ગુણવત્તા નિયંત્રણ અને ખામી શોધ: છબી પ્રક્રિયા

નફો:

• ઇમેજ પ્રોસેસિંગ અને મશીન લર્નિંગ દ્વારા ફેબ્રિક સપાટી પરની ખામીઓ કેવી રીતે શોધી અને વર્ગીકૃત કરવામાં આવે છે તે સમજાવવાની ક્ષમતા.
• ખોટા હકારાત્મક/નકારાત્મક સંતુલન, 4-પોઇન્ટ સ્કોરિંગ સિસ્ટમ અને મોડેલ પ્રદર્શન મેટ્રિક્સનું અર્થઘટન કરવાની ક્ષમતા
• ચકાસણી સેટઅપ ડિઝાઇન કરવાની ક્ષમતા જે માનવ નિરીક્ષણ અને ભૌતિક નિરીક્ષણ સાથે સ્વચાલિત ખામી શોધ આઉટપુટનું પરીક્ષણ કરે છે

ઘણા વર્ષોથી, ફેબ્રિક ગુણવત્તા નિયંત્રણ માનવ આંખ પર આધાર રાખે છે: એક ઓપરેટર પ્રકાશિત નિરીક્ષણ ટેબલ પર કલાકો સુધી ફેબ્રિકને જુએ છે, તે જુએ છે તે કોઈપણ ખામીને ચિહ્નિત કરે છે અને સ્કોર કરે છે. આ કામ કંટાળાજનક, વ્યક્તિલક્ષી અને થાક અને ભૂલની સંભાવના છે; ધ્યાન પાળીના અંતે એટલું તીક્ષ્ણ નથી જેટલું તે શરૂઆતમાં છે. કમ્પ્યુટર વિઝન અને મશીન લર્નિંગ આ નિરીક્ષણને સ્વચાલિત કરવાનું વચન આપે છે: હાઇ-સ્પીડ કૅમેરો ફેબ્રિકને સ્કેન કરે છે, સેકન્ડોમાં ખામીઓની પેટર્ન શોધી અને વર્ગીકૃત કરે છે. આ એકમમાં, અમે આ સિસ્ટમ કેવી રીતે કાર્ય કરે છે, તેનું મૂલ્યાંકન કયા માપદંડો દ્વારા કરવામાં આવે છે અને શા માટે માનવ નિયંત્રણ હજુ પણ અનિવાર્ય છે તેની ચર્ચા કરીશું.

ફેબ્રિક ખામી અને નિરીક્ષણની ભાષા

સ્વચાલિત શોધને સમજવા માટે, સૌ પ્રથમ ખામીઓનું નામ જાણવું જરૂરી છે. વણાયેલા ફેબ્રિકમાં લાક્ષણિક ખામીઓ: વાર્પ તૂટવું (રેંટાંગી દોરાનો અભાવ), વેફ્ટ ડિફેક્ટ/ઇન્ટરફેસિંગ (ટ્રાન્સવર્સ લાઇન), છિદ્ર, ડાઘ, જાડા/પાતળા સ્થાન, વાર્પ બાઉન્સ. ગૂંથેલા ફેબ્રિકમાં: સોયનું ચિહ્ન (રેખાંશ રેખા, સોયની ખામીથી), સ્ટ્રે ટાંકો, છિદ્ર, જાડાઈનો તફાવત. પ્રિન્ટીંગ અને ડાઈંગમાં: રંગ તફાવત, અબ્રેજ (ડાઈંગ અનિયમિતતા), સ્લિપેજ, સ્પ્લેશિંગ.

નિરીક્ષણ પરિણામો ઘણીવાર ચાર-પોઇન્ટ સિસ્ટમનો ઉપયોગ કરીને સ્કોર કરવામાં આવે છે: દરેક ખામીને તેની રેખાંશ લંબાઈ અનુસાર 1-4 પોઇન્ટ આપવામાં આવે છે (દા.ત. 8 સે.મી. સુધી 1 પોઇન્ટ, 15 સે.મી.થી વધુ 4 પોઇન્ટ) અને 100 m² દીઠ કુલ સ્કોર ગણવામાં આવે છે. થ્રેશોલ્ડની નીચે (દા.ત. 40 પોઈન્ટ/100 m²)ને "સ્વીકૃતિ" ગણવામાં આવે છે, ઉપર "અસ્વીકાર" ગણવામાં આવે છે. AI સાથે સ્વચાલિત સ્કોરિંગે આ ધોરણનું અનુકરણ કરવું જોઈએ; તેણે પોતાનો મનસ્વી સ્કોર બનાવવો જોઈએ નહીં.

