Dobici:
- Sposobnost objašnjenja kako se nedostaci na površini tkanine otkrivaju i klasificiraju obradom slike i strojnim učenjem.
- Sposobnost tumačenja lažno pozitivnog/negativnog salda, sustav bodovanja od 4 boda i metrika izvedbe modela
- Sposobnost dizajniranja postavke provjere koja testira izlaz automatskog otkrivanja grešaka s ljudskom inspekcijom i fizičkom inspekcijom
Dugi niz godina kontrola kvalitete tkanine oslanjala se na ljudsko oko: operater satima promatra tkaninu na osvijetljenom stolu za inspekciju, označavajući i ocjenjujući sve nedostatke koje uoči. Ovaj posao je naporan, subjektivan i sklon zamoru i pogreškama; Pažnja nije tako oštra na kraju smjene kao na početku. Računalni vid i strojno učenje obećavaju automatizaciju ove inspekcije: kamera velike brzine skenira tkaninu, otkrivajući i klasificirajući uzorak nedostataka u sekundi. U ovoj cjelini raspravljat ćemo o tome kako ovaj sustav funkcionira, kriterijima po kojima se ocjenjuje i zašto je ljudska kontrola još uvijek neophodna.
Defekti tkanine i jezik inspekcije
Da bismo razumjeli automatsko otkrivanje, prvo je potrebno znati nazive nedostataka. Tipični nedostaci u tkanini: lom osnove (nedostatak uzdužne niti), defekt potke/spoja (poprečna linija), rupa, mrlja, debelo/tanko mjesto, odskakanje osnove. Kod pletiva: trag igle (uzdužna linija, od kvara igle), zalutali ubod, rupa, razlika u debljini. U tiskanju i bojanju: razlika u boji, abrage (nepravilnost bojenja), klizanje, prskanje.
Rezultati pregleda često se boduju pomoću sustava od četiri boda: svaki nedostatak dobiva 1-4 boda prema svojoj uzdužnoj duljini (npr. 1 bod do 8 cm, 4 boda preko 15 cm) i izračunava se ukupni rezultat na 100 m². Ispod praga (npr. 40 bodova/100 m²) smatra se "prihvaćanjem", iznad se smatra "odbijanjem". Automatizirano bodovanje s umjetnom inteligencijom trebalo bi oponašati ovaj standard; Ne bi trebao proizvoditi vlastiti proizvoljni rezultat.
Savjet: Izlaz automatiziranog sustava uvijek bi se trebao moći pretvoriti u vaš prihvaćeni standard bodovanja (kao što je 4 boda) i toleranciju klijenta. Samo "model je pronašao 12 anomalija" ne donosi poslovnu odluku; Mora se pretvoriti u bodove i odluke.
Kako funkcionira automatsko otkrivanje grešaka?
Moderni sustavi često kombiniraju ova dva pristupa. Nadzirana klasifikacija je kada umjetna neuronska mreža (osobito konvolucijska neuronska mreža prikladna za sliku, engleski CNN) obučena s tisućama prethodno označenih primjera nedostataka predviđa postoji li nedostatak u novoj slici i njegovu vrstu. Otkrivanje anomalija, s druge strane, uči "normalnu" tkaninu i označava sve što odstupa od normale kao kandidata za kvar; Djeluje za rijetke, nikad prije viđene nedostatke jer nije potrebno unaprijed označiti svaku vrstu kvara.
Performanse sustava čitamo s dva osnovna kriterija. Osjetljivost (poziv): koji je postotak stvarnih nedostataka otkrio? Preciznost: Koliki je postotak onoga što su rekli da je nedostatak zapravo nedostatak? Postoji ravnoteža između ovo dvoje. Lažno negativno (nedostaje nedostatak) znači da je kupcu isporučena roba s greškom; Lažno pozitivno (označavanje savršenog kao neispravnog) znači nepotrebno rasipanje i usporavanje. U primjeni koja je kritična za kvalitetu, prag se općenito odabire kako bi lažno negativni rezultati bili niski, dok povećan broj lažno pozitivnih rezultata prolazi brzu drugu provjeru od strane ljudskog operatera.
