Gains :
- Capacité à expliquer comment les défauts sur la surface du tissu sont détectés et classés par traitement d'image et apprentissage automatique.
- Capacité à interpréter la balance des faux positifs/négatifs, le système de notation à 4 points et les mesures de performance du modèle
- Capacité à concevoir une configuration de vérification qui teste les résultats de détection automatique des défauts avec une inspection humaine et une inspection physique
Depuis de nombreuses années, le contrôle qualité des tissus repose sur l'œil humain : un opérateur observe le tissu pendant des heures sur une table d'inspection éclairée, marquant et notant tous les défauts qu'il voit. Ce travail est fatiguant, subjectif et sujet à la fatigue et aux erreurs ; L’attention n’est pas aussi vive à la fin d’un quart de travail qu’au début. La vision par ordinateur et l’apprentissage automatique promettent d’automatiser cette inspection : une caméra à grande vitesse scanne le tissu, détectant et classifiant un modèle de défauts en quelques secondes. Dans cette unité, nous discuterons du fonctionnement de ce système, des critères selon lesquels il est évalué et pourquoi le contrôle humain est toujours indispensable.
Défauts de tissu et langue d’inspection
Pour comprendre la détection automatique, il faut d’abord connaître le nom des défauts. Défauts typiques du tissu tissé : rupture de chaîne (manque de fil longitudinal), défaut de trame/entoilage (ligne transversale), trou, tache, endroit épais/fin, rebond de chaîne. En tricot : trace d'aiguille (trait longitudinal, dû à un dysfonctionnement de l'aiguille), point perdu, trou, différence d'épaisseur. En impression et teinture : différence de couleur, abrage (irrégularité de la teinture), glissement, éclaboussure.
Les résultats de l'inspection sont souvent notés selon un système à quatre points : chaque défaut reçoit 1 à 4 points en fonction de sa longueur longitudinale (par exemple 1 point jusqu'à 8 cm, 4 points sur 15 cm) et la note totale pour 100 m² est calculée. En dessous d'un seuil (par exemple 40 points/100 m²) est considéré comme une "acceptation", au-dessus est considéré comme un "rejet". La notation automatisée avec l'IA devrait imiter cette norme ; Il ne doit pas produire son propre score arbitraire.
Astuce : Le résultat du système automatisé doit toujours être convertible selon votre norme de notation acceptée (telle que 4 points) et la tolérance du client. « Le modèle a trouvé 12 anomalies » ne suffit pas à lui seul à prendre une décision commerciale ; Il doit être converti en points et en décisions.
Comment fonctionne la détection automatique des défauts ?
Les systèmes modernes combinent souvent les deux approches. La classification supervisée se produit lorsqu'un réseau neuronal artificiel (en particulier un réseau neuronal convolutif approprié à l'image, en anglais CNN) formé avec des milliers d'exemples de défauts précédemment étiquetés prédit s'il y a un défaut dans la nouvelle image et son type. La détection des anomalies, quant à elle, apprend le tissu « normal » et marque tout ce qui s'écarte de la normale comme candidat à un défaut ; Il fonctionne pour les défauts rares et inédits car il n’est pas nécessaire d’étiqueter chaque type de défaut à l’avance.
Nous lisons les performances du système avec deux critères de base. Sensibilité (rappel) : quel pourcentage de défauts réels a-t-il détecté ? Précision : quel pourcentage de ce qu'ils ont dit être un défaut était en réalité un défaut ? Il y a un équilibre entre ces deux. Un faux négatif (manque le défaut) signifie que des marchandises défectueuses sont livrées au client ; Un faux positif (marquant le parfait comme défectueux) signifie un gaspillage et un ralentissement inutiles. Dans les applications où la qualité est critique, un seuil est généralement choisi pour maintenir un faible nombre de faux négatifs, tandis que l'augmentation des faux positifs est soumise à une seconde vérification rapide par un opérateur humain.
