गुणवत्ता नियंत्रण और दोष का पता लगाना: छवि प्रसंस्करण

लाभ:

• यह समझाने की क्षमता कि इमेज प्रोसेसिंग और मशीन लर्निंग द्वारा कपड़े की सतह पर दोषों का कैसे पता लगाया और वर्गीकृत किया जाता है।
• गलत सकारात्मक/नकारात्मक संतुलन, 4-बिंदु स्कोरिंग प्रणाली और मॉडल प्रदर्शन मेट्रिक्स की व्याख्या करने की क्षमता
• एक सत्यापन सेटअप डिज़ाइन करने की क्षमता जो मानव निरीक्षण और भौतिक निरीक्षण के साथ स्वचालित दोष पहचान आउटपुट का परीक्षण करती है

कई वर्षों से, कपड़े की गुणवत्ता नियंत्रण मानव आंख पर निर्भर रहा है: एक ऑपरेटर एक रोशनी वाली निरीक्षण मेज पर घंटों तक कपड़े को देखता है, जो भी दोष देखता है उसे चिह्नित करता है और स्कोर करता है। यह कार्य थका देने वाला, व्यक्तिपरक और थकान एवं त्रुटि से ग्रस्त है; बदलाव के अंत में ध्यान उतना तीव्र नहीं होता जितना शुरुआत में होता है। कंप्यूटर विज़न और मशीन लर्निंग इस निरीक्षण को स्वचालित करने का वादा करता है: एक हाई-स्पीड कैमरा कपड़े को स्कैन करता है, सेकंड में दोषों के पैटर्न का पता लगाता है और वर्गीकृत करता है। इस इकाई में, हम चर्चा करेंगे कि यह प्रणाली कैसे काम करती है, किन मानदंडों के आधार पर इसका मूल्यांकन किया जाता है, और मानव नियंत्रण अभी भी अपरिहार्य क्यों है।

कपड़े की खामियाँ और निरीक्षण की भाषा

स्वचालित पहचान को समझने के लिए सबसे पहले दोषों का नाम जानना आवश्यक है। बुने हुए कपड़े में विशिष्ट दोष: ताना टूटना (अनुदैर्ध्य धागे की कमी), बाना दोष/इंटरफेसिंग (अनुप्रस्थ रेखा), छेद, दाग, मोटी/पतली जगह, ताना उछाल। बुने हुए कपड़े में: सुई का निशान (सुई की खराबी से अनुदैर्ध्य रेखा), भटकी हुई सिलाई, छेद, मोटाई का अंतर। छपाई और रंगाई में: रंग में अंतर, रंगाई में अनियमितता (रंगाई में अनियमितता), फिसलन, छींटे पड़ना।

निरीक्षण परिणाम अक्सर चार-बिंदु प्रणाली का उपयोग करके स्कोर किए जाते हैं: प्रत्येक दोष को उसकी अनुदैर्ध्य लंबाई के अनुसार 1-4 अंक दिए जाते हैं (उदाहरण के लिए 8 सेमी तक 1 अंक, 15 सेमी से अधिक 4 अंक) और प्रति 100 वर्ग मीटर पर कुल स्कोर की गणना की जाती है। एक सीमा से नीचे (जैसे 40 अंक/100 वर्ग मीटर) को "स्वीकृति" माना जाता है, ऊपर को "अस्वीकृति" माना जाता है। एआई के साथ स्वचालित स्कोरिंग को इस मानक का अनुकरण करना चाहिए; इसे अपना मनमाना स्कोर नहीं बनाना चाहिए।

युक्ति: स्वचालित प्रणाली का आउटपुट हमेशा आपके स्वीकृत स्कोरिंग मानक (जैसे 4-पॉइंट) और क्लाइंट सहनशीलता के अनुसार परिवर्तनीय होना चाहिए। "मॉडल में 12 विसंगतियाँ पाई गईं" अकेले कोई व्यावसायिक निर्णय नहीं लेता है; इसे बिन्दुओं एवं निर्णयों में परिवर्तित किया जाना चाहिए।

स्वचालित दोष पहचान कैसे काम करती है?