Ovdje postoji kritična zamka: sama točnost dovodi u zabludu. Na proizvodnoj liniji možda je 2% tkanine neispravno. Glupi model koji sve naziva "savršenim" izvještava o 98% točnosti, ali ne hvata niti jednu grešku. Stoga se u neuravnoteženim podacima ne uzimaju u obzir osjetljivost i preciznost klase greške, već točnost.
Korak po korak: Procjena sustava detekcije
- Prikupiti reprezentativne podatke. Slike koje pokrivaju stvarnu raznolikost tkanina (boja, tekstura, osvjetljenje) koje će sustav vidjeti; Uključujući rijetke nedostatke.
- Provjerite kvalitetu naljepnice. Ako su oznake obuke pogrešne, model također pogrešno uči; Uzmite uzorke naljepnica stručnim okom.
- Izmjerite osjetljivost/preciznost. Zasebno za klasu nedostataka; Ne gledajte samo na opću točnost.
- Ispitajte lažne negative. Imaju li propušteni nedostaci zajedničku značajku (određenu boju, određeno svjetlo)?
- Postavite čovjeka u petlji. Neka operater potvrdi što je model označio; usmjeriti neizvjesno na ljude.
- Pratiti i prekvalificirati. Ažurirajte skup podataka kako se pojavljuju nove vrste defekata (odstupanje koncepta).
Tri mini kućišta: po brojevima
Slučaj 1 — Zavaravajuća točnost. Dobavljač je prodao sustav rekavši da je "naš model 97% točan". Povećani povrati kupaca na terenu. Analiza je pokazala da je osjetljivost klase grešaka samo 61%, što znači da je 39 od svakih 100 pravih grešaka propušteno. Točnost je bila visoka jer je većina tkanine već bila besprijekorna. Ponovno podešen prag i dodana ljudska kontrola; osjetljivost je povećana na 92%, lažno pozitivne rezultate eliminirao je operater.
Slučaj 2 — Pomak rasvjete. U jednom retku, lažno pozitivni rezultati su se utrostručili kada je popodnevna sunčeva svjetlost pala na područje inspekcije; Model je mislio da su sjene mrlje. Problem je riješen standardizacijom uvjeta gledanja (zatvoreni ormarić, stalno LED osvjetljenje). Pouka: postavljanje slike jednako je o kvaliteti kao i o modelu.
Slučaj 3 — Vrijeme i rad. Tvrtka je u prosjeku provela 9 minuta ručno pregledavajući 100 metara tkanine. S modelom prethodnog skeniranja kamerom + potvrda operatera, vrijeme je smanjeno na 4 minute, a curenje je smanjeno jer je operater obraćao pažnju samo na označena područja. Ono što je bilo kritično je da automatizacija nije izoštrila operatera, već oko operatera.
Slab upit / Jak upit
Napomena: Namjenski sustavi koji izravno analiziraju sliku oštećenja su odvojeni; ovdje koristimo AI za dizajn procesa, evaluaciju podataka i izvješće.
Slab upit:
Recite mi, je li naš model otkrivanja kvarova dobar?
Snažan upit:
Vaša uloga: Inženjer za kvalitetu tekstila i analitičar podataka. Ispod su rezultati testa modela otkrivanja nedostataka (matrica zabune: istinito pozitivno, lažno pozitivno, lažno negativno, stvarno negativno). Zadatak: 1) Izračunajte osjetljivost i preciznost za klasu nedostataka, pokažite formulu. 2) Objasnite ovim brojevima zašto ukupna točnost može dovesti u zabludu. 3) Komentirajte poslovni utjecaj rizika lažnog negativi u ovoj proizvodnji. 4) Dajte konkretne prijedloge za postavljanje praga i ljudsku inspekciju. Brojevi: [matrica]
Predlošci koji se mogu kopirati
1) Metrički izračun i tumačenje:
Izračunajte osjetljivost, preciznost i rezultat F1 iz sljedeće matrice zabune, napišite svaku formulu i opravdajte koja je kritičnija u smislu kvalitete. Matrica: [TP, FP, FN, TN]
2) Lažno negativan glavni uzrok:
Ispod je popis značajki propuštenih (lažno negativnih) defekata (vrsta defekta, boja, svjetlo, brzina). Generirajte zajedničke hipoteze i predložite probu provjere za svaku hipotezu. Podaci: [popis]
3) Pretvorba u bodove od 4 boda:
Pretvorite sljedeći rezultat detekcije u sustav od 4 točke: ocijenite svaki nedostatak prema njegovoj duljini, izračunajte ukupni rezultat na 100 m², usporedite s [pragom] rezultatom i preporučite prihvaćanje/odbijanje. Popis nedostataka: [popis]
4) Nacrt izvješća o inspekcijskom pregledu:
Izvedite izvršni sažetak iz sljedećih podataka o nedostacima u smjenama: prva 3 nedostatka, mogući izvor procesa (hipoteza), ukupna stopa odbijanja i preporučene radnje. Nemojte izmišljati brojke, samo koristite ono što vam je dano. Podaci: [tablica]
Tablica usporedbe mjernih podataka
kriterij
Koje mjere
Je li dobro biti napušen?
