کنترل کیفیت خط تولید: تشخیص نقص بصری

سود:

• آشنایی با جریان کار تشخیص عیوب سطح، جوش و مونتاژ در خط تولید خودرو با ماشین بینایی
• امکان استفاده از هوش مصنوعی به صورت ساختاریافته در ایجاد مجموعه داده تصویر، برچسب گذاری، آموزش مدل و تعیین آستانه
• امکان تایید تصمیم با کیفیت با در نظر گرفتن نرخ فرار و رد کاذب، سرعت خط و اطمینان اپراتور

یک ماشین از هزاران قطعه تشکیل شده است و هر کدام در عرض چند ثانیه از خط عبور می کند. بازرسی هر جوش، هر سطح رنگ، هر مونتاژ بدون هیچ خطایی با چشم انسان خسته کننده و ناسازگار است. چشم ها خسته می شوند، توجه منحرف می شود. اینجاست که بینایی ماشین و هوش مصنوعی وارد می شوند: دوربین ها قطعات را تصویر می کنند، یک مدل هوش مصنوعی در کمتر از یک ثانیه نقص را نشان می دهد. در این بخش، نحوه برقراری کنترل کیفیت تصویر در تولید خودرو، نقش هوش مصنوعی و مهم‌ترین مسئله، تعادل خطا را مورد بحث قرار خواهیم داد.

عیوب بصری معمولی در خودرو

انواع اصلی عیوب مورد بازرسی بصری:

• عیوب سطح / رنگ: پوست پرتقال (رنگ خشن)، حباب های گرد و غبار، خونریزی، خراش، تفاوت رنگ.
• عیوب جوش: جوش ناقص، پاشش، تخلخل، جوش نقطه ای نامناسب.
• عیوب مونتاژ: پیچ از دست رفته، گیره نادرست نصب شده، مهر و موم معکوس، کانکتور شل.
• برچسب/علامت: VIN ناخوانا، برچسب اشتباه، مهر گم شده است.

برخی از این نقص ها صرفاً زیبایی شناختی (خراش های جزئی) هستند، در حالی که برخی دیگر از نظر ایمنی بسیار مهم هستند (جوشکاری ناقص می تواند منجر به ترک خستگی در مفصل بدن شود). این تمایز تعیین کننده تمام تصمیمات بعدی است.

نکته: با هر عیب و نقصی با همان جدیت برخورد نکنید. افزودن برچسب "زیبایی/عملکردی/امنیت حیاتی" هنگام طبقه بندی یک نقص کلیدی برای درست کردن آستانه و منطق تصمیم گیری است.

دو رویکرد اساسی: طبقه بندی نظارت شده و تشخیص ناهنجاری

دو استراتژی اصلی برای تشخیص نقص بینایی وجود دارد:

1. طبقه‌بندی/تشخیص نظارت شده: شما با نشان دادن بسیاری از تصاویر برچسب‌گذاری شده به مدل، به آن آموزش می‌دهید و می‌نویسید: «اینجا نمونه‌های معیوب هستند، این‌ها نمونه‌های کامل هستند». اگر انواع عیوب را بشناسید و نمونه های کافی داشته باشید قدرتمند است. چالش: جمع آوری نمونه های کافی از عیوب نادر دشوار است (یک خط تقریباً همیشه قطعات جامد تولید می کند).
2. تشخیص ناهنجاری: شما فقط تصاویر "عادی/مقاوم" را به مدل نشان می دهید. مدل یاد می گیرد که نرمال چگونه به نظر می رسد و هر چیزی را که از حالت عادی منحرف می شود به عنوان "ناهنجاری" علامت گذاری می کند. حتی اگر از قبل نوع عیب را ندانید، می تواند نقص های جدید/غیر منتظره را پیدا کند. دشواری: ممکن است هر گونه انحراف را به عنوان یک خطا اشتباه بگیرد (مانند تغییر در نور).