आधुनिक प्रणालियाँ अक्सर दो दृष्टिकोणों को जोड़ती हैं। पर्यवेक्षित वर्गीकरण तब होता है जब एक कृत्रिम तंत्रिका नेटवर्क (विशेष रूप से छवि-उपयुक्त कनवल्शनल तंत्रिका नेटवर्क, अंग्रेजी सीएनएन) हजारों पहले से लेबल किए गए दोष उदाहरणों के साथ प्रशिक्षित होता है जो भविष्यवाणी करता है कि नई छवि और उसके प्रकार में कोई दोष है या नहीं। दूसरी ओर, विसंगति का पता लगाना, "सामान्य" ताने-बाने को सीखता है और किसी भी चीज़ को चिह्नित करता है जो सामान्य से विचलन करता है; यह दुर्लभ, पहले कभी न देखे गए दोषों के लिए काम करता है क्योंकि प्रत्येक दोष प्रकार को पहले से लेबल करना आवश्यक नहीं है।

हम सिस्टम के प्रदर्शन को दो बुनियादी मानदंडों के साथ पढ़ते हैं। संवेदनशीलता (याद करें): इसने कितने प्रतिशत वास्तविक दोषों का पता लगाया? परिशुद्धता: उन्होंने जो कुछ दोष बताया था उसका कितना प्रतिशत वास्तव में दोष था? इन दोनों के बीच संतुलन है. गलत नकारात्मक (त्रुटि गायब) का मतलब है कि ग्राहक को दोषपूर्ण सामान वितरित किया गया है; गलत सकारात्मक (उत्तम को दोषपूर्ण के रूप में चिह्नित करना) का अर्थ है अनावश्यक बर्बादी और मंदी। गुणवत्ता-महत्वपूर्ण अनुप्रयोग में, आम तौर पर गलत नकारात्मक को कम रखने के लिए एक सीमा चुनी जाती है, जबकि बढ़ी हुई झूठी सकारात्मकता को मानव ऑपरेटर द्वारा तेजी से दूसरी जांच से गुजरना पड़ता है।

यहां एक गंभीर जाल है: अकेले सटीकता भ्रामक है। उत्पादन लाइन पर, शायद 2% कपड़ा ख़राब है। एक बेवकूफ़ मॉडल जो हर चीज़ को "परफेक्ट" कहता है, 98% सटीकता की रिपोर्ट करता है लेकिन एक भी खामी नहीं पकड़ता। इसलिए, असंतुलित डेटा में, दोष वर्ग की संवेदनशीलता और परिशुद्धता पर विचार नहीं किया जाता है, बल्कि सटीकता पर विचार किया जाता है।

चरण दर चरण: एक जांच प्रणाली का मूल्यांकन

1. प्रतिनिधि डेटा एकत्र करें. वास्तविक कपड़े की विविधता (रंग, बनावट, प्रकाश व्यवस्था) को कवर करने वाली छवियां जिन्हें सिस्टम देखेगा; दुर्लभ दोषों सहित.
2. लेबल की गुणवत्ता जांचें. यदि प्रशिक्षण लेबल गलत हैं, तो मॉडल भी गलत सीखता है; किसी विशेषज्ञ की नजर से लेबल का नमूना लें।
3. संवेदनशीलता/सटीकता को मापें। दोष वर्ग के लिए अलग से; केवल सामान्य सटीकता को न देखें।
4. झूठी नकारात्मकताओं की जाँच करें। क्या छूटे हुए दोषों में कोई सामान्य विशेषता (निश्चित रंग, निश्चित प्रकाश) है?
5. ह्यूमन-इन-द-लूप सेट करें. ऑपरेटर को यह पुष्टि करने दें कि मॉडल ने क्या चिह्नित किया है; लोगों को अनिश्चितता को निर्देशित करें।
6. मॉनिटर करें और पुनः प्रशिक्षित करें। नए दोष प्रकार सामने आने पर डेटासेट को अपडेट करें (अवधारणा बहाव)।

तीन मिनी मामले: संख्याओं द्वारा

केस 1 - भ्रामक सटीकता। एक आपूर्तिकर्ता ने यह कहते हुए एक सिस्टम बेचा कि "हमारा मॉडल 97% सटीक है"। क्षेत्र में ग्राहक वापसी में वृद्धि हुई। विश्लेषण से पता चला कि दोष वर्ग की संवेदनशीलता केवल 61% थी, जिसका अर्थ है कि प्रत्येक 100 सच्चे दोषों में से 39 छूट गए थे। सटीकता अधिक थी क्योंकि अधिकांश कपड़ा पहले से ही दोषरहित था। दहलीज को फिर से समायोजित किया गया और मानव नियंत्रण जोड़ा गया; संवेदनशीलता 92% तक बढ़ गई, ऑपरेटर द्वारा झूठी सकारात्मकता को समाप्त कर दिया गया।

