Keuntungan:
- Kemampuan untuk menjelaskan bagaimana cacat pada permukaan kain dideteksi dan diklasifikasikan melalui pemrosesan gambar dan pembelajaran mesin.
- Kemampuan untuk menafsirkan keseimbangan positif/negatif palsu, sistem penilaian 4 poin, dan memodelkan metrik kinerja
- Kemampuan untuk merancang pengaturan verifikasi yang menguji keluaran deteksi cacat otomatis dengan inspeksi manusia dan inspeksi fisik
Selama bertahun-tahun, pengendalian kualitas kain bergantung pada mata manusia: seorang operator mengawasi kain selama berjam-jam di meja inspeksi yang menyala, menandai dan menilai setiap cacat yang dilihatnya. Pekerjaan ini melelahkan, subyektif, dan rentan terhadap kelelahan dan kesalahan; Perhatian tidak setajam di akhir shift dibandingkan di awal. Visi komputer dan pembelajaran mesin menjanjikan otomatisasi pemeriksaan ini: kamera berkecepatan tinggi memindai kain, mendeteksi dan mengklasifikasikan pola cacat dalam hitungan detik. Pada unit ini, kita akan membahas cara kerja sistem ini, kriteria evaluasinya, dan mengapa pengendalian manusia masih sangat diperlukan.
Cacat Kain dan Bahasa Inspeksi
Untuk memahami deteksi otomatis, pertama-tama perlu diketahui nama cacatnya. Ciri-ciri cacat pada kain tenun: putusnya lungsin (kurangnya benang memanjang), cacat pakan/antar muka (garis melintang), lubang, noda, tempat tebal/tipis, pantulan lungsin. Pada kain rajutan: bekas jarum (garis memanjang, akibat kerusakan jarum), jahitan nyasar, lubang, perbedaan ketebalan. Dalam pencetakan dan pencelupan : perbedaan warna, abrasi (ketidakteraturan pencelupan), selip, cipratan.
Hasil inspeksi sering kali diberi skor menggunakan sistem empat poin: setiap cacat diberi 1-4 poin sesuai dengan panjang memanjangnya (misalnya 1 poin hingga 8 cm, 4 poin untuk 15 cm) dan skor total per 100 m² dihitung. Di bawah ambang batas (misalnya 40 poin/100 m²) dianggap "penerimaan", di atas dianggap "penolakan". Penilaian otomatis dengan AI harus meniru standar ini; Ia tidak boleh menghasilkan skor sembarangan.
Tip: Output dari sistem otomatis harus selalu dapat dikonversi ke standar penilaian yang Anda terima (seperti 4 poin) dan toleransi klien. “Model menemukan 12 anomali” saja tidak membuat keputusan bisnis; Itu harus diubah menjadi poin dan keputusan.
Bagaimana Cara Kerja Deteksi Cacat Otomatis?
Sistem modern sering kali menggabungkan kedua pendekatan tersebut. Klasifikasi yang diawasi adalah ketika jaringan saraf tiruan (terutama jaringan saraf konvolusional yang sesuai gambar, CNN Inggris) yang dilatih dengan ribuan contoh cacat yang diberi label sebelumnya memprediksi apakah ada cacat pada gambar baru dan jenisnya. Deteksi anomali, di sisi lain, mempelajari struktur "normal" dan menandai segala sesuatu yang menyimpang dari normal sebagai kandidat cacat; Ini berfungsi untuk cacat yang langka dan belum pernah terlihat sebelumnya karena tidak perlu memberi label pada setiap jenis cacat terlebih dahulu.
Kami membaca kinerja sistem dengan dua kriteria dasar. Sensitivitas (ingat): berapa persentase cacat nyata yang terdeteksi? Presisi: Berapa persentase dari apa yang mereka katakan sebagai cacat ternyata merupakan cacat? Ada keseimbangan antara keduanya. Negatif palsu (tidak ada cacat) berarti barang rusak dikirimkan ke pelanggan; Positif palsu (menandai yang sempurna sebagai cacat) berarti pemborosan dan perlambatan yang tidak perlu. Dalam penerapan yang kritis terhadap kualitas, ambang batas umumnya dipilih untuk menjaga agar negatif palsu tetap rendah, sementara peningkatan positif palsu menjalani pemeriksaan kedua secara cepat oleh operator manusia.
