Tootmisliini kvaliteedikontroll: visuaalne defektide tuvastamine

Kasu:

• Autode tootmisliini pinna-, keevitus- ja koostedefektide tuvastamise töövoo mõistmine masinnägemisega
• Võimalus kasutada tehisintellekti struktureeritult pildiandmestiku loomisel, märgistamisel, mudelitreeningul ja lävede määramisel
• Võimalus kontrollida kvaliteetset otsust, võttes arvesse põgenemise ja vale tagasilükkamise määra, liini kiirust ja operaatori usaldust

Auto koosneb tuhandetest osadest ja igaüks läbib liini sekunditega. Iga keevisõmbluse, värvipinna, iga koostu inimsilmaga vigadeta kontrollimine on ühtaegu väsitav ja ebajärjekindel; silmad väsivad, tähelepanu hajub. Siin tulevad appi masinnägemine ja tehisintellekt: kaamerad pildistavad osi, tehisintellekti mudel märgib vea vähem kui sekundiga. Selles üksuses käsitleme seda, kuidas luuakse pildikvaliteedi kontroll autotööstuses, milline on tehisintellekti roll ja kõige kriitilisem probleem, veatasakaal.

Tüüpilised visuaalsed defektid autotööstuses

Peamised visuaalselt kontrollitud defektide tüübid:

• Pinna/värvi defektid: apelsinikoor (kare värv), tolmumullid, verejooks, kriimud, värvierinevus.
• Keevisõmbluse defektid: mittetäielik keevisõmblus, pritsmed, poorsus, valesti paigutatud punktkeevitus.
• Montaaživead: puuduv polt, valesti paigaldatud klamber, ümberpööratud tihend, lahtine pistik.
• Silt/märk: loetamatu VIN, vale silt, tempel puudub.

Mõned neist defektidest on vaid esteetilised (väikesed kriimud), teised aga ohutuse seisukohast kriitilised (mittetäielik keevitamine võib põhjustada kere ühenduskohas väsimusprao). See eristus määrab kõik järgnevad otsused.

Näpunäide: ärge suhtuge igasse viga sama tõsiselt. Sildi "esteetiline/funktsionaalne/ohutuskriitiline" lisamine defekti klassifitseerimisel on künnise ja otsustusloogika õige määramise võtmeks.

Kaks peamist lähenemisviisi: järelevalvega klassifitseerimine ja anomaaliate tuvastamine

Visuaalsete defektide tuvastamiseks on kaks peamist strateegiat:

1. Järelevalvega klassifitseerimine/tuvastus: õpetate mudelit, näidates sellele palju sildistatud pilte, öeldes: "siin on defektsed näited, siin on täiuslikud näited". See on võimas, kui teate defektide tüüpe ja teil on piisavalt näiteid. Väljakutse: haruldastest defektidest on raske koguda piisavalt proove (liin toodab peaaegu alati tahkeid osi).
2. Anomaaliate tuvastamine: näitate mudelile ainult "tavalisi/jõulisi" pilte; mudel õpib, kuidas normaalne välja näeb, ja märgib kõik, mis normaalsest kõrvale kaldub, "anomaaliaks". See võib tabada uusi/ootamatuid defekte isegi siis, kui te ei tea vea tüüpi ette. Raskus: võib pidada mis tahes kõrvalekallet veaks (nt valgustuse muutus).

Praktikas kasutatakse neid kahte koos: anomaaliate tuvastamine ütleb, et "siin on midagi imelikku", klassifikatsioon ütleb, et "see on ressursi põrge".

Samm-sammult: visuaalse kontrolli süsteemi seadistamine

1. Defektide kataloog ja aktsepteerimiskriteeriumid: määrake koos kvaliteediinseneridega, milline defekt aktsepteeritakse/lükatakse tagasi. See on mudeli "tõde".
2. Pildi saamine: pidev ja ühtlane valgustus ja kaamera asend on kriitilise tähtsusega. Halb/ebastabiilne valgustus on kõige levinum rikke põhjus.
3. Märgistus: eksperdid märgivad defektid; Märgistusjuhised on järjepidevuse tagamiseks hädavajalikud.
4. Modellikoolitus: Koolitatakse juhendatud ja/või anomaalia mudelit.
5. Läviväärtus: mudel annab "defekti tõenäosuse"; See on lävi, mille ületamise tõenäosust käsitlete tagasilükkamisena. See on kõige kriitilisem äriotsus (allpool).
6. Liini integreerimine: Otsuse teeb mudel, kahtlased osad suunatakse operaatorile/jaamale.
7. Järelevalve ja ümberõpe: mudelit uuendatakse uute defektitüüpide, hooajaliste muutuste, uute osade ilmumisel.

