ઉત્પાદન રેખા ગુણવત્તા નિયંત્રણ: વિઝ્યુઅલ ખામી શોધ

નફો:

• મશીન વિઝન સાથે ઓટોમોટિવ પ્રોડક્શન લાઇનમાં સપાટી, વેલ્ડીંગ અને એસેમ્બલી ડિફેક્ટ ડિટેક્શનના વર્કફ્લોને સમજવું
• ઇમેજ ડેટાસેટ, લેબલિંગ, મોડલ તાલીમ અને થ્રેશોલ્ડ નિર્ધારણની સ્થાપનામાં સંરચિત રીતે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• એસ્કેપ અને ખોટા અસ્વીકાર દર, લાઇન સ્પીડ અને ઓપરેટરના વિશ્વાસને ધ્યાનમાં લઈને ગુણવત્તાયુક્ત નિર્ણયને ચકાસવાની ક્ષમતા

એક કારમાં હજારો ભાગો હોય છે, અને દરેક એક સેકન્ડમાં લાઇનમાંથી પસાર થાય છે. દરેક વેલ્ડ, દરેક પેઇન્ટ સપાટી, દરેક એસેમ્બલીને માનવ આંખ સાથે કોઈપણ ભૂલો વિના તપાસવું તે કંટાળાજનક અને અસંગત છે; આંખો થાકી જાય છે, ધ્યાન વિચલિત થાય છે. આ તે છે જ્યાં મશીન વિઝન અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ આવે છે: કેમેરા ભાગોને ઇમેજ કરે છે, AI મોડલ એક સેકન્ડમાં ખામીને ફ્લેગ કરે છે. આ એકમમાં, અમે ચર્ચા કરીશું કે ઓટોમોટિવ ઉત્પાદનમાં ઇમેજ ગુણવત્તા નિયંત્રણ કેવી રીતે સ્થાપિત થાય છે, AI ની ભૂમિકા અને સૌથી જટિલ સમસ્યા, ભૂલ સંતુલન.

ઓટોમોટિવમાં લાક્ષણિક દ્રશ્ય ખામીઓ

ખામીના મુખ્ય પ્રકારો દૃષ્ટિની તપાસવામાં આવે છે:

• સપાટી/રંગની ખામીઓ: નારંગીની છાલ (રફ પેઇન્ટ), ધૂળના પરપોટા, રક્તસ્રાવ, સ્ક્રેચ, રંગનો તફાવત.
• વેલ્ડ ખામીઓ: અપૂર્ણ વેલ્ડ, સ્પેટર, છિદ્રાળુતા, ખોટી સ્થિત થયેલ સ્પોટ વેલ્ડ.
• એસેમ્બલી ખામીઓ: ખોવાયેલ બોલ્ટ, ખોટી રીતે ઇન્સ્ટોલ કરેલી ક્લિપ, રિવર્સ્ડ સીલ, છૂટક કનેક્ટર.
• લેબલ/માર્ક: અયોગ્ય VIN, ખોટું લેબલ, ગુમ થયેલ સ્ટેમ્પ.

આમાંની કેટલીક ખામીઓ માત્ર સૌંદર્યલક્ષી (નાના ખંજવાળ) છે, જ્યારે અન્ય સલામતી-નિર્ણાયક છે (અપૂર્ણ વેલ્ડીંગ શરીરના સાંધામાં થાક તિરાડ તરફ દોરી શકે છે). આ તફાવત પછીના તમામ નિર્ણયો નક્કી કરે છે.

ટીપ: દરેક ખામીને એકસરખી ગંભીરતાથી વર્તશો નહીં. ખામીનું વર્ગીકરણ કરતી વખતે "સૌંદર્યલક્ષી/કાર્યકારી/સુરક્ષા-નિર્ણાયક" ટૅગ ઉમેરવું એ થ્રેશોલ્ડ અને નિર્ણયના તર્કને યોગ્ય રીતે મેળવવાની ચાવી છે.

