Kontrol Kualitas Lini Produksi: Deteksi Cacat Visual — Kecerdasan Buatan dalam Teknik Otomotif

Keuntungan:

Memahami alur kerja deteksi cacat permukaan, pengelasan dan perakitan di lini produksi otomotif dengan visi mesin
Kemampuan untuk menggunakan kecerdasan buatan secara terstruktur dalam membuat kumpulan data gambar, pelabelan, pelatihan model, dan penentuan ambang batas
Kemampuan untuk memverifikasi keputusan berkualitas dengan mempertimbangkan tingkat pelepasan dan penolakan palsu, kecepatan jalur, dan kepercayaan operator

Sebuah mobil terdiri dari ribuan bagian, dan masing-masing bagian melewati garis dalam hitungan detik. Sungguh melelahkan dan tidak konsisten untuk memeriksa setiap pengelasan, setiap permukaan cat, setiap perakitan tanpa kesalahan apa pun dengan mata manusia; mata lelah, perhatian teralihkan. Di sinilah visi mesin dan kecerdasan buatan berperan: kamera menggambarkan bagian-bagiannya, model AI menandai kerusakan dalam waktu kurang dari satu detik. Pada unit ini, kita akan membahas bagaimana kontrol kualitas gambar diterapkan dalam produksi otomotif, peran AI, dan masalah paling kritis, keseimbangan kesalahan.

Cacat visual yang umum terjadi pada otomotif

Jenis cacat utama yang diperiksa secara visual:

Cacat permukaan/cat: kulit jeruk (cat kasar), gelembung debu, luntur, tergores, perbedaan warna.
Cacat las: las tidak lengkap, percikan, porositas, posisi las yang salah.
Cacat perakitan: baut hilang, klip tidak dipasang dengan benar, segel terbalik, konektor longgar.
Label/tanda: VIN tidak terbaca, label salah, stempel hilang.

Beberapa dari cacat ini hanya sekedar estetika (goresan kecil), sementara yang lain sangat penting bagi keselamatan (pengelasan yang tidak lengkap dapat menyebabkan retak lelah pada sambungan tubuh). Perbedaan ini menentukan semua keputusan selanjutnya.

Tip: Jangan menganggap setiap kekurangan dengan keseriusan yang sama. Menambahkan tag "estetika/fungsional/kritis terhadap keselamatan" saat mengklasifikasikan cacat adalah kunci untuk mendapatkan ambang batas dan logika keputusan yang tepat.

Dua pendekatan dasar: klasifikasi terawasi dan deteksi anomali

Ada dua strategi utama untuk mendeteksi cacat penglihatan:

Klasifikasi/deteksi yang diawasi: Anda mengajarkan model dengan menunjukkan banyak gambar berlabel yang mengatakan "ini contoh yang rusak, ini contoh sempurna". Ini berguna jika Anda mengetahui jenis cacat dan memiliki cukup contoh. Tantangan: sulit untuk mengumpulkan sampel cacat yang langka dalam jumlah yang cukup (sebuah garis hampir selalu menghasilkan komponen padat).
Deteksi anomali: Anda hanya menampilkan gambar "normal/kuat" ke model; model mempelajari seperti apa keadaan normal dan menandai segala sesuatu yang menyimpang dari normal sebagai “anomali”. Ini dapat menangkap cacat baru/tidak terduga meskipun Anda tidak mengetahui jenis cacat sebelumnya. Kesulitan: mungkin salah mengira penyimpangan apa pun sebagai suatu kesalahan (misalnya perubahan pencahayaan).

Dalam praktiknya, keduanya digunakan bersamaan: deteksi anomali mengatakan "ada sesuatu yang aneh di sini", klasifikasi mengatakan "ini adalah sumber daya yang memantul".

Langkah demi langkah: menyiapkan sistem inspeksi visual

Katalog cacat dan kriteria penerimaan: Tentukan bersama teknisi kualitas cacat mana yang diterima/ditolak. Inilah "kebenaran" model tersebut.
Akuisisi gambar: Pencahayaan dan posisi kamera yang konstan dan konsisten sangat penting. Pencahayaan yang buruk/tidak stabil adalah penyebab kegagalan yang paling umum.
Pelabelan: Para ahli menandai cacat; Panduan pelabelan sangat penting untuk konsistensi.
Pelatihan model: Model yang diawasi dan/atau anomali dilatih.
Thresholding: Model memberikan “probabilitas cacat”; Ini adalah ambang batas di atas kemungkinan yang akan Anda anggap sebagai "penolakan". Ini adalah keputusan bisnis yang paling penting (di bawah).
Integrasi jalur: Model mengambil keputusan, bagian yang mencurigakan diarahkan ke operator/stasiun.
Pemantauan dan pelatihan ulang: Model diperbarui seiring dengan tersedianya jenis cacat baru, perubahan musim, dan suku cadang baru.

