کنترل کیفیت و تشخیص نقص: پردازش تصویر

سود:

• توانایی توضیح نحوه شناسایی و طبقه بندی عیوب روی سطح پارچه توسط پردازش تصویر و یادگیری ماشین.
• توانایی تفسیر تراز مثبت/منفی کاذب، سیستم امتیازدهی 4 امتیازی و معیارهای عملکرد مدل
• توانایی طراحی یک تنظیم تأیید که خروجی تشخیص خودکار عیب را با بازرسی انسانی و بازرسی فیزیکی آزمایش می کند.

سال‌هاست که کنترل کیفیت پارچه به چشم انسان متکی بوده است: یک اپراتور ساعت‌ها پارچه را روی میز بازرسی نورانی تماشا می‌کند و هر عیبی را که می‌بیند علامت‌گذاری می‌کند و نمره می‌دهد. این کار خسته کننده، ذهنی و مستعد خستگی و خطا است. توجه در پایان یک جابجایی به اندازه ابتدای تغییر نیست. بینایی کامپیوتر و یادگیری ماشین نوید خودکارسازی این بازرسی را می‌دهند: یک دوربین پرسرعت پارچه را اسکن می‌کند و یک الگوی نقص را در چند ثانیه شناسایی و طبقه‌بندی می‌کند. در این بخش، نحوه عملکرد این سیستم، معیارهایی که بر اساس آن ارزیابی می شود و اینکه چرا کنترل انسان هنوز ضروری است، بحث خواهیم کرد.

عیوب پارچه و زبان بازرسی

برای درک تشخیص خودکار ابتدا لازم است نام عیوب را بدانید. عیوب معمولی در پارچه بافته شده: شکستگی تار (عدم نخ طولی)، عیب پود / رابط (خط عرضی)، سوراخ، لکه، محل ضخیم / نازک، جهش تار. در پارچه بافتنی: علامت سوزن (خط طولی، ناشی از نقص سوزن)، دوخت سرگردان، سوراخ، اختلاف ضخامت. در چاپ و رنگرزی: تفاوت رنگ، سایش (بی نظمی رنگرزی)، لغزش، پاشیدن.

نتایج بازرسی اغلب با استفاده از یک سیستم چهار نقطه ای امتیازدهی می شود: به هر نقص با توجه به طول طولی آن 1-4 امتیاز داده می شود (مثلاً 1 امتیاز تا 8 سانتی متر، 4 امتیاز بالای 15 سانتی متر) و امتیاز کل در هر 100 متر مربع محاسبه می شود. زیر یک آستانه (مثلاً 40 امتیاز / 100 متر مربع) "پذیرش" در نظر گرفته می شود، و در بالا "رد" در نظر گرفته می شود. امتیازدهی خودکار با هوش مصنوعی باید از این استاندارد تقلید کند. نباید امتیاز دلخواه خود را ایجاد کند.

نکته: خروجی سیستم خودکار باید همیشه قابل تبدیل به استاندارد امتیازدهی پذیرفته شده شما (مانند 4 امتیاز) و تحمل مشتری باشد. «مدل 12 ناهنجاری پیدا کرد» به تنهایی تصمیم تجاری نمی گیرد. باید به امتیاز و تصمیم تبدیل شود.

تشخیص خودکار نقص چگونه کار می کند؟

سیستم های مدرن اغلب این دو رویکرد را با هم ترکیب می کنند. طبقه بندی نظارت شده زمانی است که یک شبکه عصبی مصنوعی (به ویژه شبکه عصبی کانولوشنال مناسب تصویر، CNN انگلیسی) آموزش دیده با هزاران نمونه نقص برچسب گذاری شده قبلی، پیش بینی می کند که آیا نقصی در تصویر جدید و نوع آن وجود دارد یا خیر. از سوی دیگر، تشخیص ناهنجاری، پارچه "عادی" را می آموزد و هر چیزی را که از حالت عادی منحرف می شود به عنوان کاندیدای نقص علامت گذاری می کند. این برای عیوب نادر و قبلاً دیده نشده کار می کند زیرا لازم نیست هر نوع نقص را از قبل برچسب گذاری کنید.

عملکرد سیستم را با دو معیار اساسی می خوانیم. حساسیت (یادآوری): چند درصد از عیوب واقعی را تشخیص داد؟ دقت: چند درصد از آنچه آنها می گویند نقص بود، در واقع نقص بود؟ بین این دو تعادل وجود دارد. منفی کاذب (عدم نقص) به معنای تحویل کالای معیوب به مشتری است. مثبت کاذب (علامت گذاری کامل به عنوان معیوب) به معنای اتلاف غیر ضروری و کاهش سرعت است. در کاربردهای حیاتی کیفیت، یک آستانه به طور کلی برای پایین نگه داشتن منفی های کاذب انتخاب می شود، در حالی که مثبت های کاذب افزایش یافته تحت یک بررسی سریع دوم توسط اپراتور انسانی قرار می گیرند.