در عمل، این دو با هم استفاده می‌شوند: تشخیص ناهنجاری می‌گوید "اینجا چیز عجیبی وجود دارد"، طبقه‌بندی می‌گوید "این یک جهش منبع است".

گام به گام: راه اندازی سیستم بازرسی بصری

1. کاتالوگ عیوب و معیارهای پذیرش: با مهندسان با کیفیت مشخص کنید که کدام نقص پذیرفته یا رد می شود. این "حقیقت" مدل است.
2. دریافت تصویر: نور ثابت و ثابت و موقعیت دوربین بسیار مهم هستند. روشنایی ضعیف/ناپایدار شایع ترین علت خرابی است.
3. برچسب زدن: کارشناسان عیوب را مشخص می کنند. راهنمای برچسب زدن برای سازگاری ضروری است.
4. آموزش مدل: یک مدل تحت نظارت و/یا ناهنجاری آموزش داده شده است.
5. آستانه گذاری: مدل "احتمال نقص" را ارائه می دهد. این آستانه ای است که بالاتر از آن احتمال را به عنوان "رد" در نظر می گیرید. این مهم ترین تصمیم تجاری است (در زیر).
6. یکپارچه سازی خط: مدل تصمیم می گیرد، قطعات مشکوک به اپراتور/ایستگاه هدایت می شوند.
7. نظارت و بازآموزی: این مدل با در دسترس قرار گرفتن انواع نقص جدید، تغییرات فصلی، قطعات جدید به روز می شود.

مهم ترین مسئله: تعادل نشت و رد کاذب

دو خطا در تشخیص عیب وجود دارد و هزینه آنها در خودرو بسیار متفاوت است:

• نشت (گریز / منفی کاذب): قطعه معیوب "خوب" در نظر گرفته شده و از خط عبور می کند. در قسمت ایمنی، این به معنای یک وسیله نقلیه معیوب است که وارد میدان می شود، شکایت مشتری یا حتی فراخوانی. گران ترین اشتباه
• رد کاذب (رد کاذب / مثبت کاذب): قسمت سالم «معیب» تلقی و مردود می شود. این به معنای اتلاف، دوباره کاری غیر ضروری، کاهش سرعت خط است. درد دارد، اما خطر ایمنی ایجاد نمی کند.

آستانه تصمیم گیری

فراری

رد کاذب

چه زمانی؟

شل (آستانه بالا)

افزایش می دهد (خطرناک)

کاهش می یابد

هرگز در مسیر امنیتی

سخت (آستانه پایین)

کاهش می یابد

افزایش می یابد (پرهزینه)

در مورد قطعات حیاتی ایمنی

متعادل

متوسط

متوسط

در عیوب زیبایی شناختی

احتیاط: در قسمت حیاتی ایمنی (ترمز، فرمان، جوش بدنه) تاقچه همیشه محکم نگه داشته می شود تا نشتی به حداقل برسد. قطعه مشکوک به سمت انسان هدایت می شود. آرام کردن آستانه به دلیل "رد کاذب گران است" در قطعه امنیتی غیرقابل قبول است.

تقسیم کار انسان و ماشین

در یک سیستم تثبیت شده، مدل تصمیم گیرنده نهایی نیست. این یک "پیش غربالگری" است. این مدل عیوب آشکاری را پیدا می‌کند و چیزی را به انسان باز می‌گرداند که از آن مطمئن نیستند. این به اپراتور اجازه می دهد تا به جای نگاه کردن به 1000 قسمت، روی 30 قسمت مشکوک تمرکز کند. اطمینان اپراتور نیز مهم است: اگر مدل بیش از حد هشدارهای نادرست تولید کند، اپراتور هشدارها را جدی نمی گیرد ("خستگی زنگ هشدار"). به همین دلیل نرخ رد کاذب نیز نظارت می شود.