Ada jebakan penting di sini: akurasi saja sudah menyesatkan. Di lini produksi, mungkin 2% kainnya rusak. Model bodoh yang menyebut segala sesuatunya "sempurna" melaporkan akurasi 98% tetapi tidak menemukan satu kekurangan pun. Oleh karena itu, pada data yang tidak seimbang, bukan sensitivitas dan presisi kelas cacat yang dipertimbangkan, melainkan akurasinya.
Langkah demi Langkah: Mengevaluasi Sistem Deteksi
- Kumpulkan data yang representatif. Gambar yang mencakup variasi kain sebenarnya (warna, tekstur, pencahayaan) yang akan dilihat sistem; Termasuk cacat langka.
- Periksa kualitas label. Jika label pelatihannya salah, modelnya juga salah belajar; Cicipi labelnya dengan pandangan ahli.
- Ukur sensitivitas/presisi. Secara terpisah untuk kelas cacat; Jangan hanya melihat keakuratan secara umum.
- Periksa negatif palsu. Apakah cacat yang terlewatkan memiliki ciri umum (warna tertentu, cahaya tertentu)?
- Siapkan manusia dalam lingkaran. Biarkan operator mengkonfirmasi apa yang telah ditandai oleh model; mengarahkan ketidakpastian kepada orang-orang.
- Pantau dan latih kembali. Perbarui kumpulan data saat jenis cacat baru muncul (penyimpangan konsep).
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Akurasi yang menyesatkan. Pemasok menjual sistem yang mengatakan "model kami 97% akurat". Pengembalian pelanggan meningkat di lapangan. Analisis menunjukkan sensitivitas kelas cacat hanya 61%, artinya 39 dari setiap 100 cacat sebenarnya terlewatkan. Akurasinya tinggi karena sebagian besar kainnya sudah tanpa cacat. Ambang batas disesuaikan kembali dan kontrol manusia ditambahkan; sensitivitas meningkat menjadi 92%, positif palsu dihilangkan oleh operator.
Kasus 2 — Pergeseran pencahayaan. Dalam satu baris, hasil positif palsu meningkat tiga kali lipat ketika sinar matahari sore menyinari area inspeksi; Model itu mengira bayangan itu adalah noda. Masalah ini terpecahkan ketika kondisi tampilan (kabinet tertutup, pencahayaan LED konstan) distandarisasi. Pelajaran: pengaturan pencitraan sama pentingnya dengan kualitas dan model.
Kasus 3 — Waktu dan tenaga. Sebuah bisnis menghabiskan rata-rata 9 menit untuk memeriksa 100 meter kain secara manual. Dengan model pra-pemindaian kamera + konfirmasi operator, waktu dikurangi menjadi 4 menit dan kebocoran berkurang karena operator hanya memperhatikan area yang ditandai. Yang penting adalah otomatisasi tidak mempertajam operator, namun mempertajam mata operator.
Prompt Lemah / Prompt Kuat
Catatan: Sistem khusus yang secara langsung menganalisis gambar cacat bersifat terpisah; di sini kami menggunakan AI untuk desain proses, evaluasi data, dan laporan.
Perintah yang lemah:
Katakan padaku, apakah model deteksi cacat kita bagus?
Perintah yang kuat:
Peran Anda: Insinyur kualitas tekstil dan analis data.Di bawah ini adalah hasil pengujian model deteksi cacat (matriks kebingungan: positif benar, positif palsu, negatif palsu, negatif benar).Tugas:1) Hitung sensitivitas dan presisi untuk kelas cacat, tunjukkan rumusnya.2) Jelaskan dengan angka-angka ini mengapa akurasi keseluruhan bisa menyesatkan.3) Beri komentar tentang dampak bisnis dari risiko negatif palsu dalam produksi ini.4) Berikan saran konkrit untuk pengaturan ambang batas dan inspeksi manusia.Nomor: [matriks]
Templat yang Dapat Disalin
1) Perhitungan dan interpretasi metrik:
Hitung sensitivitas, presisi, dan skor F1 dari matriks konfusi berikut, tulis setiap rumus dan jelaskan mana yang lebih penting dalam hal kualitas. Matriks: [TP, FP, FN, TN]
2) Akar penyebab negatif palsu:
Di bawah ini adalah daftar fitur cacat yang terlewat (negatif palsu) (jenis cacat, warna, cahaya, kecepatan). Hasilkan hipotesis pola umum dan ajukan uji coba verifikasi untuk setiap hipotesis. Data: [daftar]
3) Konversi ke poin 4 poin:
Ubah keluaran deteksi berikut menjadi sistem 4 poin: beri skor pada setiap cacat berdasarkan panjangnya, hitung total skor per 100 m², bandingkan dengan skor [ambang batas] dan rekomendasikan penerimaan/penolakan. Daftar cacat: [daftar]
4) Draf laporan inspeksi:
Dapatkan ringkasan eksekutif dari data cacat shift berikut: 3 cacat teratas, kemungkinan sumber proses (hipotesis), tingkat penolakan total, dan tindakan yang direkomendasikan. Jangan mengarang angka, gunakan saja apa yang diberikan. Data: [tabel]
Bagan Perbandingan Metrik
kriteria
Tindakan apa
Apakah bagus menjadi tinggi?
