Contrôle qualité de la ligne de production : détection visuelle des défauts — Intelligence artificielle dans l'ingénierie automobile

Gains :

Comprendre le flux de travail de détection des défauts de surface, de soudage et d'assemblage dans la chaîne de production automobile avec la vision industrielle
Capacité à utiliser l'intelligence artificielle de manière structurée pour établir un ensemble de données d'images, l'étiquetage, la formation de modèles et la détermination de seuils
Capacité à vérifier les décisions de qualité en prenant en compte le taux d'échappement et de faux rejets, la vitesse de la ligne et la confiance de l'opérateur

Une voiture est composée de milliers de pièces, et chacune passe par la chaîne en quelques secondes. Il est à la fois fatigant et incohérent d’inspecter chaque soudure, chaque surface peinte, chaque assemblage sans aucune erreur avec l’œil humain ; les yeux se fatiguent, l'attention est distraite. C'est là qu'interviennent la vision industrielle et l'intelligence artificielle : des caméras imagent les pièces, un modèle d'IA signale le défaut en moins d'une seconde. Dans cette unité, nous discuterons de la manière dont le contrôle de la qualité des images est établi dans la production automobile, du rôle de l'IA et du problème le plus critique, la balance des erreurs.

Défauts visuels typiques dans l'automobile

Les principaux types de défauts inspectés visuellement :

Défauts de surface/peinture : peau d'orange (peinture rugueuse), bulles de poussière, saignements, rayures, différence de couleur.
Défauts de soudure : soudure incomplète, projections, porosité, point de soudure mal positionné.
Défauts de montage : boulon manquant, clip mal installé, joint inversé, connecteur desserré.
Étiquette/marque : VIN illisible, mauvaise étiquette, cachet manquant.

Certains de ces défauts sont purement esthétiques (rayures mineures), tandis que d'autres sont critiques pour la sécurité (une soudure incomplète peut entraîner une fissure de fatigue au niveau d'un joint de carrosserie). Cette distinction détermine toutes les décisions ultérieures.

Astuce : ne traitez pas tous les défauts avec le même sérieux. L'ajout de l'étiquette « esthétique/fonctionnel/critique pour la sécurité » lors de la classification d'un défaut est essentiel pour obtenir le bon seuil et la bonne logique de décision.

Deux approches fondamentales : la classification supervisée et la détection d'anomalies

Il existe deux stratégies principales pour la détection des défauts visuels :

Classification/détection supervisée : vous apprenez le modèle en lui montrant de nombreuses images étiquetées disant "voici des exemples défectueux, voici des exemples parfaits". C'est puissant si vous connaissez les types de défauts et disposez de suffisamment d'exemples. Défi : il est difficile de prélever suffisamment d'échantillons de défauts rares (une ligne produit presque toujours des pièces pleines).
Détection d'anomalies : vous affichez uniquement des images "normales/robustes" au modèle ; le modèle apprend à quoi ressemble la normale et marque tout ce qui s’écarte de la normale comme une « anomalie ». Il peut détecter des défauts nouveaux/inattendus même si vous ne connaissez pas le type de défaut à l'avance. Difficulté : peut prendre toute déviation pour un défaut (comme un changement d'éclairage).

En pratique, les deux sont utilisés ensemble : la détection d'anomalie dit "il y a quelque chose de bizarre ici", la classification dit "c'est un rebond de ressource".

Étape par étape : mise en place d’un système d’inspection visuelle

Catalogue de défauts et critères d'acceptation : Définir avec les ingénieurs qualité quel défaut est accepté/rejeté. C'est la « vérité » du modèle.
Acquisition d’images : un éclairage et une position de caméra constants et cohérents sont essentiels. Un éclairage médiocre/instable est la cause de panne la plus courante.
Étiquetage : Les experts notent les défauts ; Les directives en matière d'étiquetage sont essentielles à la cohérence.
Formation du modèle : un modèle supervisé et/ou anomalique est formé.
Seuil : Le modèle donne une « probabilité de défaut » ; C'est le seuil au-dessus duquel la probabilité sera considérée comme un « rejet ». Il s’agit de la décision commerciale la plus critique (ci-dessous).
Intégration en ligne : Le modèle prend la décision, les pièces suspectes sont dirigées vers l'opérateur/station.
Surveillance et recyclage : le modèle est mis à jour à mesure que de nouveaux types de défauts, des changements saisonniers et de nouvelles pièces deviennent disponibles.