Il y a ici un piège critique : la précision seule est trompeuse. Sur une chaîne de production, peut-être 2 % du tissu est défectueux. Un modèle stupide qui qualifie tout de « parfait » rapporte une précision de 98 % mais ne détecte aucun défaut. Par conséquent, dans les données déséquilibrées, ce n’est pas la sensibilité et la précision de la classe de défauts qui sont prises en compte, mais l’exactitude.
Étape par étape : évaluer un système de détection
- Collectez des données représentatives. Images couvrant la variété réelle de tissu (couleur, texture, éclairage) que le système verra ; Y compris les défauts rares.
- Vérifiez la qualité de l'étiquette. Si les étiquettes de formation sont erronées, le modèle apprend également mal ; Goûtez les étiquettes avec un œil expert.
- Mesurer la sensibilité/précision. Séparément pour la classe de défauts ; Ne vous contentez pas de regarder la précision générale.
- Examinez les faux négatifs. Les défauts manqués ont-ils une caractéristique commune (certaine couleur, certaine lumière) ?
- Configurez l'humain dans la boucle. Laissez l'opérateur confirmer ce que le modèle a marqué ; diriger l’incertain vers les gens.
- Surveiller et recycler. Mettez à jour l'ensemble de données à mesure que de nouveaux types de défauts apparaissent (dérive du concept).
Trois mini-cases : en chiffres
Cas 1 — Précision trompeuse. Un fournisseur a vendu un système disant « notre modèle est précis à 97 % ». Les retours clients ont augmenté sur le terrain. L'analyse a montré que la sensibilité de la classe de défauts n'était que de 61 %, ce qui signifie que 39 défauts réels sur 100 ont été manqués. La précision était élevée car la majeure partie du tissu était déjà impeccable. Seuil réajusté et contrôle humain ajouté ; la sensibilité est passée à 92%, les faux positifs ont été éliminés par l'opérateur.
Cas 2 — Changement d'éclairage. Sur une ligne, les faux positifs ont triplé lorsque le soleil de l’après-midi a frappé la zone d’inspection ; Le modèle pensait que les ombres étaient des taches. Le problème a été résolu lorsque les conditions de visualisation (armoire fermée, éclairage LED constant) ont été standardisées. Leçon : la configuration d’imagerie est autant une question de qualité que le modèle.
Cas 3 — Temps et travail. Une entreprise passait en moyenne 9 minutes à inspecter manuellement 100 mètres de tissu. Avec le modèle de pré-balayage par caméra + confirmation par l'opérateur, le temps a été réduit à 4 minutes et les fuites ont été réduites car l'opérateur n'a prêté attention qu'aux zones marquées. Ce qui était essentiel, c’était que l’automatisation aiguisait non pas l’opérateur, mais son œil.
Invite faible/Invite forte
Remarque : les systèmes dédiés qui analysent directement l'image du défaut sont distincts ; ici, nous utilisons l'IA pour la conception de processus, l'évaluation des données et le rapport.
Invite faible :
Dites-moi, notre modèle de détection des défauts est-il bon ?
Invite puissante :
Votre rôle : Ingénieur qualité textile et analyste de données. Vous trouverez ci-dessous les résultats des tests du modèle de détection des défauts (matrice de confusion : vrai positif, faux positif, faux négatif, vrai négatif). Tâche : 1) Calculer la sensibilité et la précision de la classe de défaut, montrer la formule. 2) Expliquez avec ces chiffres pourquoi la précision globale peut être trompeuse. 3) Commentez l'impact commercial du risque de faux négatifs dans cette production.