Pentingnya kualitas
Akurasi
Nilai keseluruhan benar
Bisa menyesatkan
Rendah pada data yang tidak seimbang
Sensitivitas (ingat)
Tingkat kerusakan sebenarnya tertangkap
Ya
Menjatuhkan negatif palsu (kritis)
Presisi
Kebenaran dari apa yang Anda katakan adalah sebuah kelemahan
Ya
Mengurangi positif palsu/pemborosan
negatif palsu
lolos dari cacat
Tidak, itu harusnya rendah
Resiko cacat barang pada pelanggan
positif palsu
alarm kosong
Tidak, tapi itu ditoleransi
Hilangnya efisiensi/kecepatan
Perhatian: Sistem otomatis adalah "penyaring awal", bukan "pemberi persetujuan". Keputusan penerimaan mutu akhir memerlukan persetujuan petugas mutu yang kompeten, terutama untuk bets yang tunduk pada kontrak pelanggan. Model ini mempercepat kendali manusia, namun tidak mengecualikannya.
Kesalahan umum
- Untuk melihat kebenaran dan merasa puas. Akurasi tinggi menyembunyikan artefak dalam data yang tidak seimbang.
- Mengabaikan kondisi tampilan. Tanpa penerangan konstan dan kecepatan konstan, model tidak dapat diandalkan.
- Tidak memeriksa kualitas label. Model yang dilatih dengan label yang salah akan belajar secara tidak benar.
- Melupakan jenis cacat baru. Jika data tidak diperbarui untuk kerusakan baru yang muncul seiring berjalannya waktu, kinerja akan menurun secara diam-diam.
- Memotong orang. Keputusan penerimaan yang kritis memerlukan persetujuan manusia.
Singkatnya
Pemrosesan gambar sangat mempercepat pemeriksaan kain dan mengimbangi kelelahan manusia. Namun performanya dibaca bukan dengan akurasi, melainkan dengan sensitivitas dan presisi kelas cacat; Negatif palsu adalah kesalahan kualitas yang paling berbahaya. Kondisi pencitraan yang stabil, label kualitas, dan inspeksi human-in-the-loop adalah tiga pilar keandalan sistem. Keluaran otomatis adalah penyaringan awal; Keputusan penerimaan akhir tetap pada persetujuan insinyur.
Tugas aplikasi
Tentukan contoh matriks konfusi untuk sistem deteksi cacat (misalnya 100 sampel cacat, 4900 sampel sempurna). Memiliki sensitivitas, presisi dan F1 yang dihitung dengan template "perhitungan metrik" di unit ini; lalu periksa hasilnya secara manual. Diskusikan dalam paragraf apa yang terjadi pada positif palsu ketika Anda mengubah ambang batas menjadi separuh negatif palsu dalam matriks yang sama, dan putuskan saldo mana yang tepat untuk produk Anda.
daftar periksa
- [ ] Saya mengevaluasi kinerja berdasarkan sensitivitas/presisi, bukan akurasi.
- [ ] Saya menafsirkan risiko negatif palsu beserta dampak bisnisnya.
- [ ] Saya membakukan kondisi tampilan (cahaya, kecepatan).
- [ ] Saya secara rutin memeriksa kualitas label dan jenis cacat baru.
- [ ] Saya memberikan persetujuan manusia pada keputusan penerimaan akhir; Modelnya hanya pra-ayak saja.