مطالعات موردی کوچک

مورد 1 - تله روشنایی. در حالی که یک مدل بازرسی رنگ 98٪ در آزمایشگاه موفق است، حتی تا 80٪ کاهش می یابد. بررسی: نورپردازی سقف روی خط در طول روز تغییر می کند، مدل تفاوت در روشنایی را یک "عیب" می داند. هنگامی که روشنایی تونل ثابت اضافه شود، موفقیت به 97٪ افزایش می یابد. نتیجه گیری: کیفیت تصویر می تواند تعیین کننده تر از مدل باشد.

مورد 2 - هزینه نشتی. در بازرسی جوش بدنه، آستانه کمی شل می شود "برای کارایی". رد کاذب از 6% به 3% کاهش می یابد، اما یک ماه بعد، ترک های جوش در دو خودرو در میدان گزارش می شود. تجزیه و تحلیل علت ریشه ای نشان می دهد که میزان نشت افزایش یافته است. آستانه دوباره سفت می شود و قطعات مشکوک تحت کنترل 100٪ انسان قرار می گیرند. نتیجه گیری: کاهش نشتی در قسمت ایمنی همیشه بر رد کاذب ارجحیت دارد.

مورد 3 - نقص نادر. گاهی اوقات یک نقص سوراخ بسیار کوچک از یک قالب تزریق جدید ظاهر می شود، اما تقریباً هیچ نمونه ای از این نقص در آموزش مدل نظارت شده وجود ندارد، بنابراین از دست می رود. هنگامی که مدل تشخیص ناهنجاری فعال می شود، آن را به عنوان "انحراف از نرمال" تشخیص می دهد. نتیجه‌گیری: تشخیص ناهنجاری برای نقص‌های نادر/جدید مکمل مدل نظارت‌شده است.

قالب های سریع

الگو 1 - کاتالوگ نقص و طبقه بندی شدت:

نقش: شما یک مهندس کیفیت خودرو هستید. وظیفه: لیست عیوب زیر را در طبقات شدت مرتب کنید. زمینه: خط جوش بدنه. عیوب: پاشیده شدن، منافذ، نقطه از دست رفته، تفاوت رنگ جزئی، خراش سطح. محدودیت: هر عیب را به‌عنوان زیبایی/عملکردی/ایمنی حیاتی برچسب‌گذاری کنید و تصمیم بگیرید (پذیرش/بررسی انسانی/رد). خروجی: نقص | اهمیت | تصمیم پیشنهادی | جدول توجیهی

الگو 2 - راهنمای برچسب گذاری:

نقش: تصویر برچسب کیفیت سرب. وظیفه: قوانین سازگاری را برای برچسب زدن عیب رنگ بنویسید. زمینه: پوست پرتقال، دویدن، حباب گرد و غبار. تصاویری تحت نورهای مختلف گرفته شده است. خروجی: قانون | مثال | حالت حد | یادداشت برچسب زدن

الگو 3 - تفسیر آستانه/تصمیم متریک:

نقش: ارزیاب بینایی ماشین. وظیفه: جدول آستانه تصمیم زیر را تفسیر کنید. زمینه: منبع حیاتی امنیتی. در آستانه A، نشت 0.3٪، رد کاذب 5٪ است. نشت در آستانه B 1.2% رد کاذب 2%.محدودیت: اولویت امنیتی را رعایت کنید. توضیح دهید که کدام آستانه را توصیه می کنید و چرا، و مرحله کنترل انسانی را اضافه کنید. خروجی: توصیه + توجیه + ریسک باقیمانده.

الگوی 4 - تحلیل علت ریشه ای:

نقش: شما یک مهندس با کیفیت هستید. وظیفه: فهرست علل ریشه ای احتمالی نقص های پاشش که در 3 شیفت گذشته افزایش یافته است. زمینه: جوشکاری نقطه ای رباتیک. تعویض الکترود 2 روز پیش انجام شد. تنظیم فعلی ثابت شد. خروجی: علت احتمالی | بررسی اعتبار سنجی | اولویت

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

مدلی بسازید که قطعات معیوب را پیدا کند.