در اینجا یک دام حیاتی وجود دارد: دقت به تنهایی گمراه کننده است. در یک خط تولید، شاید 2 درصد از پارچه معیوب باشد. یک مدل احمقانه که همه چیز را "عالی" می نامد، 98٪ دقت را گزارش می دهد اما حتی یک نقص را متوجه نمی شود. بنابراین در داده های نامتعادل حساسیت و دقت کلاس نقص در نظر گرفته نمی شود، بلکه دقت در نظر گرفته می شود.

گام به گام: ارزیابی یک سیستم تشخیص

1. جمع آوری داده های نماینده تصاویری که انواع پارچه واقعی (رنگ، ​​بافت، نور) را که سیستم مشاهده خواهد کرد را پوشش می دهد. از جمله نقص های نادر.
2. کیفیت برچسب را بررسی کنید اگر برچسب های آموزشی اشتباه باشد، مدل نیز اشتباه یاد می گیرد. برچسب ها را با چشم متخصص نمونه برداری کنید.
3. حساسیت/دقت را اندازه گیری کنید. به طور جداگانه برای کلاس نقص؛ فقط به دقت کلی نگاه نکنید.
4. منفی کاذب را بررسی کنید. آیا عیوب از دست رفته ویژگی مشترکی دارند (رنگ معین، نور معین)؟
5. راه اندازی انسان در حلقه. اجازه دهید اپراتور تأیید کند که مدل چه چیزی را علامت گذاری کرده است. نامطمئن ها را به سمت مردم هدایت کنید
6. نظارت و بازآموزی. با ظهور انواع نقص جدید، مجموعه داده را به روز کنید (انحراف مفهومی).

سه مورد کوچک: با اعداد

مورد 1 - دقت گمراه کننده. یک تامین کننده سیستمی را فروخت که می گفت "مدل ما 97٪ دقیق است". بازگشت مشتری در این زمینه افزایش یافت. تجزیه و تحلیل نشان داد که حساسیت کلاس نقص تنها 61٪ است، به این معنی که از هر 100 نقص واقعی، 39 مورد نادیده گرفته شده است. دقت بالا بود زیرا بیشتر پارچه از قبل بدون عیب بود. آستانه دوباره تنظیم شد و کنترل انسانی اضافه شد. حساسیت به 92% افزایش یافت، موارد مثبت کاذب توسط اپراتور حذف شد.

مورد 2 - تغییر نور. در یک خط، وقتی نور خورشید بعد از ظهر به منطقه بازرسی برخورد کرد، مثبت کاذب سه برابر شد. مدل فکر می کرد که سایه ها لکه هستند. مشکل زمانی حل شد که شرایط دید (کابینت بسته، روشنایی ثابت LED) استاندارد شد. درس: تنظیمات تصویربرداری به اندازه مدل به کیفیت بستگی دارد.

مورد 3 - زمان و کار. یک کسب و کار به طور متوسط ​​9 دقیقه را صرف بازرسی دستی 100 متر پارچه کرده است. با مدل پیش اسکن دوربین + تایید اپراتور زمان به 4 دقیقه کاهش یافت و نشتی کاهش یافت زیرا اپراتور فقط به قسمت های مشخص شده توجه می کرد. آنچه حیاتی بود این بود که اتوماسیون نه اپراتور، بلکه چشم اپراتور را تیز کرد.

اعلان ضعیف / اعلان قوی

توجه: سیستم های اختصاصی که مستقیماً تصویر نقص را تجزیه و تحلیل می کنند جداگانه هستند. در اینجا ما از هوش مصنوعی برای طراحی فرآیند، ارزیابی داده ها و گزارش استفاده می کنیم.

اعلان ضعیف:

به من بگو، آیا مدل تشخیص عیب ما خوب است؟

اعلان قدرتمند:

نقش شما: مهندس کیفیت نساجی و تحلیلگر داده. در زیر نتایج آزمایش مدل تشخیص عیب آمده است (ماتریس سردرگمی: مثبت واقعی، مثبت کاذب، منفی کاذب، منفی واقعی). وظیفه: 1) محاسبه حساسیت و دقت برای کلاس نقص، نشان دادن فرمول. منفی در این تولید. 4) پیشنهاد مشخص برای تنظیم آستانه و بازرسی انسانی. اعداد: [ماتریس]

قالب های قابل کپی

1) محاسبه متریک و تفسیر:

حساسیت، دقت و امتیاز F1 را از ماتریس سردرگمی زیر محاسبه کنید، هر فرمول را بنویسید و توجیه کنید که کدام یک از نظر کیفیت مهمتر است. ماتریس: [TP، FP، FN، TN]

