Voitot:
- Kyky selittää, miten kankaan pinnan viat havaitaan ja luokitellaan kuvankäsittelyn ja koneoppimisen avulla.
- Kyky tulkita vääriä positiivisia/negatiivinen saldo, 4 pisteen pisteytysjärjestelmä ja mallin suorituskykymittareita
- Kyky suunnitella varmennuskokoonpano, joka testaa automaattisen vian havaitsemisen tulosten ihmisen tarkastuksen ja fyysisen tarkastuksen avulla
Monien vuosien ajan kankaan laadunvalvonta on tukeutunut ihmissilmään: käyttäjä tarkkailee kangasta tuntikausia valaistulla tarkastuspöydällä ja merkitsee ja pisteyttää näkemänsä viat. Tämä työ on väsyttävää, subjektiivista ja altis väsymykselle ja virheille; Huomio ei ole yhtä terävää työvuoron lopussa kuin alussa. Tietokonenäkö ja koneoppiminen lupaavat automatisoida tämän tarkastuksen: nopea kamera skannaa kangasta ja havaitsee ja luokittelee virhekuvion sekunneissa. Tässä osiossa keskustelemme siitä, miten tämä järjestelmä toimii, millä kriteereillä sitä arvioidaan ja miksi ihmisen ohjaus on edelleen välttämätöntä.
Kangasvirheet ja tarkastuskieli
Automaattisen havaitsemisen ymmärtämiseksi on ensin tiedettävä vikojen nimi. Tyypilliset viat kudotussa kankaassa: loimen katkeaminen (pitkittäislangan puute), kudevika/rajapinta (poikittaisviiva), reikä, tahra, paksu/ohut kohta, loimen pomppiminen. Neuloksessa: neulan jälki (pitkittäisviiva, neulan toimintahäiriö), hajaommel, reikä, paksuusero. Painatuksessa ja värjäyksessä: väriero, hankaus (värjäyksen epäsäännöllisyys), liukuminen, roiskeet.
Tarkastustulokset pisteytetään usein nelipistejärjestelmällä: jokaiselle vialle annetaan 1-4 pistettä sen pituussuuntaisen pituuden mukaan (esim. 1 piste 8 cm asti, 4 pistettä yli 15 cm) ja kokonaispistemäärä 100 m²:ltä lasketaan. Kynnyksen alapuolella (esim. 40 pistettä/100 m²) katsotaan "hyväksyminen", sen yläpuolella "hylkääminen". Automatisoidun pisteytyksen tekoälyllä pitäisi jäljitellä tätä standardia; Sen ei pitäisi tuottaa omaa mielivaltaista pisteitään.
Vinkki: Automatisoidun järjestelmän tulosteen tulee aina olla muunnettavissa hyväksytyksi pisteytysstandardi (kuten 4-pisteen) ja asiakkaan toleranssin mukaiseksi. ”Malli löysi 12 poikkeavaa” ei yksin tee liiketoimintapäätöstä; Se on muutettava pisteiksi ja päätöksiksi.
Kuinka automaattinen viantunnistus toimii?
Nykyaikaiset järjestelmät yhdistävät usein nämä kaksi lähestymistapaa. Valvottu luokittelu on, kun keinotekoinen hermoverkko (erityisesti kuvan mukainen konvoluutiohermoverkko, englantilainen CNN), joka on koulutettu tuhansilla aiemmin leimatuilla vikaesimerkeillä, ennustaa, onko uudessa kuvassa ja sen tyypissä vika. Toisaalta poikkeamien havaitseminen oppii "normaalin" kudoksen ja merkitsee vikaehdokkaaksi kaiken, mikä poikkeaa normaalista; Se toimii harvinaisissa, ennennäkemättömissä vioissa, koska jokaista vikatyyppiä ei tarvitse merkitä etukäteen.
Luimme järjestelmän suorituskyvyn kahdella peruskriteerillä. Herkkyys (muistuta): kuinka monta prosenttia todellisista vioista se havaitsi? Tarkkuus: Kuinka suuri prosenttiosuus siitä, mitä he sanoivat virheeksi, oli todella virhettä? Näiden kahden välillä on tasapaino. Väärä negatiivinen (vika puuttuu) tarkoittaa, että vialliset tavarat toimitetaan asiakkaalle; Väärä positiivinen (täydellisen vialliseksi merkitseminen) tarkoittaa tarpeetonta tuhlausta ja hidastamista. Laatukriittisissä sovelluksissa kynnys valitaan yleensä pitämään väärät negatiivit alhaisina, kun taas lisääntyneet väärät positiiviset käyvät läpi nopean toisen tarkastuksen ihmisen toimesta.