Kõige kriitilisem probleem: lekke ja vale tagasilükkamise tasakaal

Defektide tuvastamisel on kaks viga ja nende kulud on autotööstuses väga erinevad:

• Leke (põgenemine / vale negatiivne): defektset tükki peetakse "heaks" ja see läbib liini. Turvadetaili puhul tähendab see defektse sõiduki põllule minekut, kliendi kaebust või isegi tagasikutsumist. Kõige kallim viga.
• Vale tagasilükkamine (vale tagasilükkamine / valepositiivne): terve osa loetakse "defektseks" ja lükatakse tagasi. See tähendab raiskamist, tarbetut ümbertööd, liini aeglustumist; See teeb haiget, kuid ei kujuta endast ohtu.

otsustuslävi

põgenik

vale tagasilükkamine

Millal?

Lahtine (kõrge lävi)

Suureneb (ohtlik)

väheneb

Mitte kunagi turvarajal

Range (madal lävi)

väheneb

Suureneb (kulukas)

Ohutuse seisukohalt olulistel osadel

tasakaalustatud

keskmine

keskmine

Esteetiliste defektide korral

Ettevaatust: Ohutuse seisukohalt olulistel osadel (pidur, rool, kere keevisõmblus) hoitakse künnis alati pingul, et minimeerida lekkeid; Kahtlane tükk on suunatud inimesele. Läve leevendamine, kuna "vale tagasilükkamine on kallis", on turvaelemendis vastuvõetamatu.

Inimese-masina tööjaotus

Väljakujunenud süsteemis ei ole mudel lõpliku otsuse langetaja; See on "eelsõeluja". Modell tabab ilmseid vigu ja saadab inimesele tagasi selle, milles ta pole kindel. See võimaldab operaatoril keskenduda 1000 osa vaatamise asemel 30 kahtlasele osale. Samuti on oluline operaatori enesekindlus: kui mudel annab liiga palju valehäireid, ei võta operaator hoiatusi tõsiselt (“alarm fatigue”). Seetõttu jälgitakse ka vale tagasilükkamise määra.

Minijuhtumiuuringud

Juhtum 1 – valgustuslõks. Kui värvikontrolli mudel on laboris 98% edukas, langeb see isegi 80% peale. Ülevaade: liini laevalgustus muutub päeva jooksul, mudel peab heleduse erinevust "defektiks". Fikseeritud tunnelivalgustuse lisamisel tõuseb edukus 97%-ni. Järeldus: pildi kvaliteet võib olla mudelist määravam.

Juhtum 2 – lekke maksumus. Kere keevisõmbluse kontrollimisel on lävi "tõhususe huvides" veidi lõdvendatud; Vale tagasilükkamine langeb 6%-lt 3%-le, kuid kuu aega hiljem teatati kahel põllul olnud sõidukil keevisõmbluste pragudest. Algpõhjuste analüüs näitab, et lekke määr on suurenenud. Lävi tõmmatakse uuesti karmimaks ja kahtlased osad viiakse 100% inimliku kontrolli alla. Järeldus: lekke vähendamine ohutusosas on alati ülimuslik vale tagasilükkamise ees.

Juhtum 3 – haruldane defekt. Aeg-ajalt tuleb uuest survevaluvormist välja mõni väga väike purdefekt, kuid juhendatava mudeli väljaõppes selle defekti näiteid peaaegu pole, nii et see jääb puudu. Kui anomaaliate tuvastamise mudel on aktiveeritud, tuvastab see selle kui "hälbe normist". Järeldus: haruldaste/uute defektide anomaalia tuvastamine täiendab jälgitavat mudelit.

viipade mallid

Mall 1 – defektide kataloog ja raskusastme klassifikatsioon:

Roll: olete autotööstuse kvaliteediinsener. Ülesanne: Sorteeri järgmine defektide loend raskusklassidesse. Kontekst: kere keevisliin; defektid: pritsmed, poorid, puuduv koht, väike värvierinevus, pinnakriimustus.Piirang: märgistada iga defekt esteetiliseks/funktsionaalseks/ohutuskriitiliseks ja soovitada otsust (vastuvõtt/inimkontroll/tagalükkamine).Väljund: defekt | tähtsus | kavandatav otsus | põhjenduste tabel.

Mall 2 – märgistamise juhend:

Roll: pildimärgistuse kvaliteedijuht. Ülesanne: Kirjutage värvidefektide märgistamise järjepidevuse reeglid. Kontekst: Apelsinikoor, jooks, tolmumull; Seal on pildid, mis on tehtud erineva valgustusega. Väljund: reegel | näide | piirseisund | sildistaja märkus.

