand:
Järgmiste nihkedefektide andmete põhjal koostage kokkuvõte: kolm peamist defekti, võimalik protsessi allikas (hüpotees), kogu tagasilükkamise määr ja soovitatavad toimingud. Ära mõtle välja numbreid, vaid kasuta seda, mis on antud. Andmed: [tabel]
Mõõdikute võrdlustabel
kriteerium
Milliseid meetmeid
Kas on hea olla kõrgel?
Tähtsus kvaliteedis
Täpsus
Üldiselt õige määr
Võib olla eksitav
Vähe tasakaalustamata andmeid
Tundlikkus (meenutus)
Tegelik defektimäär tabatud
Jah
Langeb valenegatiivseks (kriitiline)
Täpsus
Tõde, mida sa ütled, on viga
Jah
Vähendab valepositiivseid tulemusi/jäätmeid
vale negatiivne
pääsenud defektist
Ei, see peaks olema madal
Defektse kauba oht kliendile
valepositiivne
tühi äratus
Ei, aga see on talutav
Tõhususe/kiiruse kaotus
Tähelepanu: automatiseeritud süsteem on "eelsõeluja", mitte "kinnitaja". Lõpliku kvaliteedi heakskiitmise otsuse tegemiseks on vaja pädeva kvaliteediametniku heakskiitu, eriti kliendilepinguga hõlmatud partiide puhul. Mudel kiirendab inimese kontrolli, kuid ei vabasta seda.
Levinud vead
- Vaadata õiglust ja olla rahul. Kõrge täpsus peidab artefaktid tasakaalustamata andmetes.
- Vaatamistingimuste tähelepanuta jätmine. Ilma pideva valgustuse ja püsiva kiiruseta on mudel ebausaldusväärne.
- Ei kontrolli sildi kvaliteeti. Vale sildiga koolitatud mudel õpib valesti.
- Uut tüüpi defekti unustamine. Kui aja jooksul ilmnevate uute defektide andmeid ei värskendata, halveneb jõudlus vaikselt.
- Inimeste väljalõikamine. Kriitiline aktsepteerimisotsus nõuab inimese heakskiitu.
Kokkuvõttes
Pilditöötlus kiirendab oluliselt kanga kontrollimist ja kompenseerib inimese väsimust. Kuid tema esitust ei loeta täpsusega, vaid veaklassi tundlikkuse ja täpsusega; Valenegatiivne on kõige ohtlikum kvaliteediviga. Stabiilne pildiseisund, kvaliteedimärgis ja in-the-loop kontroll on süsteemi töökindluse kolm alustala. Automaatne väljund on esialgne sõelumine; Lõplik vastuvõtuotsus jääb inseneri heakskiidule.
Rakenduse ülesanne
Defineerige defektide tuvastamise süsteemi segadusmaatriks (nt 100 defektset, 4900 täiuslikku näidist). Laske tundlikkus, täpsus ja F1 arvutada selle üksuse "meetrilise arvutuse" malli abil; seejärel kontrollige tulemusi käsitsi. Arutage ühes lõigus, mis juhtub valepositiivsete tulemustega, kui muudate künnist, et vähendada valenegatiivset väärtust poole võrra samas maatriksis, ja otsustage, milline tasakaal on teie toote jaoks õige.
kontrollnimekiri
- [ ] Hindan jõudlust tundlikkuse/täpsuse, mitte täpsuse järgi.
- [ ] Väärnegatiivsuse riski tõlgendan koos ärimõjuga.
- [ ] Standardiseerisin vaatamistingimused (valgus, kiirus).
- [ ] Kontrollin regulaarselt etikettide kvaliteeti ja uusi defektitüüpe.
- [ ] Annan lõplikule vastuvõtmise otsusele inimese heakskiidu; Mudel on ainult eelsõel.