Tässä on kriittinen ansa: tarkkuus yksinään on harhaanjohtavaa. Tuotantolinjalla ehkä 2 % kankaasta on viallista. Tyhmä malli, joka kutsuu kaikkea "täydelliseksi", ilmoittaa 98 % tarkkuuden, mutta ei huomaa yhtäkään virhettä. Siksi epätasapainoisessa datassa ei huomioida vikaluokan herkkyyttä ja tarkkuutta, vaan tarkkuutta.
Askel askeleelta: tunnistusjärjestelmän arviointi
- Kerää edustavia tietoja. Kuvat, jotka kattavat järjestelmän näkemän todellisen kangaslajin (väri, rakenne, valaistus); Sisältää harvinaisia vikoja.
- Tarkista etiketin laatu. Jos koulutustunnisteet ovat vääriä, myös malli oppii väärin; Ota tarroista näytteitä asiantuntevalla silmällä.
- Mittaa herkkyys/tarkkuus. Erikseen vikaluokalle; Älä katso vain yleistä tarkkuutta.
- Tarkista väärät negatiivit. Onko puuttuvilla vioilla jokin yhteinen piirre (tietty väri, tietty valo)?
- Määritä ihmissilmukka. Anna operaattorin vahvistaa, mitä malli on merkinnyt; suuntaa epävarma ihmisille.
- Tarkkaile ja kouluta uudelleen. Päivitä tietojoukko, kun uusia vikatyyppejä ilmaantuu (käsitteen ajautuminen).
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 – Harhaanjohtava tarkkuus. Toimittaja myi järjestelmän, jossa sanottiin "mallimme on 97 % tarkka". Asiakkaiden palautukset kasvoivat kentällä. Analyysi osoitti, että vikaluokan herkkyys oli vain 61 %, mikä tarkoittaa, että 39 sadasta todellisesta viasta jäi huomioimatta. Tarkkuus oli korkea, koska suurin osa kankaasta oli jo virheetön. Kynnys säädetty uudelleen ja ihmisen ohjaus lisätty; herkkyys nousi 92 %:iin, käyttäjä eliminoi väärät positiiviset.
Tapaus 2 — Valonvaihto. Yhdessä rivissä väärät positiiviset kolminkertaistuivat, kun iltapäivän auringonvalo osui tarkastusalueelle; Mallin mielestä varjot olivat tahroja. Ongelma ratkesi, kun katseluolosuhteet (suljettu kaappi, jatkuva LED-valaistus) standardisoitiin. Oppitunti: kuvantamisasetuksissa on kyse yhtä paljon laadusta kuin mallista.
Tapaus 3 – Aika ja työ. Yritys käytti keskimäärin 9 minuuttia manuaalisesti 100 metrin kankaan tarkastamiseen. Kameran esiskannaus + käyttäjän vahvistusmallilla aika lyheni 4 minuuttiin ja vuoto väheni, koska käyttäjä kiinnitti huomiota vain merkittyihin alueisiin. Kriittistä oli se, että automaatio ei terävöinyt kuljettajaa, vaan käyttäjän silmää.
Heikko kehote / Vahva kehote
Huomautus: Vikakuvan suoraan analysoivat järjestelmät ovat erillisiä; täällä käytämme tekoälyä prosessien suunnitteluun, tietojen arviointiin ja raportointiin.
Heikko kehote:
Kerro minulle, onko viantunnistusmallimme hyvä?
Tehokas kehotus:
Tehtäväsi: Tekstiilien laatuinsinööri ja data-analyytikko.Alla on vianhakumallin testitulokset (sekaannusmatriisi: tosi positiivinen, väärä positiivinen, väärä negatiivinen, tosi negatiivinen). Tehtävä: 1) Laske vikaluokan herkkyys ja tarkkuus, näytä kaava.2) Selitä näillä luvuilla, miksi liiketoiminnan kokonaistarkkuus3) voi olla negatiivinen vaikutus tämän riskin harhaanjohtamiseen. tuotanto.4) Anna konkreettinen ehdotus kynnyksen asettamisesta ja ihmisen tarkastuksesta. Numerot: [matriisi]
Kopioitavat mallit
1) Metrinen laskenta ja tulkinta:
Laske herkkyys, tarkkuus ja F1-pisteet seuraavasta sekavuusmatriisista, kirjoita jokainen kaava ja perustele, kumpi on kriittisempi laadun kannalta. Matriisi: [TP, FP, FN, TN]
2) Väärin negatiivinen perimmäinen syy:
Alla on lista puuttuvista (väärä negatiivisista) vioista (vian tyyppi, väri, valo, nopeus). Luo yleisiä hypoteeseja ja ehdota varmennuskoetta kullekin hypoteesille. Tiedot: [luettelo]
3) Muuntaminen 4 pisteen pisteiksi:
Muunna seuraava tunnistustulos 4 pisteen järjestelmäksi: arvosta jokainen vika sen pituuden mukaan, laske kokonaispistemäärä 100 m²:tä kohti, vertaa [kynnys]-pisteisiin ja suosittele hyväksymistä/hylkäämistä. Vikaluettelo: [luettelo]
4) Tarkastusraporttiluonnos:
Johda yhteenveto seuraavista siirtovirhetiedoista: 3 suurinta vikaa, mahdollinen prosessin lähde (hypoteesi), kokonaishylkäysprosentti ja suositellut toimenpiteet. Älä keksi numeroita, vaan käytä sitä, mitä on annettu. Tiedot: [taulukko]
Vertailukaavio
kriteeri
Mitä toimenpiteitä
Onko hyvä olla korkealla?