Le problème le plus critique : équilibre entre fuites et faux rejets

Il existe deux erreurs dans la détection des défauts et leurs coûts sont très différents dans l’automobile :

Fuite (évasion/faux négatif) : La pièce défectueuse est considérée comme « bonne » et passe dans la ligne. Côté sécurité, cela signifie un véhicule défectueux entrant sur le terrain, une plainte client, voire un rappel. L'erreur la plus coûteuse.
Faux rejet (faux rejet / faux positif) : La pièce intacte est considérée comme « défectueuse » et rejetée. Cela signifie du gaspillage, des retouches inutiles, un ralentissement de la ligne ; Cela fait mal, mais cela ne présente aucun risque pour la sécurité.

seuil de décision

fugitif

faux rejet

Quand ?

Lâche (seuil haut)

Augmente (dangereux)

diminue

Jamais sur la piste de sécurité

Strict (seuil bas)

diminue

Augmentations (coûteuses)

Sur les pièces critiques pour la sécurité

équilibré

moyen

Dans les défauts esthétiques

Attention : Sur une partie critique pour la sécurité (frein, direction, soudure de carrosserie), le seuil est toujours maintenu étanche pour minimiser les fuites ; La pièce suspecte est dirigée vers l’humain. Assouplir le seuil parce que « un faux rejet coûte cher » est inacceptable dans le cadre de la sécurité.

Division du travail homme-machine

Dans un système bien établi, le modèle n’est pas le décideur final ; Il s'agit d'un "pré-sélection". Le modèle détecte les défauts évidents et renvoie à l’humain ce dont il n’est pas sûr. Cela permet à l’opérateur de se concentrer sur 30 pièces suspectes au lieu d’examiner 1 000 pièces. La confiance de l’opérateur est également importante : si le modèle produit trop de fausses alarmes, l’opérateur cesse de prendre les alertes au sérieux (« fatigue des alarmes »). C'est pourquoi le taux de faux rejets est également surveillé.

Mini-études de cas

Cas 1 – Piège lumineux. Alors qu’un modèle d’inspection de peinture réussit à 98 % en laboratoire, ce taux chute même à 80 %. Bilan : l'éclairage du plafond de la ligne change au cours de la journée, le modèle considère la différence de luminosité comme un "défaut". Lorsqu'un éclairage de tunnel fixe est ajouté, le succès augmente jusqu'à 97 %. Conclusion : la qualité de l'image peut être plus déterminante que le modèle.

Cas 2 – Coût des fuites. Lors d'une inspection des soudures de la coque, le seuil est légèrement assoupli "pour des raisons d'efficacité" ; Les faux rejets chutent de 6 % à 3 %, mais un mois plus tard, des fissures de soudure sont signalées sur deux véhicules sur le terrain. L'analyse des causes profondes montre que le taux de fuite a augmenté. Le seuil est à nouveau renforcé et les pièces suspectes sont placées sous contrôle humain à 100 %. Conclusion : La réduction des fuites dans la partie sécurité prime toujours sur les faux rejets.

Cas 3 – Défaut rare. Parfois, un très petit défaut de bavure apparaît sur un nouveau moule d'injection, mais il n'y a presque aucun exemple de ce défaut dans la formation du modèle supervisé, donc il manque. Lorsque le modèle de détection d'anomalies est activé, il la détecte comme un « écart par rapport à la normale ». Conclusion : La détection d'anomalies pour des défauts rares/nouveaux complète le modèle supervisé.

modèles d'invite

Modèle 1 – Catalogue de défauts et classification de la gravité :

Rôle : Vous êtes ingénieur qualité automobile. Tâche : Triez la liste de défauts suivante en classes de gravité. Contexte : Ligne de soudure de carrosserie ; défauts : éclaboussures, pores, points manquants, légère différence de couleur, rayures de surface. Contrainte : étiqueter chaque défaut comme étant esthétique/fonctionnel/critique pour la sécurité et suggérer une décision (acceptation/contrôle humain/rejet).Résultat : Défaut | important | décision proposée | tableau de justification.

Modèle 2 – Guide d'étiquetage :

Rôle : Responsable de la qualité de l'étiquetage des images. Tâche : Rédiger des règles de cohérence pour l'étiquetage des défauts de peinture. Contexte : peau d'orange, course, bulle de poussière ; Il y a des images prises sous différents éclairages. Sortie : Règle | exemple | état limite | note du tagueur.

