利益:
- 布地表面の欠陥を画像処理や機械学習によってどのように検出・分類するかを説明できる。
- 偽陽性/偽陰性のバランス、4 ポイント スコアリング システム、およびモデルのパフォーマンス メトリクスを解釈する能力
- 人間による検査と物理的検査を使用して自動欠陥検出出力をテストする検証セットアップを設計する能力
長年にわたり、布地の品質管理は人間の目に頼ってきました。オペレーターは照明付きの検査テーブルで何時間も布地を観察し、見つけた欠陥をマークして採点します。この作業は疲れるし、主観的であり、疲労や間違いを起こしやすいものです。シフトの終わりには、最初ほど注意力が鈍くなります。コンピューター ビジョンと機械学習により、この検査が自動化されることが期待されます。高速カメラが生地をスキャンし、欠陥のパターンを数秒で検出して分類します。この単元では、このシステムがどのように機能するか、評価基準、そしてなぜ人間による制御が依然として不可欠であるのかについて説明します。
生地の欠陥と検査言語
自動検出を理解するには、まず欠陥の名前を知る必要があります。織物の代表的な欠点：経糸切れ（縦糸の欠落）、緯糸欠陥・目詰まり（横線）、穴、汚れ、厚い箇所・薄い箇所、経糸の跳ね。ニット地：針跡（針の故障による縦線）、目飛び、穴、厚み差。捺染・染色において：色差、擦れ（染めムラ）、滑り、飛び。
検査結果は、多くの場合、4 点システムを使用して採点されます。各欠陥には、その長手方向の長さに応じて 1 ～ 4 点が与えられ (例: 8 cm までは 1 点、15 cm を超えると 4 点)、100 平方メートルあたりの合計スコアが計算されます。しきい値 (例: 40 ポイント/100 平方メートル) を下回る場合は「合格」とみなされ、上回る場合は「拒否」とみなされます。 AI による自動スコアリングは、この標準をエミュレートする必要があります。独自の恣意的なスコアを生成すべきではありません。
ヒント: 自動化システムの出力は、常に受け入れられているスコア基準 (4 ポイントなど) およびクライアントの許容範囲に変換できる必要があります。 「モデルで 12 個の異常が検出された」というだけでは、ビジネス上の意思決定を行うことはできません。それを得点と決定に変換する必要があります。
自動欠陥検出はどのように機能しますか?
最新のシステムでは、多くの場合、2 つのアプローチが組み合わされています。教師付き分類とは、事前にラベル付けされた何千もの欠陥例を使用してトレーニングされた人工ニューラル ネットワーク (特に、画像に適した畳み込みニューラル ネットワーク、英語の CNN) が、新しい画像に欠陥があるかどうかとその種類を予測する場合です。一方、異常検出は「正常な」ファブリックを学習し、正常から逸脱したものをすべて欠陥候補としてマークします。事前に各欠陥タイプにラベルを付ける必要がないため、これはまれな、これまでに見たことのない欠陥に対して機能します。
システムのパフォーマンスを 2 つの基本的な基準で判断します。感度 (リコール): 実際の欠陥の何パーセントが検出されましたか?精度: 欠陥だと言われたものの何パーセントが実際に欠陥でしたか?この二つの間にはバランスがあります。偽陰性 (欠陥の見逃し) は、欠陥のある商品が顧客に届けられたことを意味します。誤検知（完璧なものを欠陥品としてマークすること）は、不必要な無駄と速度の低下を意味します。品質が重要なアプリケーションでは、一般に、偽陰性を低く抑えるためにしきい値が選択されますが、偽陽性が増加した場合は、人間のオペレーターによる迅速な 2 回目のチェックが行われます。
ここには重大な罠があります。精度だけでは誤解を招くということです。生産ラインでは、生地の 2% に欠陥がある可能性があります。すべてを「完璧」と称する愚かなモデルは、98% の精度を報告しますが、欠陥は 1 つも見つけられません。したがって、不均衡なデータでは、欠陥クラスの感度と精度は考慮されず、精度が考慮されます。
ステップバイステップ: 検出システムの評価
- 代表的なデータを収集します。システムが認識する実際の生地の種類 (色、質感、照明) をカバーする画像。稀に不良品も含まれます。
- ラベルの品質を確認してください。トレーニング ラベルが間違っている場合、モデルも間違った学習を行います。専門家の目でラベルをサンプリングします。
- 感度/精度を測定します。欠陥クラスについては別途。一般的な精度だけを見てはいけません。
- 偽陰性を調べます。見落とされた欠陥には共通の特徴 (特定の色、特定の光) がありますか?