Laadun merkitys
Tarkkuus
Kaiken kaikkiaan oikea kurssi
Voi olla harhaanjohtavaa
Vähän epätasapainoista dataa
Herkkyys (muistaa)
Todellinen vikaprosentti kiinni
Kyllä
Pudottaa väärän negatiivisen (kriittinen)
Tarkkuus
Totuus mitä sanot on virhe
Kyllä
Vähentää vääriä positiivisia tuloksia/jätteitä
väärä negatiivinen
välttynyt vika
Ei, sen pitäisi olla matala
Viallisen tavaran riski asiakkaalle
väärä positiivinen
tyhjä hälytys
Ei, mutta se on siedettävää
Tehokkuus/nopeushäviö
Huomio: Automatisoitu järjestelmä on "esitarkistaja", ei "hyväksyjä". Lopullinen laadun hyväksymispäätös edellyttää pätevän laatuvastaavan hyväksyntää erityisesti asiakassopimuserien osalta. Malli nopeuttaa ihmisen hallintaa, mutta ei vapauta sitä.
Yleisiä virheitä
- Katsoa vanhurskautta ja olla tyytyväinen. Suuri tarkkuus piilottaa artefaktit epätasapainossa olevissa tiedoissa.
- Katseluolosuhteet huomioimatta. Ilman jatkuvaa valaistusta ja vakionopeutta malli on epäluotettava.
- Ei tarkista tarran laatua. Väärällä merkinnällä koulutettu malli oppii väärin.
- Unohdetaan uudentyyppinen vika. Jos tietoja ei päivitetä ajan myötä ilmenevien uusien vikojen varalta, suorituskyky heikkenee hiljaa.
- Leikkaa ihmisiä pois. Kriittinen hyväksymispäätös vaatii ihmisen hyväksynnän.
Yhteenvetona
Kuvankäsittely nopeuttaa huomattavasti kankaan tarkastusta ja kompensoi ihmisen väsymystä. Mutta hänen esitystään ei lueta tarkasti, vaan virheluokan herkkyydellä ja tarkkuudella; Väärä negatiivinen on vaarallisin laatuvirhe. Vakaa kuvantamistila, laatumerkki ja ihmissilmukan tarkastus ovat järjestelmän luotettavuuden kolme pilaria. Automaattinen lähtö on alustava seulonta; Lopullinen hyväksymispäätös jää insinöörin hyväksynnälle.
Sovellustehtävä
Määritä esimerkkisekaannusmatriisi vianilmaisujärjestelmälle (esim. 100 viallista, 4900 täydellistä näytettä). Laske herkkyys, tarkkuus ja F1 tämän laitteen "metrilaskenta" -mallilla; Tarkista sitten tulokset manuaalisesti. Keskustele kappaleessa, mitä tapahtuu väärille positiivisille, kun muutat kynnystä puolittaaksesi väärän negatiivisen samassa matriisissa, ja päätä, mikä tasapaino on oikea tuotteellesi.
tarkistuslista
- [ ] Arvioin suorituskykyä herkkyyden/tarkkuuden, en tarkkuuden perusteella.
- [ ] Tulkitsen väärien negatiivisten riskien sekä liiketoimintavaikutuksen.
- [ ] Standardoin katseluolosuhteet (valo, nopeus).
- [ ] Tarkistan säännöllisesti tarrojen laadun ja uudet vikatyypit.
- [ ] Annan ihmisen hyväksynnän lopulliselle hyväksymispäätökselle; Malli on vain esiseula.