ટીપ: ઓટોમેટેડ સિસ્ટમનું આઉટપુટ હંમેશા તમારા સ્વીકૃત સ્કોરિંગ સ્ટાન્ડર્ડ (જેમ કે 4-પોઇન્ટ) અને ક્લાયંટ ટોલરન્સમાં કન્વર્ટિબલ હોવું જોઈએ. "મોડેલને 12 વિસંગતતાઓ મળી" એકલા વ્યવસાયિક નિર્ણય લેતા નથી; તેને મુદ્દાઓ અને નિર્ણયોમાં રૂપાંતરિત કરવું આવશ્યક છે.

ઓટોમેટિક ફ્લો ડિટેક્શન કેવી રીતે કામ કરે છે?

આધુનિક સિસ્ટમો ઘણીવાર બે અભિગમોને જોડે છે. નિરીક્ષિત વર્ગીકરણ એ છે જ્યારે કૃત્રિમ ન્યુરલ નેટવર્ક (ખાસ કરીને ઇમેજ-યોગ્ય કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક, અંગ્રેજી સીએનએન) હજારો અગાઉ લેબલ કરેલા ખામીના ઉદાહરણો સાથે પ્રશિક્ષિત છે કે શું નવી છબી અને તેના પ્રકારમાં ખામી છે કે કેમ તે આગાહી કરે છે. વિસંગતતા શોધ, બીજી તરફ, "સામાન્ય" ફેબ્રિક શીખે છે અને ખામી ઉમેદવાર તરીકે સામાન્યથી વિચલિત થતી કોઈપણ વસ્તુને ચિહ્નિત કરે છે; તે દુર્લભ, પહેલાં ક્યારેય ન જોયેલી ખામીઓ માટે કામ કરે છે કારણ કે દરેક ખામીના પ્રકારને અગાઉથી લેબલ કરવું જરૂરી નથી.

અમે બે મૂળભૂત માપદંડો સાથે સિસ્ટમની કામગીરી વાંચીએ છીએ. સંવેદનશીલતા (યાદ કરો): તે વાસ્તવિક ખામીઓની કેટલી ટકાવારી શોધી શક્યો? પ્રિસિઝન: તેઓ જે કહેતા હતા તેના કેટલા ટકા વાસ્તવમાં ખામી હતી? આ બંને વચ્ચે સંતુલન છે. ખોટા નકારાત્મક (ખામી ખૂટે છે) એટલે કે ખામીયુક્ત માલ ગ્રાહકને પહોંચાડવામાં આવે છે; ખોટા હકારાત્મક (સંપૂર્ણને ખામીયુક્ત તરીકે ચિહ્નિત કરવું) નો અર્થ બિનજરૂરી કચરો અને મંદી છે. ગુણવત્તા-નિર્ણાયક એપ્લિકેશનમાં, સામાન્ય રીતે ખોટા નકારાત્મકને નીચા રાખવા માટે થ્રેશોલ્ડ પસંદ કરવામાં આવે છે, જ્યારે વધતા ખોટા હકારાત્મક માનવ સંચાલક દ્વારા ઝડપી બીજી તપાસમાંથી પસાર થાય છે.

અહીં એક જટિલ છટકું છે: ચોકસાઈ જ ભ્રામક છે. ઉત્પાદન લાઇન પર, કદાચ 2% ફેબ્રિક ખામીયુક્ત છે. એક મૂર્ખ મોડેલ કે જે દરેક વસ્તુને "સંપૂર્ણ" કહે છે તે 98% ચોકસાઈની જાણ કરે છે પરંતુ એક પણ ખામીને પકડી શકતું નથી. તેથી, અસંતુલિત ડેટામાં, ખામી વર્ગની સંવેદનશીલતા અને ચોકસાઇ ધ્યાનમાં લેવામાં આવતી નથી, પરંતુ ચોકસાઈ.