3. mall – läve/mõõdiku otsuse tõlgendamine:

Roll: masinnägemise hindaja.Ülesanne: tõlgendada järgmist otsustuslävetabelit.Kontekst: Turvalisuse seisukohalt kriitiline ressurss; läve A korral on leke 0,3%, vale tagasilükkamine 5%; leke lävel B 1,2% vale tagasilükkamine 2%. Piirang: Jälgige turvalisuse prioriteeti; Selgitage, millist läve te soovitate ja miks, ning lisage inimese juhtimise samm. Väljund: soovitus + põhjendus + allesjäänud risk.

Mall 4 – algpõhjuse analüüs:

Roll: olete kvaliteediinsener.Ülesanne: Loetlege viimase 3 vahetuse jooksul suurenenud pritsmevigade võimalikud algpõhjused.Kontekst: Robot-punktkeevitus; Elektroodivahetus tehti 2 päeva tagasi; voolu seadistus fikseeritud.Väljund: võimalik põhjus | valideerimiskontroll | prioriteet.

Nõrk viip / Tugev viip

Nõrk viip:

Tehke mudel, mis leiab defektsed osad.

Ei ole selge, milline viga, milline tähtsus, milline lävi, milline otsus; Tulemus on kasutu.

Võimas viip:

Roll: olete autotööstuse kvaliteedi- ja masinanägemise insener. Ülesanne: koostada keha keevisõmbluse nägemissüsteemi projekteerimise kontrollnimekiri. Kontekst: Ohutuskriitiline punktkeevitus; liini kiirus on suur; Esineb haruldasi defekte; valgustuse muutuja.Piirang: seadke prioriteediks lekke minimeerimine; täpsustada, kuidas ühendada kõrvalekallete tuvastamine järelevalve all oleva klassifitseerimise ja inimkontrolli etapiga; garanteerides 'null vead'.Väljund: etapp | soovitus | risk | kontrolltabel.

Levinud vead

• Valgustuse/pildikvaliteedi eiramine. Halb pilt rikub isegi parima mudeli.
• Arvestades, et leke ja vale tagasilükkamine on võrdsed. Autode turvaosade lekkimine on palju kulukam.
• Haruldaste defektide puhul tuginege ainult järelevalve all olevale mudelile. Anomaaliate tuvastamine on üksteist täiendav.
• Mudeli muutmine lõplikuks otsustajaks. Kahtlased osad tuleks suunata inimestele.
• Ümberõppe unustamine. Uued osad, uued vormid ja hooajalised muutused muudavad mudeli vanaks.

Kokkuvõttes

• Masinanägemine ja tehisintellekt kontrollivad kiiresti ja järjekindlalt autotööstuse pinna-, keevisõmblus- ja koostedefekte.
• Järelevalvega klassifikatsioon on tugev teadaolevate defektide puhul, anomaalia tuvastamine on tugev haruldaste/uute defektide puhul; mõlemat kasutatakse koos.
• Kõige kriitilisem otsus on lävi: leke (valenegatiivne) minimeeritakse ohutuskriitilises osas, kahtlane osa läheb inimesele.
• Pildi kvaliteet ja valgustus on sageli määravamad kui mudel.
• Mudel on eelsõel; Lõplik kvaliteediotsus ja vastutus ohutuse eest lasub inimesel.

Rakenduse ülesanne

Valige osa/jaam (nt esikaitseraua komplekt). (1) Loetlege võimalikud defektid ja märgistage need esteetiliseks/funktsionaalseks/ohutuskriitiliseks. (2) Võrrelge 3. malliga kahte lekke/vale tagasilükkamise läve ja põhjendage soovitust. (3) Selgitage, kas kasutate harvaesineva defekti puhul järelevalvet või anomaaliate tuvastamist. (4) Määratlege inimese juhtimise samm ja ümberõppe päästik.

kontrollnimekiri

• [ ] Jagasin defektid raskusklassidesse (esteetiline/funktsionaalne/ohutuskriitiline).
• [ ] Hindasin lävendiotsuses ebaseadusliku ja vale tagasilükkamise vahekorda.
• [ ] Eelistasin leket turvakriitilises osas.
• [ ] Panin juhendatud ja anomaalia lähenemised sobivasse kohta.
• [ ] Olen täpsustanud pildikvaliteedi/valgustuse nõude.
• [ ] Määratlesin inimkontrolli sammu ja ümberõppekava.