Ieguvumi:
- Spēja izskaidrot, kā auduma virsmas defekti tiek atklāti un klasificēti ar attēlu apstrādi un mašīnmācīšanos.
- Spēja interpretēt kļūdaini pozitīvu/negatīvu bilanci, 4 punktu vērtēšanas sistēmu un modeļa veiktspējas metriku
- Spēja izveidot verifikācijas iestatījumu, kas pārbauda automātisku defektu noteikšanas izvadi ar cilvēka pārbaudi un fizisku pārbaudi
Daudzus gadus auduma kvalitātes kontrole ir balstīta uz cilvēka aci: operators stundām ilgi vēro audumu uz apgaismota pārbaudes galda, atzīmējot un novērtējot visus pamanītos defektus. Šis darbs ir nogurdinošs, subjektīvs un pakļauts nogurumam un kļūdām; Uzmanība maiņas beigās nav tik asa kā sākumā. Datorredze un mašīnmācīšanās sola automatizēt šo pārbaudi: ātrgaitas kamera skenē audumu, dažu sekunžu laikā atklājot un klasificējot defektu modeli. Šajā nodaļā mēs apspriedīsim, kā šī sistēma darbojas, pēc kādiem kritērijiem tā tiek novērtēta un kāpēc cilvēka kontrole joprojām ir neaizstājama.
Auduma defekti un pārbaudes valoda
Lai saprastu automātisko noteikšanu, vispirms ir jāzina defektu nosaukums. Tipiski auduma defekti: velku plīsums (garenvītnes trūkums), audu defekts/saskarnes (šķērslīnija), caurums, traips, bieza/plāna vieta, velku atlēciens. Trikotāžas audumā: adatas pēda (gareniskā līnija, no adatas darbības traucējumiem), klaiņojošs dūriens, caurums, biezuma atšķirība. Drukāšanā un krāsošanā: krāsu atšķirība, nobrāzums (krāsošanas nevienmērība), slīdēšana, izšļakstīšanās.
Pārbaužu rezultāti bieži tiek vērtēti, izmantojot četru punktu sistēmu: katram defektam tiek piešķirti 1-4 punkti atkarībā no tā garuma (piemēram, 1 punkts līdz 8 cm, 4 punkti virs 15 cm) un tiek aprēķināts kopējais punktu skaits uz 100 m². Ja slieksnis ir zemāks par slieksni (piemēram, 40 punkti/100 m²), tas tiek uzskatīts par “pieņemšanu”, bet augstāk par “noraidīšanu”. Automātiskajai vērtēšanai ar AI vajadzētu līdzināties šim standartam; Tam nevajadzētu radīt savu patvaļīgu punktu skaitu.
Padoms: automatizētās sistēmas izvadei vienmēr jābūt konvertējamai atbilstoši jūsu pieņemtajam vērtēšanas standartam (piemēram, 4 punktu) un klienta tolerancei. “Modelis atklāja 12 anomālijas” vien nepieņem biznesa lēmumu; Tas ir jāpārvērš punktos un lēmumos.
Kā darbojas automātiskā defektu noteikšana?
Mūsdienu sistēmas bieži apvieno abas pieejas. Uzraudzīta klasifikācija ir tad, kad mākslīgais neironu tīkls (īpaši attēlam atbilstošs konvolucionālais neironu tīkls, angļu CNN), kas apmācīts ar tūkstošiem iepriekš marķētu defektu piemēru, prognozē, vai jaunajā attēlā un tā tipā ir defekts. No otras puses, anomāliju noteikšana apgūst "parasto" audumu un atzīmē visu, kas atšķiras no normas, kā defekta kandidātu; Tas darbojas retu, vēl neredzētu defektu gadījumā, jo nav nepieciešams iepriekš marķēt katru defekta veidu.
Mēs lasām sistēmas veiktspēju ar diviem pamatkritērijiem. Jutība (atgādināšana): cik procentuālo defektu tas atklāja? Precizitāte: cik procenti no tā, ko viņi teica, bija trūkums, patiesībā bija trūkums? Starp šiem diviem ir līdzsvars. Viltus negatīvs (trūkst defekta) nozīmē, ka klientam tiek piegādāta bojāta prece; Viltus pozitīvs (atzīmējot perfektu kā bojātu) nozīmē nevajadzīgu izšķērdēšanu un palēnināšanos. Kvalitātei kritiskā lietojumā parasti tiek izvēlēts slieksnis, lai viltus negatīvo skaits būtu zems, savukārt palielinātu viltus pozitīvo skaitu ātri otrreiz pārbauda cilvēks.
Šeit ir kritisks slazds: precizitāte vien ir maldinoša. Ražošanas līnijā, iespējams, 2% auduma ir bojāti. Stulbs modelis, kas visu sauc par "perfektu", ziņo par 98% precizitāti, bet neatklāj nevienu trūkumu. Tāpēc nelīdzsvarotos datos tiek ņemta vērā nevis defektu klases jutība un precizitāte, bet gan precizitāte.
Soli pa solim: noteikšanas sistēmas novērtēšana
- Apkopojiet reprezentatīvus datus. Attēli, kas aptver faktisko audumu šķirni (krāsa, faktūra, apgaismojums), ko sistēma redzēs; Ieskaitot retus defektus.
- Pārbaudiet etiķetes kvalitāti. Ja apmācības etiķetes ir nepareizas, modelis arī mācās nepareizi; Noņemiet etiķešu paraugus ar ekspertu aci.
- Izmēriet jutību/precizitāti. Atsevišķi defektu klasei; Neskatieties tikai uz vispārējo precizitāti.