સ્ટેપ બાય સ્ટેપ: ડિટેક્શન સિસ્ટમનું મૂલ્યાંકન

1. પ્રતિનિધિ ડેટા એકત્રિત કરો. વાસ્તવિક ફેબ્રિક વિવિધતા (રંગ, ટેક્સચર, લાઇટિંગ) આવરી લેતી છબીઓ જે સિસ્ટમ જોશે; દુર્લભ ખામીઓ સહિત.
2. લેબલ ગુણવત્તા તપાસો. જો તાલીમ લેબલ્સ ખોટા હોય, તો મોડેલ પણ ખોટું શીખે છે; નિષ્ણાત આંખ સાથે લેબલ્સનો નમૂના લો.
3. સંવેદનશીલતા/ચોકસાઇ માપો. ખામી વર્ગ માટે અલગથી; માત્ર સામાન્ય ચોકસાઈને જોશો નહીં.
4. ખોટા નકારાત્મક પરીક્ષણો. શું ચૂકી ગયેલી ખામીઓમાં સામાન્ય લક્ષણ છે (ચોક્કસ રંગ, ચોક્કસ પ્રકાશ)?
5. માનવ-ઇન-ધ-લૂપ સેટ કરો. ઓપરેટરને પુષ્ટિ કરવા દો કે મોડેલે શું ચિહ્નિત કર્યું છે; અનિશ્ચિતતાને લોકો સુધી પહોંચાડો.
6. મોનિટર કરો અને ફરીથી તાલીમ આપો. નવા ખામીના પ્રકારો (કન્સેપ્ટ ડ્રિફ્ટ) બહાર આવતાં ડેટાસેટને અપડેટ કરો.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - ભ્રામક ચોકસાઈ. એક સપ્લાયરએ "અમારું મોડેલ 97% સચોટ છે" એમ કહીને સિસ્ટમ વેચી. ક્ષેત્રમાં ગ્રાહકોના વળતરમાં વધારો થયો છે. વિશ્લેષણ દર્શાવે છે કે ખામી વર્ગની સંવેદનશીલતા માત્ર 61% હતી, એટલે કે દર 100માંથી 39 સાચી ખામીઓ ચૂકી ગઈ હતી. ચોકસાઈ વધારે હતી કારણ કે મોટા ભાગનું ફેબ્રિક પહેલેથી જ દોષરહિત હતું. થ્રેશોલ્ડ ફરીથી સમાયોજિત અને માનવ નિયંત્રણ ઉમેર્યું; સંવેદનશીલતા વધીને 92% થઈ ગઈ, ઓપરેટર દ્વારા ખોટા હકારાત્મકને દૂર કરવામાં આવ્યા.

કેસ 2 - લાઇટિંગ શિફ્ટ. એક લીટીમાં, જ્યારે બપોરનો સૂર્યપ્રકાશ નિરીક્ષણ વિસ્તાર પર પડે ત્યારે ખોટા ધન ત્રણ ગણા વધી જાય છે; મોડેલને લાગ્યું કે પડછાયાઓ સ્ટેન છે. જ્યારે જોવાની સ્થિતિ (બંધ કેબિનેટ, સતત એલઇડી લાઇટિંગ) પ્રમાણિત કરવામાં આવી ત્યારે સમસ્યા હલ થઈ. પાઠ: ઇમેજિંગ સેટઅપ મોડલ જેટલી ગુણવત્તા વિશે છે.

કેસ 3 - સમય અને શ્રમ. એક વ્યવસાયે 100 મીટર ફેબ્રિકનું મેન્યુઅલી નિરીક્ષણ કરવામાં સરેરાશ 9 મિનિટનો સમય પસાર કર્યો. કૅમેરા પ્રી-સ્કેનિંગ + ઑપરેટર કન્ફર્મેશન મૉડલ સાથે, સમય ઘટાડીને 4 મિનિટ કરવામાં આવ્યો હતો અને લિકેજમાં ઘટાડો થયો હતો કારણ કે ઑપરેટરે માત્ર ચિહ્નિત વિસ્તારો પર જ ધ્યાન આપ્યું હતું. મહત્ત્વની બાબત એ હતી કે ઓટોમેશન ઓપરેટરને નહીં, પણ ઓપરેટરની આંખને તીક્ષ્ણ બનાવે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નોંધ: સમર્પિત સિસ્ટમો કે જે ખામીની છબીનું સીધું વિશ્લેષણ કરે છે તે અલગ છે; અહીં અમે પ્રોસેસ ડિઝાઇન, ડેટા મૂલ્યાંકન અને રિપોર્ટ માટે AI નો ઉપયોગ કરીએ છીએ.

નબળા પ્રોમ્પ્ટ:

મને કહો, શું અમારું ખામી શોધ મોડલ સારું છે?