બે મૂળભૂત અભિગમો: નિરીક્ષણ કરેલ વર્ગીકરણ અને વિસંગતતા શોધ

દ્રશ્ય ખામી શોધવા માટે બે મુખ્ય વ્યૂહરચના છે:

1. નિરીક્ષિત વર્ગીકરણ/શોધ: તમે મોડેલને "અહીં ખામીયુક્ત ઉદાહરણો છે, અહીં સંપૂર્ણ ઉદાહરણો છે" એમ કહીને ઘણી લેબલવાળી છબીઓ બતાવીને શીખવો છો. જો તમે ખામીના પ્રકારો જાણો છો અને તમારી પાસે પૂરતા ઉદાહરણો છે તો તે શક્તિશાળી છે. પડકાર: દુર્લભ ખામીના પૂરતા નમૂનાઓ એકત્રિત કરવા મુશ્કેલ છે (એક રેખા લગભગ હંમેશા નક્કર ભાગો બનાવે છે).
2. વિસંગતતા શોધ: તમે મોડેલને ફક્ત "સામાન્ય/મજબૂત" છબીઓ જ બતાવો છો; મોડેલ શીખે છે કે સામાન્ય કેવું દેખાય છે અને સામાન્યથી વિચલિત થતી કોઈપણ વસ્તુને "વિસંગતતા" તરીકે ચિહ્નિત કરે છે. જો તમને ખામીનો પ્રકાર અગાઉથી ખબર ન હોય તો પણ તે નવી/અણધારી ખામીઓ પકડી શકે છે. મુશ્કેલી: કોઈપણ વિચલનને ખામી તરીકે ભૂલ કરી શકે છે (જેમ કે લાઇટિંગમાં ફેરફાર).

વ્યવહારમાં, બંનેનો એકસાથે ઉપયોગ થાય છે: વિસંગતતા શોધ કહે છે કે "અહીં કંઈક વિચિત્ર છે", વર્ગીકરણ કહે છે કે "આ એક સંસાધન બાઉન્સ છે".

સ્ટેપ બાય સ્ટેપ: વિઝ્યુઅલ ઇન્સ્પેક્શન સિસ્ટમ સેટ કરવી

1. ખામી સૂચિ અને સ્વીકૃતિ માપદંડ: ગુણવત્તા ઇજનેરો સાથે વ્યાખ્યાયિત કરો કે કઈ ખામી સ્વીકારવામાં/નકારવામાં આવે છે. આ મોડેલનું "સત્ય" છે.
2. છબી સંપાદન: સતત, સુસંગત લાઇટિંગ અને કેમેરાની સ્થિતિ મહત્વપૂર્ણ છે. નબળી/અસ્થિર લાઇટિંગ એ નિષ્ફળતાનું સૌથી સામાન્ય કારણ છે.
3. લેબલીંગ: નિષ્ણાતો ખામીઓને ચિહ્નિત કરે છે; સુસંગતતા માટે લેબલીંગ માર્ગદર્શન આવશ્યક છે.
4. મોડલ તાલીમ: દેખરેખ અને/અથવા વિસંગતતા મોડેલને તાલીમ આપવામાં આવે છે.
5. થ્રેશોલ્ડિંગ: મોડેલ "ખામીની સંભાવના" આપે છે; તે થ્રેશોલ્ડ છે જેની ઉપરની સંભાવના તમે "અસ્વીકાર" તરીકે ધ્યાનમાં લેશો. આ સૌથી મહત્વપૂર્ણ વ્યવસાય નિર્ણય છે (નીચે).
6. રેખા સંકલન: મોડેલ નિર્ણય લે છે, શંકાસ્પદ ભાગો ઓપરેટર/સ્ટેશનને નિર્દેશિત કરવામાં આવે છે.
7. દેખરેખ અને પુનઃ તાલીમ: નવા ખામીના પ્રકારો, મોસમી ફેરફાર, નવા ભાગો ઉપલબ્ધ થતાં મોડલ અપડેટ થાય છે.

સૌથી જટિલ મુદ્દો: લિકેજ અને ખોટા અસ્વીકારનું સંતુલન

ખામી શોધવામાં બે ભૂલો છે અને ઓટોમોટિવમાં તેમની કિંમત ઘણી અલગ છે:

• લીક (એસ્કેપ / ખોટા નકારાત્મક): ખામીયુક્ત ભાગને "સારું" ગણવામાં આવે છે અને તે લાઇનમાંથી પસાર થાય છે. સેફ્ટી પીસ પર, આનો અર્થ થાય છે ખામીયુક્ત વાહન ક્ષેત્રમાં જઈ રહ્યું છે, ગ્રાહકની ફરિયાદ અથવા તો રિકોલ. સૌથી મોંઘી ભૂલ.
• ખોટા અસ્વીકાર (ખોટા અસ્વીકાર / ખોટા હકારાત્મક): અખંડ ભાગને "ખામીયુક્ત" ગણવામાં આવે છે અને નકારવામાં આવે છે. તેનો અર્થ છે કચરો, બિનજરૂરી પુનઃકાર્ય, લાઇન મંદી; તે દુખે છે, પરંતુ તે સલામતી માટે જોખમ ઊભું કરતું નથી.

નિર્ણય થ્રેશોલ્ડ

ભાગેડુ

ખોટો અસ્વીકાર

ક્યારે?