केस 2 - प्रकाश परिवर्तन। एक पंक्ति में, जब दोपहर की धूप निरीक्षण क्षेत्र पर पड़ती है तो झूठी सकारात्मकता तीन गुना हो जाती है; मॉडल को लगा कि परछाइयाँ दाग हैं। समस्या तब हल हो गई जब देखने की स्थिति (बंद कैबिनेट, निरंतर एलईडी प्रकाश व्यवस्था) को मानकीकृत किया गया। पाठ: इमेजिंग सेटअप मॉडल जितना ही गुणवत्ता के बारे में है।

केस 3 - समय और श्रम। एक व्यवसाय ने 100 मीटर कपड़े का मैन्युअल रूप से निरीक्षण करने में औसतन 9 मिनट खर्च किए। कैमरा प्री-स्कैनिंग + ऑपरेटर पुष्टिकरण मॉडल के साथ, समय 4 मिनट तक कम हो गया और रिसाव कम हो गया क्योंकि ऑपरेटर ने केवल चिह्नित क्षेत्रों पर ध्यान दिया। महत्वपूर्ण बात यह थी कि स्वचालन ने ऑपरेटर को नहीं, बल्कि ऑपरेटर की नज़र को तेज़ किया।

कमजोर संकेत/मजबूत संकेत

नोट: समर्पित प्रणालियाँ जो सीधे दोष छवि का विश्लेषण करती हैं, अलग हैं; यहां हम प्रक्रिया डिजाइन, डेटा मूल्यांकन और रिपोर्ट के लिए एआई का उपयोग करते हैं।

कमजोर संकेत:

मुझे बताओ, क्या हमारा दोष पहचान मॉडल अच्छा है?

शक्तिशाली संकेत:

आपकी भूमिका: कपड़ा गुणवत्ता इंजीनियर और डेटा विश्लेषक। दोष पहचान मॉडल के परीक्षण परिणाम नीचे दिए गए हैं (भ्रम मैट्रिक्स: सच्चा सकारात्मक, गलत सकारात्मक, गलत नकारात्मक, सच्चा नकारात्मक)। कार्य: 1) दोष वर्ग के लिए संवेदनशीलता और सटीकता की गणना करें, सूत्र दिखाएं। 2) इन संख्याओं के साथ बताएं कि समग्र सटीकता भ्रामक क्यों हो सकती है। 3) इस उत्पादन में गलत नकारात्मक के जोखिम के व्यावसायिक प्रभाव पर टिप्पणी करें। 4) सीमा निर्धारण और मानव निरीक्षण के लिए ठोस सुझाव दें। संख्या: [मैट्रिक्स]

कॉपी करने योग्य टेम्पलेट

1) मीट्रिक गणना और व्याख्या:

निम्नलिखित कन्फ्यूजन मैट्रिक्स से संवेदनशीलता, सटीकता और एफ1 स्कोर की गणना करें, प्रत्येक सूत्र लिखें और बताएं कि गुणवत्ता के मामले में कौन सा अधिक महत्वपूर्ण है। मैट्रिक्स: [टीपी, एफपी, एफएन, टीएन]

2) गलत नकारात्मक मूल कारण:

नीचे छूटे हुए (झूठे नकारात्मक) दोषों (दोष प्रकार, रंग, प्रकाश, गति) की फीचर सूची दी गई है। सामान्य पैटर्न परिकल्पनाएँ उत्पन्न करें और प्रत्येक परिकल्पना के लिए एक सत्यापन परीक्षण प्रस्तावित करें। डेटा: [सूची]

3) 4-बिंदु बिंदुओं में रूपांतरण:

निम्नलिखित डिटेक्शन आउटपुट को 4-पॉइंट सिस्टम में बदलें: प्रत्येक दोष को उसकी लंबाई के अनुसार स्कोर करें, प्रति 100 वर्ग मीटर में कुल स्कोर की गणना करें, [सीमा] स्कोर के साथ तुलना करें और स्वीकृति/अस्वीकृति की सिफारिश करें। दोष सूची: [सूची]

4) निरीक्षण रिपोर्ट ड्राफ्ट:

निम्नलिखित शिफ्ट दोष डेटा से एक कार्यकारी सारांश प्राप्त करें: शीर्ष 3 दोष, संभावित प्रक्रिया स्रोत (परिकल्पना), कुल अस्वीकृति दर, और अनुशंसित क्रियाएं। संख्याएँ मत बनाओ, बस जो दिया गया है उसका उपयोग करो। डेटा: [तालिका]

मीट्रिक तुलना चार्ट

कसौटी

क्या उपाय

क्या ऊँचा होना अच्छा है?