Modèles copiables
1) Calcul et interprétation des métriques :
Calculez la sensibilité, la précision et le score F1 à partir de la matrice de confusion suivante, écrivez chaque formule et justifiez laquelle est la plus critique en termes de qualité. Matrice : [TP, FP, FN, TN]
2) Cause première des faux négatifs :
Vous trouverez ci-dessous la liste des caractéristiques des défauts manqués (faux négatifs) (type de défaut, couleur, lumière, vitesse). Générez des hypothèses de modèle commun et proposez un essai de vérification pour chaque hypothèse. Données : [liste]
3) Conversion en points à 4 points :
Convertissez le résultat de détection suivant en un système à 4 points : notez chaque défaut en fonction de sa longueur, calculez le score total par 100 m², comparez avec le score [seuil] et recommandez l'acceptation/le rejet. Liste des défauts : [liste]
4) Projet de rapport d'inspection :
Dérivez un résumé à partir des données suivantes sur les défauts d'équipe : les 3 principaux défauts, la source de processus possible (hypothèse), le taux de rejet total et les actions recommandées. N'inventez pas de chiffres, utilisez simplement ce qui est donné. Données : [tableau]
Tableau de comparaison des mesures
critère
Quelles mesures
Est-ce bien d'être défoncé ?
Importance de la qualité
Précision
Tarif globalement correct
Peut être trompeur
Faible en données déséquilibrées
Sensibilité (rappel)
Taux de défauts réel détecté
Oui
Supprime les faux négatifs (critique)
Précision
La vérité de ce que tu dis est un défaut
Oui
Réduit les faux positifs/gaspillage
faux négatif
défaut échappé
Non, ça devrait être faible
Risque de marchandises défectueuses pour le client
faux positif
alarme vide
Non mais c'est toléré
Perte d’efficacité/vitesse
Attention : Le système automatisé est un « présélectionneur » et non un « approbateur ». La décision finale d'acceptation qualité nécessite l'accord d'un responsable qualité compétent, notamment pour les lots soumis au contrat client. Le modèle accélère le contrôle humain, mais ne l’exempte pas.
Erreurs courantes
- Regarder la justice et être satisfait. La haute précision masque les artefacts dans les données déséquilibrées.
- Négliger les conditions de visualisation. Sans éclairage constant et vitesse constante, le modèle n'est pas fiable.
- Je ne vérifie pas la qualité des étiquettes. Le modèle formé avec la mauvaise étiquette n’apprend pas correctement.
- Oublier le nouveau type de défaut. Si les données ne sont pas mises à jour pour détecter les nouveaux défauts qui apparaissent au fil du temps, les performances se dégraderont silencieusement.
- Supprimer les gens. La décision d’acceptation critique nécessite l’approbation humaine.
En résumé
Le traitement de l'image accélère considérablement l'inspection des tissus et compense la fatigue humaine. Mais sa performance n’est pas lue avec exactitude, mais avec la sensibilité et la précision de la classe des défauts ; Les faux négatifs constituent l’erreur de qualité la plus dangereuse. Des conditions d'imagerie stables, un label de qualité et une inspection humaine sont les trois piliers de la fiabilité du système. La sortie automatique est une sélection préliminaire ; La décision finale de réception reste avec l'approbation de l'ingénieur.
Tâche de candidature
Définir un exemple de matrice de confusion pour un système de détection de défauts (par exemple 100 échantillons défectueux, 4 900 échantillons parfaits). Faire calculer la sensibilité, la précision et F1 avec le modèle « calcul métrique » de cette unité ; puis vérifiez les résultats manuellement. Discutez dans un paragraphe de ce qui arrive aux faux positifs lorsque vous modifiez le seuil pour réduire de moitié les faux négatifs dans la même matrice et décidez quel équilibre convient à votre produit.
liste de contrôle
- [ ] J'évalue les performances en fonction de la sensibilité/précision et non de l'exactitude.
- [ ] J'interprète le risque de faux négatifs ainsi que l'impact commercial.
- [ ] J'ai standardisé les conditions de visualisation (lumière, vitesse).
- [ ] Je vérifie régulièrement la qualité des étiquettes et les nouveaux types de défauts.
- [ ] J'accorde l'approbation humaine à la décision d'acceptation finale ; Le modèle est uniquement un pré-tamis.