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: કાપડ ગુણવત્તા ઇજનેર અને ડેટા વિશ્લેષક. નીચે ખામી શોધ મોડલના પરીક્ષણ પરિણામો છે (ગૂંચવણ મેટ્રિક્સ: સાચું હકારાત્મક, ખોટા હકારાત્મક, ખોટા નકારાત્મક, સાચું નકારાત્મક). કાર્ય: 1) ખામી વર્ગ માટે સંવેદનશીલતા અને ચોકસાઈની ગણતરી કરો, સૂત્ર બતાવો. 2) આ સંખ્યાઓ સાથે સમજાવો કે શા માટે ખોટા જોખમની ખોટા વ્યવસાય પર અસર થઈ શકે છે. આ ઉત્પાદનમાં નકારાત્મક. 4) થ્રેશોલ્ડ સેટિંગ અને માનવ નિરીક્ષણ માટે નક્કર સૂચન આપો. સંખ્યાઓ: [મેટ્રિક્સ]

નકલ કરી શકાય તેવા નમૂનાઓ

1) મેટ્રિક ગણતરી અને અર્થઘટન:

નીચેના કન્ફ્યુઝન મેટ્રિક્સમાંથી સંવેદનશીલતા, ચોકસાઇ અને F1 સ્કોરની ગણતરી કરો, દરેક ફોર્મ્યુલા લખો અને ગુણવત્તાની દ્રષ્ટિએ કયો વધુ મહત્ત્વનો છે તેને યોગ્ય ઠેરવો. મેટ્રિક્સ: [TP, FP, FN, TN]

2) ખોટા નકારાત્મક મૂળ કારણ:

નીચે ચૂકી ગયેલી (ખોટી નકારાત્મક) ખામીઓ (ખામીનો પ્રકાર, રંગ, પ્રકાશ, ઝડપ) ની સુવિધા સૂચિ છે. સામાન્ય પેટર્ન પૂર્વધારણાઓ જનરેટ કરો અને દરેક પૂર્વધારણા માટે ચકાસણી અજમાયશની દરખાસ્ત કરો. ડેટા: [સૂચિ]

3) 4-પોઇન્ટ પોઈન્ટમાં રૂપાંતર:

નીચેના ડિટેક્શન આઉટપુટને 4-પોઇન્ટ સિસ્ટમમાં રૂપાંતરિત કરો: દરેક ખામીને તેની લંબાઈ અનુસાર સ્કોર કરો, 100 m² દીઠ કુલ સ્કોરની ગણતરી કરો, [થ્રેશોલ્ડ] સ્કોર સાથે તુલના કરો અને સ્વીકૃતિ/અસ્વીકારની ભલામણ કરો. ખામી યાદી: [સૂચિ]

4) નિરીક્ષણ અહેવાલ ડ્રાફ્ટ:

નીચેના શિફ્ટ ડિફેક્ટ ડેટામાંથી એક્ઝિક્યુટિવ સારાંશ મેળવો: ટોચની 3 ખામીઓ, સંભવિત પ્રક્રિયા સ્ત્રોત (પૂર્તિકલ્પના), કુલ અસ્વીકાર દર અને ભલામણ કરેલ ક્રિયાઓ. સંખ્યાઓ બનાવશો નહીં, ફક્ત જે આપવામાં આવ્યું છે તેનો ઉપયોગ કરો. ડેટા: [કોષ્ટક]

મેટ્રિક સરખામણી ચાર્ટ

માપદંડ

શું પગલાં

શું ઊંચું હોવું સારું છે?

ગુણવત્તામાં મહત્વ

ચોકસાઈ

એકંદરે સાચો દર

ભ્રામક બની શકે છે

અસંતુલિત ડેટા પર ઓછો

સંવેદનશીલતા (યાદ કરો)

વાસ્તવિક ખામી દર પકડાયો

હા

ખોટા નકારાત્મક (ક્રિટીકલ)

ચોકસાઇ

તમે જે કહો છો એમાં સત્ય ખામી છે

હા

ખોટા હકારાત્મક/કચરાને ઘટાડે છે

ખોટા નકારાત્મક

છટકી ખામી

ના, તે ઓછું હોવું જોઈએ

ગ્રાહક માટે ખામીયુક્ત માલનું જોખમ

ખોટા હકારાત્મક

ખાલી એલાર્મ

ના, પરંતુ તે સહન કરવામાં આવે છે

કાર્યક્ષમતા/ગતિ નુકશાન

ધ્યાન આપો: સ્વયંસંચાલિત સિસ્ટમ એ "પ્રી-સ્ક્રીનર" છે, "મંજૂર કરનાર" નથી. અંતિમ ગુણવત્તા સ્વીકૃતિ નિર્ણય માટે સક્ષમ ગુણવત્તા અધિકારીની મંજૂરી જરૂરી છે, ખાસ કરીને ગ્રાહક કરારને આધીન બેચ માટે. મોડેલ માનવ નિયંત્રણને વેગ આપે છે, પરંતુ તેને મુક્તિ આપતું નથી.

