Guadagni:
- Capacità di spiegare come vengono rilevati e classificati i difetti sulla superficie del tessuto mediante l'elaborazione delle immagini e l'apprendimento automatico.
- Capacità di interpretare il saldo falsi positivi/negativi, il sistema di punteggio a 4 punti e le metriche delle prestazioni del modello
- Capacità di progettare una configurazione di verifica che testa l'output del rilevamento automatico dei difetti con ispezione umana e fisica
Per molti anni, il controllo qualità dei tessuti si è affidato all'occhio umano: un operatore osserva il tessuto per ore su un tavolo di ispezione illuminato, contrassegnando e segnando eventuali difetti che vede. Questo lavoro è faticoso, soggettivo e soggetto alla fatica e all'errore; Alla fine di un turno l’attenzione non è così acuta come lo è all’inizio. La visione artificiale e l’apprendimento automatico promettono di automatizzare questa ispezione: una telecamera ad alta velocità scansiona il tessuto, rilevando e classificando uno schema di difetti in pochi secondi. In questa unità discuteremo come funziona questo sistema, i criteri con cui viene valutato e perché il controllo umano è ancora indispensabile.
Difetti dei tessuti e linguaggio di ispezione
Per comprendere il rilevamento automatico è necessario innanzitutto conoscere il nome dei difetti. Difetti tipici del tessuto: rottura dell'ordito (mancanza di filo longitudinale), difetto/interfacciamento della trama (linea trasversale), buco, macchia, punto spesso/sottile, rimbalzo dell'ordito. Nel tessuto a maglia: segno dell'ago (linea longitudinale, dovuta a un malfunzionamento dell'ago), punto smarrito, buco, differenza di spessore. Nella stampa e nella tintura: differenza di colore, abrage (irregolarità di tintura), slittamento, schizzi.
I risultati delle ispezioni vengono spesso valutati utilizzando un sistema a quattro punti: a ciascun difetto vengono assegnati 1-4 punti in base alla sua lunghezza longitudinale (ad esempio 1 punto fino a 8 cm, 4 punti oltre 15 cm) e viene calcolato il punteggio totale per 100 m². Al di sotto di una soglia (es. 40 punti/100 m²) si considera "accettazione", al di sopra si considera "rifiuto". Il punteggio automatizzato con l’intelligenza artificiale dovrebbe emulare questo standard; Non dovrebbe produrre un proprio punteggio arbitrario.
Suggerimento: l'output del sistema automatizzato dovrebbe essere sempre convertibile nello standard di punteggio accettato (ad esempio 4 punti) e nella tolleranza del cliente. “Il modello ha riscontrato 12 anomalie” da solo non basta a prendere una decisione aziendale; Deve essere convertito in punti e decisioni.
Come funziona il rilevamento automatico dei difetti?
I sistemi moderni spesso combinano i due approcci. La classificazione supervisionata avviene quando una rete neurale artificiale (in particolare la rete neurale convoluzionale appropriata all'immagine, CNN inglese) addestrata con migliaia di esempi di difetti precedentemente etichettati prevede se esiste un difetto nella nuova immagine e nel suo tipo. Il rilevamento delle anomalie, d'altro canto, apprende il tessuto "normale" e contrassegna tutto ciò che si discosta dalla normalità come candidato difetto; Funziona per difetti rari e mai visti prima perché non è necessario etichettare in anticipo ciascun tipo di difetto.
Leggiamo l'andamento del sistema con due criteri fondamentali. Sensibilità (richiamo): quale percentuale di difetti reali ha rilevato? Precisione: quale percentuale di ciò che hanno detto essere un difetto era in realtà un difetto? C'è un equilibrio tra questi due. Falso negativo (mancanza del difetto) significa che la merce difettosa viene consegnata al cliente; Un falso positivo (contrassegnare il perfetto come difettoso) significa sprechi e rallentamenti inutili. Nelle applicazioni critiche per la qualità, viene generalmente scelta una soglia per mantenere bassi i falsi negativi, mentre un numero maggiore di falsi positivi viene sottoposto a un rapido secondo controllo da parte di un operatore umano.