Modèle 3 – Interprétation de la décision de seuil/métrique :

Rôle : Évaluateur en vision industrielle.Tâche : Interpréter le tableau des seuils de décision suivant.Contexte : Ressource critique pour la sécurité ; au seuil A, la fuite est de 0,3 %, le faux rejet est de 5 % ; fuite au seuil B 1,2% faux rejet 2%.Contrainte : Respecter la priorité de sécurité ; Expliquez quel seuil vous recommandez et pourquoi, et ajoutez l'étape de contrôle humain. Résultat : Recommandation + justification + risque restant.

Modèle 4 – Analyse des causes profondes :

Rôle : Vous êtes ingénieur qualité.Tâche : Répertorier les causes profondes possibles des défauts de projections qui ont augmenté au cours des 3 dernières équipes.Contexte : Soudage par points robotisé ; Le changement d'électrode a été effectué il y a 2 jours ; paramètre actuel corrigé. Sortie : cause possible | contrôle de validation | priorité.

Invite faible/Invite forte

Invite faible :

Créez un modèle qui trouve les pièces défectueuses.

On ne sait pas quel défaut, quelle importance, quel seuil, quelle décision ; Le résultat est inutile.

Invite puissante :

Rôle : Vous êtes ingénieur qualité automobile et vision industrielle. Tâche : Créer une liste de contrôle de conception pour un système de vision pour les soudures de carrosserie. Contexte : Soudage par points critique pour la sécurité ; la vitesse de la ligne est élevée ; Il existe de rares défauts ; variable d'éclairage. Contrainte : donner la priorité à la minimisation des fuites ; préciser comment combiner la détection des anomalies avec la classification supervisée et l'étape de contrôle humain ; garantissant « zéro erreur ». Sortie : Stage | suggestion | risque | tableau de vérification.

Erreurs courantes

Négliger l’éclairage/la qualité de l’image. Une mauvaise image gâte même le meilleur modèle.
Considérant que les fuites et les faux rejets sont égaux. Les fuites dans les pièces de sécurité automobile sont beaucoup plus coûteuses.
S'appuyer uniquement sur le modèle supervisé pour les défauts rares. La détection des anomalies est complémentaire.
Faire du modèle le décideur final. Les parties suspectes doivent être dirigées vers les humains.
Oublier la reconversion. De nouvelles pièces, de nouveaux moules et des changements saisonniers rendent le modèle ancien.

En résumé

La vision industrielle et l’IA inspectent rapidement et systématiquement les défauts de surface, de soudure et d’assemblage sur la chaîne automobile.
La classification supervisée est forte sur les défauts connus, la détection des anomalies est forte sur les défauts rares/nouveaux ; les deux sont utilisés ensemble.
La décision la plus critique est le seuil : les fuites (faux négatifs) sont minimisées dans la partie critique pour la sécurité, la partie suspecte va vers l'humain.
La qualité de l'image et l'éclairage sont souvent plus déterminants que le modèle.
Le modèle est un pré-tamis ; La décision finale en matière de qualité et la responsabilité en matière de sécurité incombent à l'humain.

Tâche de candidature

Sélectionnez une pièce/station (par exemple, ensemble de pare-chocs avant). (1) Énumérez les défauts possibles et étiquetez chacun comme étant esthétique/fonctionnel/critique pour la sécurité. (2) À l’aide du modèle 3, comparez les deux options de seuil de fuite/faux rejet et justifiez une recommandation. (3) Expliquez si vous utiliserez la détection supervisée ou la détection d'anomalies pour un défaut rare. (4) Définir l'étape de contrôle humain et le déclencheur de recyclage.

liste de contrôle

[ ] J'ai divisé les défauts en classes de gravité (esthétique/fonctionnel/critique pour la sécurité).
[ ] J'ai évalué l'équilibre entre les rejets illégaux et faux dans la décision préliminaire.
[ ] J'ai donné la priorité aux fuites dans la partie critique pour la sécurité.
[ ] J'ai placé les approches supervisées et anormales à l'endroit approprié.
[ ] J'ai spécifié les exigences en matière de qualité d'image et d'éclairage.
[ ] J'ai défini l'étape de contrôle humain et le plan de reconversion.