2) علت اصلی منفی کاذب:

در زیر لیست ویژگی های عیوب از دست رفته (منفی کاذب) (نوع نقص، رنگ، نور، سرعت) آمده است. فرضیه های الگوی مشترک ایجاد کنید و برای هر فرضیه یک آزمایش تاییدی پیشنهاد دهید. داده ها: [لیست]

3) تبدیل به امتیاز 4 امتیازی:

خروجی تشخیص زیر را به یک سیستم 4 امتیازی تبدیل کنید: هر نقص را با توجه به طول آن نمره دهید، نمره کل را در هر 100 متر مربع محاسبه کنید، با امتیاز [آستانه] مقایسه کنید و پذیرش/رد را توصیه کنید. لیست نقص: [لیست]

4) پیش نویس گزارش بازرسی:

یک خلاصه اجرایی از داده‌های نقص شیفت زیر استخراج کنید: 3 نقص برتر، منبع فرآیند احتمالی (فرضیه)، میزان رد کل، و اقدامات توصیه‌شده. اعداد را درست نکنید، فقط از آنچه داده شده استفاده کنید. داده ها: [جدول]

نمودار مقایسه متریک

معیار

چه اقداماتی

بالا بودن خوبه؟

اهمیت در کیفیت

دقت

نرخ کلی صحیح

می تواند گمراه کننده باشد

داده های نامتعادل کم است

حساسیت (یادآوری)

نرخ نقص واقعی دستگیر شده است

بله

کاهش منفی کاذب (بحرانی)

دقت

حقیقت حرف شما عیب است

بله

نتایج/ضایعات کاذب را کاهش می دهد

منفی کاذب

از نقص فرار کرد

نه باید کم باشه

خطر کالاهای معیوب برای مشتری

مثبت کاذب

زنگ خالی

نه اما قابل تحمل است

بازده / کاهش سرعت

توجه: سیستم خودکار یک "پیش غربالگر" است نه "تأیید کننده". تصمیم نهایی پذیرش کیفیت، به ویژه برای دسته های موضوع قرارداد مشتری، مستلزم تأیید یک مسئول کیفیت ذیصلاح است. این مدل کنترل انسان را تسریع می کند، اما آن را مستثنی نمی کند.

اشتباهات رایج

• به عدالت بنگریم و راضی باشیم. دقت بالا، مصنوعات را در داده های نامتعادل پنهان می کند.
• نادیده گرفتن شرایط مشاهده بدون روشنایی ثابت و سرعت ثابت مدل غیر قابل اعتماد است.
• عدم بررسی کیفیت برچسب مدل آموزش دیده با برچسب اشتباه اشتباه یاد می گیرد.
• فراموش کردن نوع جدید نقص. اگر داده‌ها برای نقص‌های جدیدی که در طول زمان ظاهر می‌شوند به‌روزرسانی نشود، عملکرد بی‌صدا کاهش می‌یابد.
• بریدن مردم تصمیم پذیرش انتقادی نیاز به تایید انسانی دارد.

به طور خلاصه

پردازش تصویر تا حد زیادی سرعت بازرسی پارچه را افزایش می دهد و خستگی انسان را جبران می کند. اما اجرای او نه با دقت، بلکه با حساسیت و دقت طبقه نقص خوانده می شود. منفی کاذب خطرناک ترین خطا در کیفیت است. وضعیت تصویربرداری پایدار، برچسب کیفیت و بازرسی انسان در حلقه سه ستون قابلیت اطمینان سیستم هستند. خروجی خودکار یک غربالگری اولیه است. تصمیم نهایی پذیرش با تایید مهندس باقی می ماند.

وظیفه کاربردی

یک نمونه ماتریس سردرگمی را برای یک سیستم تشخیص عیب تعریف کنید (به عنوان مثال 100 معیوب، 4900 نمونه کامل). حساسیت، دقت و F1 را با الگوی "محاسبه متریک" در این واحد محاسبه کنید. سپس نتایج را به صورت دستی بررسی کنید. در یک پاراگراف بحث کنید که وقتی آستانه را برای نصف کردن منفی کاذب در همان ماتریس تغییر می‌دهید، چه اتفاقی برای مثبت کاذب می‌افتد و تصمیم بگیرید که کدام تعادل برای محصول شما مناسب است.

چک لیست

• [ ] من عملکرد را بر اساس حساسیت/دقت ارزیابی می کنم، نه دقت.
• [ ] من خطر منفی کاذب را همراه با تأثیر تجاری تفسیر می کنم.
• [ ] شرایط مشاهده (نور، سرعت) را استاندارد کردم.
• [ ] من به طور مرتب کیفیت برچسب و انواع نقص های جدید را بررسی می کنم.
• [ ] من تایید انسانی را در تصمیم نهایی پذیرش قرار می دهم. مدل فقط پیش الک است.