Qui c’è una trappola critica: la sola precisione è fuorviante. Su una linea di produzione, forse il 2% del tessuto è difettoso. Un modello stupido che definisce tutto "perfetto" riporta una precisione del 98% ma non rileva un singolo difetto. Pertanto, nei dati sbilanciati, non viene considerata la sensibilità e la precisione della classe di difetto, ma l'accuratezza.
Passo dopo passo: valutazione di un sistema di rilevamento
- Raccogliere dati rappresentativi. Immagini che coprono l'effettiva varietà del tessuto (colore, trama, illuminazione) che il sistema vedrà; Inclusi rari difetti.
- Controllare la qualità dell'etichetta. Se le etichette di addestramento sono sbagliate, anche il modello impara in modo sbagliato; Assaggiate le etichette con occhio esperto.
- Misurare la sensibilità/precisione. Separatamente per la classe del difetto; Non guardare solo alla precisione generale.
- Esamina i falsi negativi. I difetti mancati hanno una caratteristica comune (un certo colore, una certa luce)?
- Configura l'intervento umano nel ciclo. Lasciare che l'operatore confermi ciò che il modello ha marcato; dirigere l'incertezza verso le persone.
- Monitorare e riqualificare. Aggiornare il set di dati man mano che emergono nuovi tipi di difetti (deriva del concetto).
Tre mini custodie: i numeri
Caso 1 – Precisione fuorviante. Un fornitore ha venduto un sistema affermando che "il nostro modello è accurato al 97%". I ritorni dei clienti sono aumentati sul campo. L'analisi ha dimostrato che la sensibilità della classe di difetti era solo del 61%, il che significa che 39 difetti reali su 100 non sono stati rilevati. La precisione era elevata perché la maggior parte del tessuto era già impeccabile. Soglia riadattata e controllo umano aggiunto; la sensibilità è aumentata al 92%, i falsi positivi sono stati eliminati dall'operatore.
Caso 2: spostamento dell'illuminazione. In una riga, i falsi positivi sono triplicati quando la luce del sole pomeridiana ha colpito l’area di ispezione; La modella pensava che le ombre fossero macchie. Il problema è stato risolto quando le condizioni di visione (armadio chiuso, illuminazione LED costante) sono state standardizzate. Lezione: l'impostazione dell'immagine riguarda tanto la qualità quanto il modello.
Caso 3 — Tempo e lavoro. Un'azienda ha impiegato in media 9 minuti per ispezionare manualmente 100 metri di tessuto. Con il modello di prescansione con telecamera + conferma da parte dell'operatore, il tempo è stato ridotto a 4 minuti e le perdite sono state ridotte perché l'operatore ha prestato attenzione solo alle aree contrassegnate. L'aspetto fondamentale è che l'automazione non ha affinato l'operatore, ma l'occhio dell'operatore.
Prompt debole / Prompt forte
Nota: i sistemi dedicati che analizzano direttamente l'immagine del difetto sono separati; qui utilizziamo l’intelligenza artificiale per la progettazione dei processi, la valutazione dei dati e il reporting.
Suggerimento debole:
Dimmi, il nostro modello di rilevamento dei difetti è buono?