Masalah paling kritis: keseimbangan antara kebocoran dan penolakan palsu

Ada dua kesalahan dalam deteksi cacat dan biayanya sangat berbeda dalam otomotif:

Kebocoran (escape / false negative): Bagian yang cacat dianggap "baik" dan melewati garis. Dalam hal keselamatan, ini berarti kendaraan cacat yang masuk ke lapangan, keluhan pelanggan, atau bahkan penarikan kembali. Kesalahan yang paling mahal.
Penolakan palsu (penolakan palsu / positif palsu): Bagian yang utuh dianggap "cacat" dan ditolak. Ini berarti pemborosan, pengerjaan ulang yang tidak perlu, perlambatan jalur; Memang menyakitkan, tapi tidak menimbulkan risiko keselamatan.

ambang batas keputusan

buronan

penolakan palsu

Kapan?

Longgar (ambang batas tinggi)

Meningkat (berbahaya)

berkurang

Tidak pernah berada di jalur keamanan

Ketat (ambang batas rendah)

berkurang

Meningkat (mahal)

Pada bagian-bagian yang penting bagi keselamatan

seimbang

sedang

Dalam cacat estetika

Perhatian: Pada bagian yang kritis terhadap keselamatan (rem, kemudi, las bodi), ambang jendela selalu dijaga rapat untuk meminimalkan kebocoran; Potongan yang mencurigakan diarahkan ke manusia. Melonggarkan ambang batas karena "penolakan palsu itu mahal" tidak dapat diterima dalam bidang keamanan.

Pembagian kerja manusia-mesin

Dalam sistem yang sudah mapan, model bukanlah pengambil keputusan akhir; Ini adalah "penyaringan awal". Model tersebut menangkap kekurangan yang jelas dan mengirimkan kembali kepada manusia apa yang mereka tidak yakin. Hal ini memungkinkan operator untuk fokus pada 30 bagian yang mencurigakan daripada melihat 1.000 bagian. Kepercayaan diri operator juga penting: jika model menghasilkan terlalu banyak alarm palsu, operator tidak lagi menganggap serius peringatan tersebut (“kelelahan alarm”). Itu sebabnya tingkat penolakan palsu juga dipantau.

Studi kasus kecil

Kasus 1 - Perangkap penerangan. Meskipun model inspeksi cat 98% berhasil di laboratorium, bahkan turun hingga 80%. Ulasan: pencahayaan langit-langit pada saluran berubah pada siang hari, model menganggap perbedaan kecerahan sebagai "cacat". Ketika pencahayaan terowongan tetap ditambahkan, keberhasilan meningkat menjadi 97%. Kesimpulan: Kualitas gambar bisa lebih menentukan dibandingkan model.

Kasus 2 - Biaya kebocoran. Dalam inspeksi las lambung, ambang batasnya sedikit dilonggarkan "untuk efisiensi"; Penolakan palsu turun dari 6% menjadi 3%, namun sebulan kemudian, retakan las dilaporkan terjadi pada dua kendaraan di lapangan. Analisis akar penyebab menunjukkan bahwa tingkat kebocoran meningkat. Ambang batas diperketat lagi dan bagian-bagian yang mencurigakan berada di bawah kendali manusia 100%. Kesimpulan: Mengurangi kebocoran pada bagian keselamatan selalu diutamakan dibandingkan penolakan palsu.

Kasus 3 - Cacat langka. Kadang-kadang cacat duri yang sangat kecil muncul dari cetakan injeksi baru, tetapi hampir tidak ada contoh cacat ini dalam pelatihan model yang diawasi, sehingga cacat tersebut terlewatkan. Ketika model deteksi anomali diaktifkan, model tersebut mendeteksinya sebagai "penyimpangan dari normal". Kesimpulan: Deteksi anomali untuk cacat langka/baru melengkapi model yang diawasi.

templat cepat

Templat 1 - Katalog cacat dan klasifikasi tingkat keparahan:

Peran: Anda adalah seorang insinyur kualitas otomotif. Tugas: Urutkan daftar kerusakan berikut ke dalam kelas tingkat keparahan. Konteks: Garis las badan; cacat: percikan, pori-pori, titik hilang, sedikit perbedaan warna, goresan permukaan. Kendala: Labeli setiap cacat sebagai estetika/fungsional/kritis keselamatan dan saran keputusan (penerimaan/pemeriksaan/penolakan manusia).Keluaran: Cacat | pentingnya | usulan keputusan | tabel pembenaran.

Templat 2 - Panduan pelabelan:

Peran: Timbal berkualitas pelabelan gambar. Tugas: Menulis aturan konsistensi untuk pelabelan cacat cat. Konteks: Kulit jeruk, lari, gelembung debu; Ada gambar yang diambil dalam pencahayaan berbeda. Keluaran: Aturan | contoh | batas negara | catatan penanda.