સામાન્ય ભૂલો

• પ્રામાણિકતા જોવી અને સંતુષ્ટ થવું. ઉચ્ચ ચોકસાઈ અસંતુલિત ડેટામાં કલાકૃતિઓને છુપાવે છે.
• જોવાની સ્થિતિની અવગણના. સતત રોશની અને સતત ગતિ વિના મોડેલ અવિશ્વસનીય છે.
• લેબલ ગુણવત્તા તપાસી નથી. ખોટા લેબલ સાથે પ્રશિક્ષિત મોડેલ ખોટી રીતે શીખે છે.
• નવા પ્રકારની ખામીને ભૂલી જવી. જો સમયાંતરે દેખાતી નવી ખામીઓ માટે ડેટા અપડેટ કરવામાં ન આવે, તો પ્રદર્શન શાંતિપૂર્વક બગડશે.
• લોકોને કાપી નાખે છે. નિર્ણાયક સ્વીકૃતિ નિર્ણયને માનવ મંજૂરીની જરૂર છે.

સારાંશમાં

ઇમેજ પ્રોસેસિંગ ફેબ્રિકની તપાસને મોટા પ્રમાણમાં ઝડપી બનાવે છે અને માનવ થાકને વળતર આપે છે. પરંતુ તેનું પ્રદર્શન ચોકસાઈ સાથે નહીં, પરંતુ ખામી વર્ગની સંવેદનશીલતા અને ચોકસાઈ સાથે વાંચવામાં આવે છે; ખોટા નકારાત્મક એ ગુણવત્તામાં સૌથી ખતરનાક ભૂલ છે. સ્થિર ઇમેજિંગ સ્થિતિ, ગુણવત્તા લેબલ અને માનવ-ઇન-ધ-લૂપ નિરીક્ષણ એ સિસ્ટમની વિશ્વસનીયતાના ત્રણ આધારસ્તંભ છે. સ્વચાલિત આઉટપુટ એ પ્રારંભિક સ્ક્રીનીંગ છે; અંતિમ સ્વીકૃતિ નિર્ણય એન્જિનિયરની મંજૂરી સાથે રહે છે.

એપ્લિકેશન કાર્ય

ખામી શોધ પ્રણાલી માટે એક ઉદાહરણ મૂંઝવણ મેટ્રિક્સ વ્યાખ્યાયિત કરો (દા.ત. 100 ખામીયુક્ત, 4900 સંપૂર્ણ નમૂનાઓ). આ એકમમાં "મેટ્રિક કેલ્ક્યુલેશન" ટેમ્પલેટ સાથે સંવેદનશીલતા, ચોકસાઇ અને F1 ની ગણતરી કરો; પછી પરિણામો જાતે તપાસો. ફકરામાં ચર્ચા કરો કે જ્યારે તમે સમાન મેટ્રિક્સમાં ખોટા નકારાત્મકને અડધો કરવા માટે થ્રેશોલ્ડ બદલો છો ત્યારે ખોટા હકારાત્મકનું શું થાય છે, અને તમારા ઉત્પાદન માટે કયું સંતુલન યોગ્ય છે તે નક્કી કરો.

ચેકલિસ્ટ

• [ ] હું પ્રભાવનું મૂલ્યાંકન સંવેદનશીલતા/ચોકસાઇ દ્વારા કરું છું, ચોકસાઈથી નહીં.
• [ ] હું વ્યવસાયની અસર સાથે ખોટા નકારાત્મકના જોખમનું અર્થઘટન કરું છું.
• [ ] મેં જોવાની સ્થિતિઓ (પ્રકાશ, ઝડપ) પ્રમાણિત કરી છે.
• [ ] હું નિયમિતપણે લેબલની ગુણવત્તા અને નવા ખામીના પ્રકારો તપાસું છું.
• [ ] હું અંતિમ સ્વીકૃતિ નિર્ણય પર માનવ મંજૂરી આપું છું; મોડેલ ફક્ત પ્રી-સિફ્ટર છે.