- 人間参加型を設定します。オペレーターにモデルが何をマークしたかを確認させます。不確かなものを人々に向ける。
- 監視して再トレーニングします。新しい欠陥タイプが出現するたびにデータセットを更新します (概念ドリフト)。
3 つのミニケース: 数字で見る
ケース 1 — 誤解を招く精度。あるサプライヤーは、「当社のモデルは 97% 正確です」と言ってシステムを販売しました。現場での顧客の返品が増加しました。分析の結果、欠陥クラスの感度はわずか 61% であり、真の欠陥 100 個のうち 39 個が見逃されたことを意味します。生地の大部分はすでに完璧であったため、精度は高かった。しきい値が再調整され、人間による制御が追加されました。感度は 92% に向上し、オペレーターによって誤検知が排除されました。
ケース 2 — 照明の変化。ある行では、午後の日光が検査エリアに当たると偽陽性が 3 倍に増加しました。モデルはその影を汚れだと思いました。この問題は、視聴条件（密閉キャビネット、LED常時点灯）を標準化することで解決しました。教訓: イメージングのセットアップはモデルと同じくらい品質が重要です。
ケース 3 — 時間と労力。ある企業では、100 メートルの生地を手作業で検査するのに平均 9 分を費やしていました。カメラプレスキャン＋オペレーター確認モデルでは、オペレーターがマーキング箇所のみに注目するため、作業時間が4分に短縮され、漏洩が減少しました。重要なのは、自動化によってオペレーターが研ぎ澄まされるのではなく、オペレーターの目が研ぎ澄まされるということです。
弱いプロンプト / 強いプロンプト
注: 欠陥画像を直接解析する専用システムは別のものです。ここではプロセス設計、データ評価、レポートに AI を使用しています。
弱いプロンプト:
教えてください、私たちの欠陥検出モデルは適切ですか?
強力なプロンプト:
あなたの役割: テキスタイル品質エンジニアおよびデータ アナリスト。以下は欠陥検出モデルのテスト結果です (混同マトリックス: 真陽性、偽陽性、偽陰性、真陰性)。タスク:1) 欠陥クラスの感度と精度を計算し、式を表示します。2) 全体の精度が誤解を招く理由をこれらの数値で説明します。3) この生産における偽陰性のリスクがビジネスに与える影響についてコメントします。4) しきい値の設定と人による検査について具体的な提案をします。数字: [マトリックス]
コピー可能なテンプレート
1) メトリクスの計算と解釈:
次の混同行列から感度、精度、F1 スコアを計算し、それぞれの式を記述して、品質の観点からどちらがより重要であるかを正当化します。マトリックス: [TP、FP、FN、TN]
2) 偽陰性の根本原因:
以下は、見逃した (偽陰性) 欠陥の機能リスト (欠陥の種類、色、光、速度) です。共通パターン仮説を生成し、各仮説の検証トライアルを提案します。データ: [リスト]
3) 4 点ポイントへの変換:
次の検出出力を 4 点システムに変換します。長さに応じて各欠陥にスコアを付け、100 平方メートルあたりの合計スコアを計算し、[しきい値] スコアと比較して、合格/不合格を推奨します。欠陥リスト: [リスト]
4) 検査報告書案:
次のシフト欠陥データからエグゼクティブ サマリーを導き出します: 上位 3 つの欠陥、考えられるプロセス原因 (仮説)、総不合格率、および推奨アクション。数字をでっち上げず、与えられたものをそのまま使用してください。データ: [テーブル]
メトリック比較表
基準
どのような対策が必要か
高いのはいいことですか？
品質の重要性
精度
全体の正答率
誤解を招く可能性があります
アンバランスなデータが少ない
感度（リコール）
実際の不良率を把握
はい
偽陰性 (重大) を削除します
精度
あなたの言うことの真実は欠陥です
はい
誤検知/無駄を削減
偽陰性
逃れた欠陥
いや、低いはずだ
お客様に対する不良品のリスク
偽陽性
空のアラーム
いや、でも許容されるよ
効率/速度の低下
注意: 自動化システムは「事前スクリーニング」であり、「承認者」ではありません。最終的な品質合格の決定には、特に顧客契約の対象となるバッチの場合、有能な品質責任者の承認が必要です。このモデルは人間の制御を加速しますが、それを免除するものではありません。
よくある間違い
- 義を見て満足すること。高精度により、不均衡なデータのアーティファクトが隠されます。
- 視聴条件を無視したもの。一定の照明と一定の速度がなければ、モデルの信頼性は低くなります。
- ラベルの品質をチェックしていない。間違ったラベルでトレーニングされたモデルは、誤って学習します。
- 新しいタイプの欠陥を忘れています。時間の経過とともに現れる新たな欠陥に対してデータが更新されないと、パフォーマンスは静かに低下します。
- 人を切り捨てること。重要な承認の決定には人間の承認が必要です。
要約すれば
画像処理により生地の検査が大幅にスピードアップされ、人間の疲労が軽減されます。しかし、彼のパフォーマンスは正確さではなく、欠陥クラスの感度と精度で読み取られます。偽陰性は品質において最も危険なエラーです。安定した撮像条件、品質ラベル、および人間参加型検査がシステムの信頼性の 3 つの柱です。自動出力は事前審査です。最終的な合否決定はエンジニアの承認が必要となります。
アプリケーションタスク
欠陥検出システムの混同行列の例を定義します (例: 100 個の欠陥サンプル、4900 個の完全なサンプル)。このユニットの「メトリック計算」テンプレートを使用して感度、精度、F1 を計算します。その後、結果を手動で確認します。同じマトリックス内の偽陰性を半分にするためにしきい値を変更すると、偽陽性に何が起こるかを 1 つの段落で説明し、どのバランスが製品に適しているかを決定します。
チェックリスト
- [ ] 私は精度ではなく感度/精度によってパフォーマンスを評価します。
- [ ] 私は偽陰性のリスクとビジネスへの影響を解釈します。
- [ ] 観察条件（光、速度）を統一しました。
- [ ] 私はラベルの品質と新しい欠陥の種類を定期的にチェックしています。
- [ ] 私は最終的な受け入れ決定について人間の承認を置きます。モデルはプレシフターのみです。