Controllo qualità della linea di produzione: rilevamento dei difetti visivi — L'intelligenza artificiale nell'ingegneria automobilistica

Guadagni:

Comprendere il flusso di lavoro del rilevamento dei difetti di superficie, saldatura e assemblaggio nella linea di produzione automobilistica con la visione artificiale
Capacità di utilizzare l'intelligenza artificiale in modo strutturato per stabilire un set di dati di immagini, etichettatura, addestramento del modello e determinazione della soglia
Capacità di verificare la decisione sulla qualità tenendo conto del tasso di fuga e di falsi rifiuti, della velocità della linea e della fiducia dell'operatore

Un'auto è composta da migliaia di parti e ognuna attraversa la linea in pochi secondi. È faticoso e inconsistente ispezionare ogni saldatura, ogni superficie verniciata, ogni assemblaggio senza errori con l'occhio umano; gli occhi si stancano, l'attenzione è distratta. È qui che entrano in gioco la visione artificiale e l’intelligenza artificiale: le telecamere riprendono le parti, un modello AI segnala il difetto in meno di un secondo. In questa unità discuteremo di come viene stabilito il controllo della qualità dell'immagine nella produzione automobilistica, del ruolo dell'intelligenza artificiale e della questione più critica, il bilanciamento degli errori.

Difetti visivi tipici nel settore automobilistico

I principali tipi di difetti ispezionati visivamente:

Difetti della superficie/vernice: buccia d'arancia (vernice ruvida), bolle di polvere, sanguinamento, graffi, differenza di colore.
Difetti di saldatura: saldatura incompleta, spruzzi, porosità, punti di saldatura posizionati in modo errato.
Difetti di montaggio: bullone mancante, clip installata in modo errato, guarnizione invertita, connettore allentato.
Etichetta/marchio: VIN illeggibile, etichetta errata, timbro mancante.

Alcuni di questi difetti sono puramente estetici (piccoli graffi), mentre altri sono critici per la sicurezza (una saldatura incompleta può causare una rottura da fatica in una giunzione della carrozzeria). Questa distinzione determina tutte le decisioni successive.

Suggerimento: non trattare ogni difetto con la stessa serietà. Aggiungere il tag "estetico/funzionale/critico per la sicurezza" quando si classifica un difetto è fondamentale per ottenere la soglia e la logica decisionale corrette.

Due approcci fondamentali: classificazione supervisionata e rilevamento delle anomalie

Esistono due strategie principali per il rilevamento dei difetti visivi:

Classificazione/rilevamento supervisionato: insegni al modello mostrandogli molte immagini etichettate che dicono "ecco esempi difettosi, ecco esempi perfetti". È potente se conosci i tipi di difetti e hai abbastanza esempi. La sfida: è difficile raccogliere campioni sufficienti di difetti rari (una linea produce quasi sempre parti solide).
Rilevamento anomalie: mostri al modello solo immagini "normali/robuste"; il modello apprende che aspetto ha la normalità e contrassegna tutto ciò che si discosta dalla normalità come una “anomalia”. Può rilevare difetti nuovi/inaspettati anche se non si conosce in anticipo il tipo di difetto. Difficoltà: può confondere qualsiasi deviazione come un difetto (come un cambiamento nell'illuminazione).

In pratica, i due vengono usati insieme: il rilevamento delle anomalie dice "c'è qualcosa di strano qui", la classificazione dice "questo è un rimbalzo delle risorse".

Passo dopo passo: impostazione di un sistema di ispezione visiva

Catalogo dei difetti e criteri di accettazione: definire con gli ingegneri della qualità quale difetto è accettato/rifiutato. Questa è la "verità" del modello.
Acquisizione delle immagini: un'illuminazione costante e coerente e la posizione della fotocamera sono fondamentali. Un'illuminazione scarsa/instabile è la causa più comune di guasto.
Etichettatura: gli esperti segnalano i difetti; Le linee guida sull’etichettatura sono essenziali per garantire la coerenza.
Addestramento del modello: viene addestrato un modello supervisionato e/o con anomalie.
Soglia: il modello fornisce una “probabilità di difetto”; È la soglia al di sopra della quale la probabilità verrà considerata “rifiuto”. Questa è la decisione aziendale più critica (sotto).
Integrazione della linea: il modello prende la decisione, le parti sospette vengono indirizzate all'operatore/stazione.
Monitoraggio e riqualificazione: il modello viene aggiornato man mano che nuovi tipi di difetti, cambiamenti stagionali e nuove parti diventano disponibili.