Templat 3 - Menafsirkan keputusan ambang batas/metrik:

Peran: Evaluator visi mesin.Tugas: Menafsirkan tabel ambang batas keputusan berikut.Konteks: Sumber daya penting bagi keamanan; pada ambang batas A, kebocoran 0,3%, penolakan palsu 5%; kebocoran pada ambang batas B 1,2% penolakan salah 2%.Kendala: Perhatikan prioritas keamanan; Jelaskan ambang batas mana yang Anda rekomendasikan dan alasannya, serta tambahkan langkah kontrol manusia. Output: Rekomendasi + pembenaran + risiko yang tersisa.

Templat 4 - Analisis akar permasalahan:

Peran: Anda adalah seorang insinyur kualitas. Tugas: Membuat daftar kemungkinan penyebab utama cacat percikan yang meningkat selama 3 shift terakhir. Konteks: Pengelasan titik robotik; Penggantian elektroda dilakukan 2 hari yang lalu; pengaturan saat ini diperbaiki. Keluaran: Kemungkinan penyebab | pemeriksaan validasi | prioritas.

Perintah lemah / Perintah kuat

Perintah yang lemah:

Buatlah model yang menemukan bagian yang rusak.

Tidak jelas apa kekurangannya, apa pentingnya, apa ambang batasnya, apa keputusannya; Hasilnya tidak ada gunanya.

Perintah yang kuat:

Peran: Anda adalah insinyur kualitas otomotif dan visi mesin. Tugas: Membuat daftar periksa desain untuk sistem visi las badan. Konteks: Pengelasan titik yang kritis terhadap keselamatan; kecepatan jalur tinggi; Ada cacat yang jarang terjadi; variabel iluminasi. Kendala: Prioritaskan meminimalkan kebocoran; menentukan cara menggabungkan deteksi anomali dengan klasifikasi yang diawasi dan langkah pengendalian manusia; menjamin 'kesalahan nol'. Output: Tahap | saran | risiko | tabel verifikasi.

Kesalahan umum

Mengabaikan pencahayaan/kualitas gambar. Citra buruk merusak model terbaik sekalipun.
Menganggap kebocoran dan penolakan palsu sama saja. Kebocoran pada komponen keselamatan otomotif jauh lebih merugikan.
Hanya mengandalkan model yang diawasi untuk cacat yang jarang terjadi. Deteksi anomali bersifat saling melengkapi.
Menjadikan model sebagai pengambil keputusan akhir. Bagian yang mencurigakan harus diarahkan ke manusia.
Lupa pelatihan ulang. Suku cadang baru, cetakan baru, dan perubahan musim membuat model menjadi tua.

Singkatnya

Visi mesin dan AI dengan cepat dan konsisten memeriksa cacat permukaan, pengelasan, dan perakitan di lini otomotif.
Klasifikasi yang diawasi kuat pada cacat yang diketahui, deteksi anomali kuat pada cacat langka/baru; keduanya digunakan bersama-sama.
Keputusan yang paling penting adalah ambang batasnya: kebocoran (negatif palsu) diminimalkan di bagian yang kritis terhadap keselamatan, bagian yang mencurigakan berpindah ke manusia.
Kualitas gambar dan pencahayaan seringkali lebih menentukan dibandingkan modelnya.
Modelnya adalah pra-ayakan; Keputusan akhir mengenai kualitas dan tanggung jawab keselamatan berada di tangan manusia.

Tugas aplikasi

Pilih bagian/stasiun (misalnya rakitan bemper depan). (1) Buat daftar kemungkinan cacat dan beri label setiap cacat tersebut sebagai estetika/fungsional/kritis terhadap keselamatan. (2) Dengan Templat 3, bandingkan dua opsi ambang batas untuk kebocoran/penolakan palsu dan berikan justifikasi terhadap rekomendasinya. (3) Jelaskan apakah Anda akan menggunakan deteksi yang diawasi atau deteksi anomali untuk cacat yang jarang terjadi. (4) Tentukan langkah pengendalian manusia dan pemicu pelatihan ulang.

daftar periksa

[ ] Saya membagi cacat ke dalam kelas tingkat keparahan (estetika/fungsional/kritis keselamatan).
[ ] Saya mengevaluasi keseimbangan antara penolakan ilegal dan penolakan palsu dalam keputusan ambang batas.
[ ] Saya memprioritaskan kebocoran pada bagian yang penting bagi keamanan.
[ ] Saya menempatkan pendekatan yang diawasi dan anomali di tempat yang tepat.
[ ] Saya telah menentukan kualitas gambar/persyaratan pencahayaan.
[ ] Saya mendefinisikan langkah pengendalian manusia dan rencana pelatihan ulang.