છૂટક (ઉચ્ચ થ્રેશોલ્ડ)

વધે છે (ખતરનાક)

ઘટે છે

સુરક્ષા ટ્રેક પર ક્યારેય

કડક (નીચી થ્રેશોલ્ડ)

ઘટે છે

વધે છે (ખર્ચાળ)

સલામતી-નિર્ણાયક ભાગો પર

સંતુલિત

મધ્યમ

મધ્યમ

સૌંદર્યલક્ષી ખામીઓમાં

સાવધાની: સલામતી-સંવેદનશીલ ભાગ (બ્રેક, સ્ટીયરીંગ, બોડી વેલ્ડ) પર લિકેજ ઘટાડવા માટે સીલ હંમેશા ચુસ્ત રાખવામાં આવે છે; શંકાસ્પદ ભાગ માનવ તરફ નિર્દેશિત કરવામાં આવે છે. થ્રેશોલ્ડને આરામ આપવો કારણ કે "ખોટા અસ્વીકાર ખર્ચાળ છે" સુરક્ષા ભાગમાં અસ્વીકાર્ય છે.

શ્રમનું માનવ-મશીન વિભાજન

સારી રીતે સ્થાપિત સિસ્ટમમાં, મોડેલ અંતિમ નિર્ણય લેનાર નથી; તે "પ્રી-સ્ક્રિનર" છે. મૉડલ સ્પષ્ટ ખામીઓ પકડે છે અને મનુષ્યને તે પાછું મોકલે છે જેના વિશે તેઓ ચોક્કસ નથી. આ ઓપરેટરને 1,000 ભાગોને જોવાને બદલે 30 શંકાસ્પદ ભાગો પર ધ્યાન કેન્દ્રિત કરવાની મંજૂરી આપે છે. ઓપરેટરનો વિશ્વાસ પણ મહત્વપૂર્ણ છે: જો મોડલ ઘણા બધા ખોટા એલાર્મ ઉત્પન્ન કરે છે, તો ઓપરેટર ચેતવણીઓને ગંભીરતાથી લેવાનું બંધ કરે છે ("એલાર્મ થાક"). એટલા માટે ખોટા રિજેક્શન રેટ પર પણ નજર રાખવામાં આવે છે.

મિની કેસ સ્ટડીઝ

કેસ 1 - લાઇટિંગ ટ્રેપ. જ્યારે લેબોરેટરીમાં પેઇન્ટ ઇન્સ્પેક્શન મોડલ 98% સફળ છે, તે ઘટીને 80% પણ થઈ જાય છે. સમીક્ષા: દિવસ દરમિયાન લાઇન પર છતની લાઇટિંગ બદલાય છે, મોડેલ તેજમાં તફાવતને "ખામી" માને છે. જ્યારે નિશ્ચિત ટનલ લાઇટિંગ ઉમેરવામાં આવે છે, ત્યારે સફળતા વધીને 97% થાય છે. નિષ્કર્ષ: છબી ગુણવત્તા મોડેલ કરતાં વધુ નિર્ણાયક હોઈ શકે છે.

કેસ 2 - લિકેજની કિંમત. હલ વેલ્ડની તપાસમાં થ્રેશોલ્ડ "કાર્યક્ષમતા માટે" સહેજ હળવા હોય છે; ખોટા અસ્વીકાર 6% થી ઘટીને 3% થાય છે, પરંતુ એક મહિના પછી, ખેતરમાં બે વાહનોમાં વેલ્ડ ક્રેક નોંધવામાં આવે છે. મૂળ કારણ વિશ્લેષણ દર્શાવે છે કે લીકેજ દર વધ્યો છે. થ્રેશોલ્ડ ફરીથી કડક કરવામાં આવે છે અને શંકાસ્પદ ભાગોને 100% માનવ નિયંત્રણ હેઠળ લાવવામાં આવે છે. નિષ્કર્ષ: સલામતીના ભાગમાં લિકેજ ઘટાડવા હંમેશા ખોટા અસ્વીકાર કરતાં અગ્રતા લે છે.

કેસ 3 - દુર્લભ ખામી. પ્રસંગોપાત નવી ઇન્જેક્શન મોલ્ડમાંથી ખૂબ જ નાની બરની ખામી ઉદભવે છે, પરંતુ નિરીક્ષિત મોડેલની તાલીમમાં આ ખામીના લગભગ કોઈ ઉદાહરણો નથી, તેથી તે ચૂકી જાય છે. જ્યારે વિસંગતતા શોધ મોડલ સક્રિય થાય છે, ત્યારે તે તેને "સામાન્યથી વિચલન" તરીકે શોધે છે. નિષ્કર્ષ: દુર્લભ/નવી ખામીઓ માટે વિસંગતતા શોધ નિરીક્ષિત મોડેલને પૂરક બનાવે છે.

પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 - ખામી સૂચિ અને ગંભીરતા વર્ગીકરણ:

ભૂમિકા: તમે ઓટોમોટિવ ક્વોલિટી એન્જિનિયર છો. કાર્ય: ખામીઓની નીચેની સૂચિને ગંભીરતા વર્ગોમાં સૉર્ટ કરો. સંદર્ભ: શારીરિક વેલ્ડ લાઇન; ખામીઓ: સ્પ્લેટર, છિદ્રો, ખૂટતી જગ્યા, થોડો રંગ તફાવત, સપાટી પર ખંજવાળ. નિયંત્રણ: દરેક ખામીને સૌંદર્યલક્ષી/કાર્યકારી/સુરક્ષા-નિર્ણાયક તરીકે લેબલ કરો અને નિર્ણય સૂચવો (સ્વીકૃતિ/માનવ તપાસ/અસ્વીકાર).આઉટપુટ: ખામી | મહત્વ | સૂચિત નિર્ણય | સમર્થન ટેબલ.

નમૂનો 2 - લેબલીંગ માર્ગદર્શિકા:

ભૂમિકા: છબી લેબલિંગ ગુણવત્તા લીડ. કાર્ય: પેઇન્ટ ખામી લેબલિંગ માટે સુસંગતતા નિયમો લખો. સંદર્ભ: નારંગીની છાલ, રન, ડસ્ટ બબલ; વિવિધ લાઇટિંગ હેઠળ લેવામાં આવેલી છબીઓ છે. આઉટપુટ: નિયમ | ઉદાહરણ | મર્યાદા રાજ્ય | ટેગર નોંધ.

નમૂનો 3 - થ્રેશોલ્ડ/મેટ્રિક નિર્ણયનું અર્થઘટન:

ભૂમિકા: મશીન વિઝન મૂલ્યાંકનકાર. કાર્ય: નીચેના નિર્ણય થ્રેશોલ્ડ ટેબલનું અર્થઘટન કરો. સંદર્ભ: સુરક્ષા-નિર્ણાયક સંસાધન; થ્રેશોલ્ડ A પર, લિકેજ 0.3% છે, ખોટા અસ્વીકાર 5% છે; થ્રેશોલ્ડ બી પર લિકેજ 1.2% ખોટા અસ્વીકાર 2%. અવરોધ: સુરક્ષા અગ્રતાનું અવલોકન કરો; તમે કયા થ્રેશોલ્ડની ભલામણ કરો છો અને શા માટે કરો છો તે સમજાવો અને માનવ નિયંત્રણ પગલું ઉમેરો. આઉટપુટ: ભલામણ + વાજબીપણું + બાકી જોખમ.

નમૂનો 4 - મૂળ કારણ વિશ્લેષણ:

ભૂમિકા: તમે ગુણવત્તાયુક્ત એન્જિનિયર છો. કાર્ય: છેલ્લી 3 શિફ્ટમાં વધતા સ્પેટર ખામીઓ માટે સંભવિત મૂળ કારણોની સૂચિ બનાવો. સંદર્ભ: રોબોટિક સ્પોટ વેલ્ડીંગ; ઇલેક્ટ્રોડ ફેરફાર 2 દિવસ પહેલા કરવામાં આવ્યો હતો; વર્તમાન સેટિંગ નિશ્ચિત. આઉટપુટ: સંભવિત કારણ | માન્યતા તપાસ | અગ્રતા

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

એક મોડેલ બનાવો જે ખામીયુક્ત ભાગો શોધે.

તે સ્પષ્ટ નથી કે કયો દોષ, કયો મહત્વ, કયો થ્રેશોલ્ડ, કયો નિર્ણય; પરિણામ નકામું છે.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે ઓટોમોટિવ ગુણવત્તા અને મશીન વિઝન એન્જિનિયર છો. કાર્ય: બોડી વેલ્ડ વિઝન સિસ્ટમ માટે ડિઝાઇન ચેકલિસ્ટ બનાવો. સંદર્ભ: સલામતી-નિર્ણાયક સ્થળ વેલ્ડીંગ; લાઇનની ઝડપ ઊંચી છે; દુર્લભ ખામીઓ છે; ઇલ્યુમિનેશન વેરિએબલ. કન્સ્ટ્રેઇન્ટ: લિકેજ ઘટાડવાને પ્રાથમિકતા આપો; નિરીક્ષિત વર્ગીકરણ અને માનવ નિયંત્રણ પગલાં સાથે વિસંગતતા શોધને કેવી રીતે જોડવી તે સ્પષ્ટ કરો; 'શૂન્ય ભૂલો'ની બાંયધરી. આઉટપુટ: સ્ટેજ | સૂચન | જોખમ | ચકાસણી ટેબલ.