La questione più critica: l’equilibrio tra perdite e falsi rifiuti

Esistono due errori nel rilevamento dei difetti e i loro costi sono molto diversi nel settore automobilistico:

Perdita (fuga/falso negativo): Il pezzo difettoso è considerato “buono” e passa attraverso la linea. Per quanto riguarda la sicurezza, ciò significa un veicolo difettoso che entra in campo, un reclamo da parte del cliente o anche un richiamo. L'errore più costoso.
Falso rifiuto (falso rifiuto/falso positivo): La parte integra viene considerata "difettosa" e rifiutata. Significa sprechi, rilavorazioni inutili, rallentamenti della linea; Fa male, ma non rappresenta un rischio per la sicurezza.

soglia decisionale

fuggitivo

falso rifiuto

Quando?

Sciolto (soglia alta)

Aumenti (pericoloso)

diminuisce

Mai sul binario della sicurezza

Rigoroso (soglia bassa)

diminuisce

Aumenti (costosi)

Su parti critiche per la sicurezza

equilibrato

medio

Nei difetti estetici

Attenzione: su una parte critica per la sicurezza (freni, sterzo, saldatura della carrozzeria) la soglia è sempre tenuta stretta per ridurre al minimo le perdite; Il pezzo sospetto è diretto all'umano. Nell'ambito della sicurezza è inaccettabile allentare la soglia perché "il falso rifiuto è costoso".

Divisione del lavoro uomo-macchina

In un sistema ben consolidato, il modello non è il decisore finale; Si tratta di un "pre-screening". Il modello rileva difetti evidenti e restituisce all'essere umano ciò di cui non è sicuro. Ciò consente all'operatore di concentrarsi su 30 parti sospette invece di esaminare 1.000 parti. Anche la fiducia dell’operatore è importante: se il modello produce troppi falsi allarmi, l’operatore smette di prendere sul serio gli avvisi (“affaticamento da allarme”). Per questo motivo viene monitorato anche il tasso di falsi rifiuti.

Mini casi di studio

Caso 1 – Trappola luminosa. Mentre in laboratorio un modello di ispezione della vernice ha un successo pari al 98%, la percentuale scende addirittura all'80%. Recensione: l'illuminazione del soffitto sulla linea cambia durante il giorno, il modello considera la differenza di luminosità un "difetto". Quando si aggiunge l'illuminazione fissa del tunnel, il successo aumenta al 97%. Conclusione: la qualità dell'immagine può essere più decisiva del modello.

Caso 2 – Costo della perdita. In un'ispezione delle saldature dello scafo la soglia è leggermente abbassata "per efficienza"; Il falso rifiuto scende dal 6% al 3%, ma un mese dopo vengono segnalate crepe nelle saldature in due veicoli sul campo. L’analisi delle cause profonde mostra che il tasso di perdite è aumentato. La soglia viene nuovamente rafforzata e le parti sospette vengono poste sotto il controllo umano al 100%. Conclusione: la riduzione delle perdite nella parte di sicurezza ha sempre la precedenza sul falso rifiuto.

Caso 3 - Difetto raro. Occasionalmente da un nuovo stampo a iniezione emerge una bava molto piccola, ma non ci sono quasi esempi di questo difetto nell'addestramento del modello supervisionato, quindi non viene rilevato. Quando il modello di rilevamento delle anomalie è attivato, lo rileva come una "deviazione dalla norma". Conclusione: il rilevamento di anomalie per difetti rari/nuovi integra il modello supervisionato.

modelli di prompt

Modello 1 - Catalogo dei difetti e classificazione della gravità:

Ruolo: sei un ingegnere della qualità automobilistica. Attività: ordinare il seguente elenco di difetti in classi di gravità. Contesto: linea di saldatura del corpo; difetti: schizzi, pori, punto mancante, leggera differenza di colore, graffio superficiale. Vincolo: etichettare ciascun difetto come estetico/funzionale/critico per la sicurezza e suggerire una decisione (accettazione/controllo umano/rifiuto). Risultato: Difetto | importanza | proposta di decisione | tabella di giustificazione.

Modello 2 - Guida all'etichettatura:

Ruolo: responsabile della qualità dell'etichettatura delle immagini. Compito: scrivere regole di coerenza per l'etichettatura dei difetti di verniciatura. Contesto: buccia d'arancia, corsa, bolla di polvere; Ci sono immagini scattate con illuminazione diversa. Output: Regola | esempio | stato limite | nota del tagger.