गुणवत्ता में महत्व

सटीकता

कुल मिलाकर सही दर

गुमराह किया जा सकता है

असंतुलित डेटा पर कम

संवेदनशीलता (याद रखें)

वास्तविक दोष दर पकड़ी गई

हाँ

गलत नकारात्मक (गंभीर) गिरता है

परिशुद्धता

आप जो कहते हैं उसका सत्य एक दोष है

हाँ

झूठी सकारात्मकता/अपव्यय को कम करता है

झूठा नकारात्मक

दोष से बच गए

नहीं, यह कम होना चाहिए

ग्राहक को ख़राब सामान का ख़तरा

गलत सकारात्मक

खाली अलार्म

नहीं, लेकिन बर्दाश्त किया जाता है

दक्षता/गति हानि

ध्यान दें: स्वचालित प्रणाली एक "प्री-स्क्रीनर" है, न कि "अनुमोदनकर्ता"। अंतिम गुणवत्ता स्वीकृति निर्णय के लिए एक सक्षम गुणवत्ता अधिकारी के अनुमोदन की आवश्यकता होती है, विशेष रूप से ग्राहक अनुबंध के अधीन बैचों के लिए। मॉडल मानव नियंत्रण को तेज़ करता है, लेकिन उसे छूट नहीं देता है।

सामान्य गलतियाँ

• धार्मिकता को देखना और संतुष्ट होना। उच्च सटीकता असंतुलित डेटा में कलाकृतियों को छुपाती है।
• देखने की स्थिति की उपेक्षा करना। निरंतर रोशनी और निरंतर गति के बिना मॉडल अविश्वसनीय है।
• लेबल की गुणवत्ता की जाँच नहीं की जा रही है। गलत लेबल के साथ प्रशिक्षित मॉडल गलत तरीके से सीखता है।
• नये प्रकार के दोष को भूल जाना। यदि समय के साथ सामने आने वाले नए दोषों के लिए डेटा अपडेट नहीं किया जाता है, तो प्रदर्शन चुपचाप ख़राब हो जाएगा।
• लोगों को काटना. महत्वपूर्ण स्वीकृति निर्णय के लिए मानवीय अनुमोदन की आवश्यकता होती है।

सारांश

छवि प्रसंस्करण से कपड़े के निरीक्षण में काफी तेजी आती है और मानव थकान की भरपाई होती है। लेकिन उनके प्रदर्शन को सटीकता के साथ नहीं, बल्कि दोष वर्ग की संवेदनशीलता और सटीकता के साथ पढ़ा जाता है; गुणवत्ता में ग़लत नकारात्मक सबसे खतरनाक त्रुटि है। स्थिर इमेजिंग स्थिति, गुणवत्ता लेबल और मानव-इन-द-लूप निरीक्षण प्रणाली की विश्वसनीयता के तीन स्तंभ हैं। स्वचालित आउटपुट एक प्रारंभिक स्क्रीनिंग है; अंतिम स्वीकृति निर्णय इंजीनियर की मंजूरी पर निर्भर रहता है।

आवेदन कार्य

एक दोष का पता लगाने वाली प्रणाली के लिए एक उदाहरण भ्रम मैट्रिक्स को परिभाषित करें (उदाहरण के लिए 100 दोषपूर्ण, 4900 सही नमूने)। इस इकाई में "मीट्रिक गणना" टेम्पलेट के साथ संवेदनशीलता, सटीकता और एफ1 की गणना करें; फिर परिणामों को मैन्युअल रूप से जांचें। एक पैराग्राफ में चर्चा करें कि जब आप एक ही मैट्रिक्स में झूठी नकारात्मक को आधा करने के लिए सीमा बदलते हैं तो झूठी सकारात्मकता का क्या होता है, और तय करें कि आपके उत्पाद के लिए कौन सा संतुलन सही है।

चेकलिस्ट

• [ ] मैं प्रदर्शन का मूल्यांकन संवेदनशीलता/परिशुद्धता से करता हूं, सटीकता से नहीं।
• [ ] मैं व्यावसायिक प्रभाव के साथ-साथ झूठी नकारात्मकताओं के जोखिम की व्याख्या करता हूं।
• [ ] मैंने देखने की स्थितियों (प्रकाश, गति) को मानकीकृत किया।
• [ ] मैं नियमित रूप से लेबल की गुणवत्ता और नए दोष प्रकारों की जांच करता हूं।
• [ ] मैं अंतिम स्वीकृति निर्णय पर मानवीय अनुमोदन रखता हूं; मॉडल केवल प्री-सिफ्टर है।