Suggerimento potente:
Il tuo ruolo: Ingegnere della qualità tessile e analista di dati. Di seguito sono riportati i risultati del test del modello di rilevamento dei difetti (matrice di confusione: vero positivo, falso positivo, falso negativo, vero negativo). Compito: 1) Calcolare la sensibilità e la precisione per la classe del difetto, mostrare la formula. 2) Spiegare con questi numeri perché l'accuratezza complessiva può essere fuorviante. 3) Commentare l'impatto aziendale del rischio di falsi negativi in questa produzione. 4) Fornire suggerimenti concreti per l'impostazione della soglia e l'ispezione umana. Numeri: [matrice]
Modelli copiabili
1) Calcolo metrico e interpretazione:
Calcola la sensibilità, la precisione e il punteggio F1 dalla seguente matrice di confusione, scrivi ciascuna formula e giustifica quale è più critica in termini di qualità. Matrice: [TP, FP, FN, TN]
2) Causa principale del falso negativo:
Di seguito è riportato l'elenco delle caratteristiche dei difetti mancati (falsi negativi) (tipo di difetto, colore, luce, velocità). Generare ipotesi di modelli comuni e proporre una prova di verifica per ciascuna ipotesi. Dati: [elenco]
3) Conversione in punti da 4 punti:
Convertire il seguente risultato di rilevamento in un sistema a 4 punti: assegnare un punteggio a ciascun difetto in base alla sua lunghezza, calcolare il punteggio totale per 100 m², confrontare con il punteggio [soglia] e raccomandare l'accettazione/rifiuto. Elenco dei difetti: [elenco]
4) Bozza del rapporto di ispezione:
Ricavare un riepilogo esecutivo dai seguenti dati sui difetti del turno: i primi 3 difetti, possibile origine del processo (ipotesi), tasso di rifiuto totale e azioni consigliate. Non inventare i numeri, usa semplicemente ciò che ti viene dato. Dati: [tabella]
Grafico di confronto metrico
criterio
Quali misure
È bello essere sballati?
Importanza nella qualità
Precisione
Tasso complessivamente corretto
Può essere fuorviante
Basso su dati sbilanciati
Sensibilità (richiamo)
Tasso di difetti effettivo rilevato
Sì
Elimina i falsi negativi (critico)
Precisione
La verità di quello che dici è un difetto
Sì
Riduce i falsi positivi/sprechi
falso negativo
difetto sfuggito
No, dovrebbe essere basso
Rischio di merce difettosa per il cliente
falso positivo
allarme vuoto
No, ma è tollerato
Perdita di efficienza/velocità
Attenzione: il sistema automatizzato è un "pre-screener", non un "approvatore". La decisione finale sull'accettazione della qualità richiede l'approvazione di un responsabile della qualità competente, in particolare per i lotti soggetti al contratto del cliente. Il modello accelera il controllo umano, ma non lo esonera.
Errori comuni
- Guardare la giustizia ed essere soddisfatti. L'elevata precisione nasconde gli artefatti nei dati sbilanciati.
- Trascurare la condizione di visione. Senza illuminazione costante e velocità costante il modello è inaffidabile.
- Non controllare la qualità dell'etichetta. Il modello addestrato con l'etichetta sbagliata apprende in modo errato.
- Dimenticare il nuovo tipo di difetto. Se i dati non vengono aggiornati per i nuovi difetti che compaiono nel tempo, le prestazioni diminuiranno silenziosamente.
- Tagliare fuori le persone. La decisione critica di accettazione richiede l’approvazione umana.
In sintesi
L'elaborazione delle immagini accelera notevolmente l'ispezione dei tessuti e compensa l'affaticamento umano. Ma la sua performance non viene letta con accuratezza, ma con la sensibilità e la precisione della classe dei difetti; Il falso negativo è l’errore più pericoloso in termini di qualità. Condizioni di imaging stabili, marchio di qualità e ispezione human-in-the-loop sono i tre pilastri dell'affidabilità del sistema. L'output automatico è uno screening preliminare; La decisione finale sull'accettazione spetta all'ingegnere.
Compito dell'applicazione
Definire un esempio di matrice di confusione per un sistema di rilevamento dei difetti (ad esempio 100 campioni difettosi, 4900 perfetti). Far calcolare sensibilità, precisione e F1 con il modello "calcolo metrico" presente in questa unità; quindi controllare i risultati manualmente. Discuti in un paragrafo cosa succede ai falsi positivi quando modifichi la soglia per dimezzare i falsi negativi nella stessa matrice e decidi quale equilibrio è giusto per il tuo prodotto.
lista di controllo
- [ ] Valuto le prestazioni in base alla sensibilità/precisione, non all'accuratezza.
- [ ] Interpreto il rischio di falsi negativi insieme all'impatto sul business.
- [ ] Ho standardizzato le condizioni di visione (luce, velocità).
- [ ] Controllo regolarmente la qualità delle etichette e i nuovi tipi di difetti.
- [ ] Metto l'approvazione umana sulla decisione finale di accettazione; Il modello è solo pre-setaccio.