معلوم نیست کدام عیب، کدام اهمیت، کدام آستانه، کدام تصمیم. نتیجه بی فایده است.

اعلان قدرتمند:

نقش: شما یک مهندس کیفیت خودرو و بینایی ماشین هستید. وظیفه: یک چک لیست طراحی برای سیستم بینایی جوش بدن ایجاد کنید. زمینه: جوشکاری نقطه بحرانی ایمنی. سرعت خط بالا است. نقص های نادر وجود دارد. متغیر روشنایی. محدودیت: به حداقل رساندن نشت اولویت بندی کنید. نحوه ترکیب تشخیص ناهنجاری با طبقه بندی نظارت شده و مرحله کنترل انسانی را مشخص کنید. تضمین "صفر خطا". خروجی: مرحله | پیشنهاد | ریسک | جدول تایید

اشتباهات رایج

• نادیده گرفتن کیفیت نور/تصویر. تصویر بد حتی بهترین مدل را خراب می کند.
• در نظر گرفتن نشتی و رد کاذب برابر. نشتی در قطعات ایمنی خودرو بسیار پرهزینه تر است.
• تنها با تکیه بر مدل نظارت شده برای نقص های نادر. تشخیص ناهنجاری مکمل است.
• تبدیل مدل به تصمیم گیرنده نهایی قسمت های مشکوک باید به سمت انسان ها هدایت شوند.
• فراموش کردن بازآموزی قطعات جدید، قالب های جدید و تغییرات فصلی مدل را قدیمی می کند.

به طور خلاصه

• بینایی ماشین و هوش مصنوعی به سرعت و به طور مداوم برای عیوب سطح، جوش و مونتاژ در خط خودرو بازرسی می کنند.
• طبقه‌بندی تحت نظارت بر روی نقص‌های شناخته شده قوی است، تشخیص ناهنجاری در نقص‌های نادر/جدید قوی است. هر دو با هم استفاده می شود
• بحرانی ترین تصمیم آستانه است: نشت (منفی کاذب) در قسمت حیاتی ایمنی به حداقل می رسد، قسمت مشکوک به سمت انسان می رود.
• کیفیت تصویر و نور اغلب تعیین کننده تر از مدل هستند.
• مدل پیش غربالگر است. تصمیم نهایی کیفیت و مسئولیت ایمنی بر عهده انسان است.

وظیفه کاربردی

یک قطعه/ایستگاه (به عنوان مثال مجموعه سپر جلو) را انتخاب کنید. (1) عیوب احتمالی را فهرست کنید و هر کدام را به عنوان زیبایی/عملکردی/امنیت حیاتی برچسب گذاری کنید. (2) با الگوی 3، دو گزینه آستانه برای نشت/رد نادرست را مقایسه کنید و یک توصیه را توجیه کنید. (3) توضیح دهید که آیا از تشخیص نظارت شده یا ناهنجاری برای یک نقص نادر استفاده خواهید کرد. (4) مرحله کنترل انسانی و محرک بازآموزی را تعریف کنید.

چک لیست

• [ ] من عیوب را به کلاس های شدت (زیبایی/عملکردی/ایمنی بحرانی) تقسیم کردم.
• [ ] من تعادل رد غیرقانونی و کاذب را در تصمیم آستانه ارزیابی کردم.
• [ ] من نشت را در بخش مهم امنیتی در اولویت قرار دادم.
• [ ] رویکردهای نظارت شده و غیرعادی را در محل مناسب قرار دادم.
• [ ] من کیفیت تصویر/نور مورد نیاز را مشخص کرده ام.
• [ ] من مرحله کنترل انسانی و طرح بازآموزی را تعریف کردم.