સામાન્ય ભૂલો

• લાઇટિંગ/ઇમેજ ગુણવત્તાની અવગણના. ખરાબ છબી શ્રેષ્ઠ મોડેલને પણ બગાડે છે.
• લિકેજ અને ખોટા અસ્વીકારને સમાન ગણીને. ઓટોમોટિવ સલામતી ભાગોમાં લીકેજ વધુ ખર્ચાળ છે.
• દુર્લભ ખામીઓ માટે માત્ર નિરીક્ષિત મોડેલ પર આધાર રાખવો. વિસંગતતા શોધ પૂરક છે.
• મોડેલને અંતિમ નિર્ણય લેનાર બનાવવું. શંકાસ્પદ ભાગો મનુષ્યો તરફ નિર્દેશિત કરવા જોઈએ.
• પુનઃપ્રશિક્ષણ ભૂલી જવું. નવા ભાગો, નવા મોલ્ડ અને મોસમી ફેરફારો મોડેલને જૂનું બનાવે છે.

સારાંશમાં

• મશીન વિઝન અને AI ઓટોમોટિવ લાઇન પર સપાટી, વેલ્ડ અને એસેમ્બલી ખામીઓ માટે ઝડપથી અને સતત તપાસ કરે છે.
• જાણીતી ખામીઓ પર નિરીક્ષણ કરેલ વર્ગીકરણ મજબૂત છે, વિસંગતતા શોધ દુર્લભ/નવી ખામીઓ પર મજબૂત છે; બંને એકસાથે વપરાય છે.
• સૌથી નિર્ણાયક નિર્ણય થ્રેશોલ્ડ છે: સલામતી-જટિલ ભાગમાં લિકેજ (ખોટી નકારાત્મક) ઘટાડવામાં આવે છે, શંકાસ્પદ ભાગ માનવને જાય છે.
• છબીની ગુણવત્તા અને લાઇટિંગ ઘણીવાર મોડેલ કરતાં વધુ નિર્ણાયક હોય છે.
• મોડેલ એ પ્રી-સિફ્ટર છે; અંતિમ ગુણવત્તાનો નિર્ણય અને સલામતીની જવાબદારી માણસની છે.

એપ્લિકેશન કાર્ય

એક ભાગ/સ્ટેશન પસંદ કરો (દા.ત. ફ્રન્ટ બમ્પર એસેમ્બલી). (1) સંભવિત ખામીઓની સૂચિ બનાવો અને દરેકને સૌંદર્યલક્ષી/કાર્યકારી/સુરક્ષા-નિર્ણાયક તરીકે લેબલ કરો. (2) ટેમ્પલેટ 3 સાથે, લીકેજ/ખોટા અસ્વીકાર માટેના બે થ્રેશોલ્ડ વિકલ્પોની તુલના કરો અને ભલામણને યોગ્ય ઠેરવો. (3) સમજાવો કે શું તમે દુર્લભ ખામી માટે દેખરેખ અથવા વિસંગતતા શોધનો ઉપયોગ કરશો. (4) માનવ નિયંત્રણ પગલું અને પુનઃપ્રશિક્ષણ ટ્રિગર વ્યાખ્યાયિત કરો.

ચેકલિસ્ટ

• [ ] મેં ખામીઓને ગંભીરતા વર્ગોમાં વિભાજિત કરી છે (સૌંદર્યલક્ષી/કાર્યકારી/સુરક્ષા-નિર્ણાયક).
• [ ] મેં થ્રેશોલ્ડ નિર્ણયમાં ગેરકાયદેસર અને ખોટા અસ્વીકારના સંતુલનનું મૂલ્યાંકન કર્યું.
• [ ] મેં સુરક્ષા-નિર્ણાયક ભાગમાં લીકેજને પ્રાથમિકતા આપી.
• [ ] મેં દેખરેખ અને વિસંગતતાના અભિગમોને યોગ્ય જગ્યાએ મૂક્યા.
• [ ] મેં ઇમેજ ગુણવત્તા/લાઇટિંગની જરૂરિયાતનો ઉલ્લેખ કર્યો છે.
• [ ] મેં માનવ નિયંત્રણ પગલું અને પુનઃપ્રશિક્ષણ યોજના વ્યાખ્યાયિત કરી.