Važnost u kvaliteti
Točnost
Općenito točna stopa
Može dovesti u zabludu
Malo neuravnoteženih podataka
Osjetljivost (prisjećanje)
Uhvaćena stvarna stopa kvarova
da
Ispušta lažno negativno (kritično)
Preciznost
Istina onoga što govoriš je mana
da
Smanjuje lažno pozitivne rezultate/otpad
lažno negativan
izbjegnuti kvar
Ne, trebalo bi biti nisko
Rizik robe s greškom za kupca
lažno pozitivan
prazan alarm
Ne, ali se tolerira
Gubitak učinkovitosti/brzine
Pažnja: automatizirani sustav je "pre-screener", a ne "approver". Konačna odluka o prihvaćanju kvalitete zahtijeva odobrenje nadležnog službenika za kvalitetu, posebno za serije koje su predmet ugovora s kupcem. Model ubrzava ljudsku kontrolu, ali je ne izuzima.
Uobičajene greške
- Gledati pravednost i biti zadovoljan. Visoka preciznost skriva artefakte u neuravnoteženim podacima.
- Zanemarivanje uvjeta gledanja. Bez stalnog osvjetljenja i konstantne brzine model je nepouzdan.
- Ne provjerava se kvaliteta naljepnice. Model obučen s krivom oznakom netočno uči.
- Zaboravljanje nove vrste kvara. Ako se podaci ne ažuriraju za nove nedostatke koji se pojavljuju tijekom vremena, performanse će tiho degradirati.
- Izbacivanje ljudi. Kritična odluka o prihvaćanju zahtijeva ljudsko odobrenje.
Ukratko
Obrada slike uvelike ubrzava pregled tkanine i kompenzira ljudski umor. Ali njegova se izvedba ne čita s točnošću, već s osjetljivošću i preciznošću klase nedostataka; Lažno negativno je najopasnija pogreška u kvaliteti. Stabilni uvjeti snimanja, oznaka kvalitete i ljudska inspekcija tri su stupa pouzdanosti sustava. Automatski izlaz je preliminarni pregled; Konačna odluka o prihvaćanju ostaje uz odobrenje inženjera.
Zadatak aplikacije
Definirajte primjer matrice zabune za sustav za otkrivanje nedostataka (npr. 100 neispravnih, 4900 savršenih uzoraka). Neka se osjetljivost, preciznost i F1 izračunaju pomoću predloška "metrički izračun" u ovoj jedinici; zatim ručno provjerite rezultate. Raspravite u odlomku što se događa s lažno pozitivnim rezultatima kada promijenite prag da biste prepolovili lažno negativne rezultate u istoj matrici i odlučite koja je ravnoteža prava za vaš proizvod.
popis za provjeru
- [ ] Učinkovitost procjenjujem prema osjetljivosti/preciznosti, a ne prema točnosti.
- [ ] Tumačim rizik lažno negativnih rezultata zajedno s utjecajem na poslovanje.
- [ ] Standardizirao sam uvjete gledanja (svjetlo, brzina).
- [ ] Redovito provjeravam kvalitetu naljepnica i nove vrste grešaka.
- [ ] Dajem ljudsko odobrenje konačnoj odluci o prihvaćanju; Model je samo predprosijavač.