Modello 3 - Interpretazione della decisione soglia/metrica:

Ruolo: valutatore della visione artificiale. Compito: interpretare la seguente tabella delle soglie decisionali. Contesto: risorsa critica per la sicurezza; alla soglia A la perdita è dello 0,3%, il falso rifiuto è del 5%; perdita alla soglia B 1,2% falso rifiuto 2%. Vincolo: rispettare la priorità di sicurezza; Spiega quale soglia consigli e perché e aggiungi la fase di controllo umano. Risultato: raccomandazione + giustificazione + rischio residuo.

Modello 4 - Analisi delle cause profonde:

Ruolo: sei un ingegnere della qualità. Compito: elencare le possibili cause principali dei difetti dovuti agli spruzzi che sono aumentati negli ultimi 3 turni. Contesto: saldatura a punti robotizzata; La sostituzione dell'elettrodo è stata effettuata 2 giorni fa; impostazione corrente fissa. Risultato: possibile causa | controllo di convalida | priorità.

Prompt debole / Prompt forte

Suggerimento debole:

Realizza un modello che trovi parti difettose.

Non è chiaro quale difetto, quale importanza, quale soglia, quale decisione; Il risultato è inutile.

Suggerimento potente:

Ruolo: sei un ingegnere della qualità automobilistica e della visione artificiale. Compito: creare una lista di controllo di progettazione per un sistema di visione della saldatura della carrozzeria. Contesto: saldatura a punti critica per la sicurezza; la velocità della linea è elevata; Ci sono difetti rari; illuminazione variabile. Vincolo: dare priorità alla riduzione al minimo delle perdite; specificare come combinare il rilevamento delle anomalie con la classificazione supervisionata e la fase di controllo umano; garantendo 'zero errori'.Output: Stage | suggerimento | rischio | tabella di verifica.

Errori comuni

Trascurare la qualità dell'illuminazione/immagine. Una cattiva immagine rovina anche il modello migliore.
Considerando uguali perdite e falsi rifiuti. Le perdite nei componenti di sicurezza automobilistici sono molto più costose.
Affidarsi solo al modello supervisionato per difetti rari. Il rilevamento delle anomalie è complementare.
Rendere il modello il decisore finale. Le parti sospette dovrebbero essere indirizzate agli esseri umani.
Dimenticando la riqualificazione. Nuove parti, nuovi stampi e cambiamenti stagionali rendono vecchio il modello.

In sintesi

La visione artificiale e l'intelligenza artificiale ispezionano in modo rapido e coerente eventuali difetti di superficie, saldature e assemblaggio sulla linea automobilistica.
La classificazione supervisionata è efficace sui difetti noti, il rilevamento delle anomalie è efficace sui difetti rari/nuovi; entrambi sono usati insieme.
La decisione più critica è la soglia: la perdita (falso negativo) è ridotta al minimo nella parte critica per la sicurezza, la parte sospetta va all'uomo.
La qualità dell'immagine e l'illuminazione sono spesso più determinanti del modello.
Il modello è un pre-vaglio; La decisione finale sulla qualità e la responsabilità della sicurezza spetta all’uomo.

Compito dell'applicazione

Selezionare una parte/stazione (ad esempio il gruppo paraurti anteriore). (1) Elencare i possibili difetti ed etichettarli come estetici/funzionali/critici per la sicurezza. (2) Con il modello 3, confrontare le due opzioni di soglia per perdita/falso rifiuto e giustificare una raccomandazione. (3) Spiegare se utilizzerai il rilevamento supervisionato o di anomalie per un difetto raro. (4) Definire la fase di controllo umano e l'innesco della riqualificazione.

lista di controllo

[ ] Ho suddiviso i difetti in classi di gravità (estetici/funzionali/critici per la sicurezza).
[ ] Ho valutato l'equilibrio tra rifiuto illegale e falso nella decisione sulla soglia.
[ ] Ho dato priorità alla fuga di notizie nella parte critica per la sicurezza.
[ ] Ho posizionato gli approcci supervisionati e di anomalia nel luogo appropriato.
[ ] Ho specificato i requisiti di qualità dell'immagine/illuminazione.
[ ] Ho definito la fase di controllo umano e il piano di riqualificazione.