- Pārbaudiet viltus negatīvos rezultātus. Vai izlaistajiem defektiem ir kāda kopīga iezīme (noteikta krāsa, noteikta gaisma)?
- Iestatiet cilvēku cilpā. Ļaujiet operatoram apstiprināt, ko modelis ir atzīmējis; novirzīt nenoteikto cilvēkiem.
- Uzraudzīt un pārkvalificēties. Atjauniniet datu kopu, kad parādās jauni defektu veidi (jēdziena novirze).
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — maldinoša precizitāte. Piegādātājs pārdeva sistēmu, kurā teikts, ka "mūsu modelis ir 97% precīzs". Klientu atdeve šajā jomā pieauga. Analīze parādīja, ka defektu klases jutīgums bija tikai 61%, kas nozīmē, ka 39 no katriem 100 patiesajiem defektiem tika izlaisti. Precizitāte bija augsta, jo lielākā daļa auduma jau bija nevainojami. Pārregulēts slieksnis un pievienota cilvēka kontrole; jutība palielinājās līdz 92%, viltus pozitīvus gadījumus operators novērsa.
2. gadījums — apgaismojuma maiņa. Vienā rindā viltus pozitīvu rezultātu skaits trīskāršojās, kad pēcpusdienas saules gaisma skāra inspekcijas zonu; Modele domāja, ka ēnas ir traipi. Problēma tika atrisināta, kad tika standartizēts skatīšanās stāvoklis (slēgts skapis, pastāvīgs LED apgaismojums). Nodarbība: attēlveidošanas iestatīšana ir tikpat svarīga kā kvalitāte, kā arī modelis.
3. gadījums — laiks un darbs. Uzņēmums vidēji pavadīja 9 minūtes, manuāli pārbaudot 100 metrus auduma. Izmantojot kameras priekšskenēšanas + operatora apstiprinājuma modeli, laiks tika samazināts līdz 4 minūtēm un noplūde tika samazināta, jo operators pievērsa uzmanību tikai iezīmētajām vietām. Svarīgi bija tas, ka automatizācija uzasināja nevis operatoru, bet gan operatora aci.
Vāja uzvedne / spēcīga uzvedne
Piezīme. Īpašas sistēmas, kas tieši analizē defekta attēlu, ir atsevišķas; šeit mēs izmantojam AI procesu plānošanai, datu novērtēšanai un atskaitēm.
Vāja uzvedne:
Pastāsti man, vai mūsu defektu noteikšanas modelis ir labs?
Spēcīga uzvedne:
Jūsu loma: tekstilizstrādājumu kvalitātes inženieris un datu analītiķis. Zemāk ir defektu noteikšanas modeļa testa rezultāti (apjukuma matrica: patiesi pozitīvs, viltus pozitīvs, viltus negatīvs, patiesi negatīvs).Uzdevums: 1) Aprēķiniet defektu klases jutīgumu un precizitāti, parādiet formulu.2) Paskaidrojiet ar šiem skaitļiem, kāpēc kopējā precizitāte var būt negatīva uzņēmējdarbības riska ietekmes3) maldināšana uz šo risku. ražošana.4) Sniedziet konkrētus ieteikumus sliekšņa noteikšanai un cilvēka pārbaudei. Skaitļi: [matrica]
Kopējamas veidnes
1) Metrikas aprēķins un interpretācija:
Aprēķiniet jutību, precizitāti un F1 rezultātu no tālāk norādītās neskaidrības matricas, uzrakstiet katru formulu un pamatojiet, kura no tām ir kritiskāka kvalitātes ziņā. Matrica: [TP, FP, FN, TN]
2) Viltus negatīvs pamatcēlonis:
Tālāk ir parādīts neatbildēto (viltus negatīvo) defektu (defekta veids, krāsa, gaisma, ātrums) funkciju saraksts. Izveidojiet kopējas hipotēzes un ierosiniet katras hipotēzes pārbaudes izmēģinājumu. Dati: [saraksts]
3) Pārvēršana uz 4 punktu punktiem:
Konvertējiet šādu noteikšanas izvadi 4 punktu sistēmā: novērtējiet katru defektu pēc tā garuma, aprēķiniet kopējo punktu skaitu uz 100 m², salīdziniet ar [sliekšņa] punktu skaitu un iesakiet pieņemt/noraidīt. Defektu saraksts: [saraksts]
4) Pārbaudes ziņojuma projekts:
Izveidojiet kopsavilkumu no šādiem maiņas defektu datiem: 3 galvenākie defekti, iespējamais procesa avots (hipotēze), kopējais noraidīšanas līmenis un ieteicamās darbības. Neizdomājiet skaitļus, vienkārši izmantojiet to, kas ir dots. Dati: [tabula]
Metrikas salīdzināšanas diagramma
kritērijs
Kādi pasākumi
Vai ir labi būt augstā līmenī?
Nozīme kvalitātē
Precizitāte
Kopumā pareiza likme
Var būt maldinoši
Maz nelīdzsvarotu datu
Jutība (atgādināšana)
Faktiskais defektu rādītājs
Jā
Nokrīt kļūdaini negatīvs (kritisks)
Precizitāte
Jūsu teiktā patiesība ir kļūda
Jā
Samazina viltus pozitīvus rezultātus/atkritumus
viltus negatīvs
novērsts defekts
Nē, tam jābūt zemam
Bojātu preču risks klientam
viltus pozitīvs
tukša trauksme
Nē, bet tas ir pieļaujams
Efektivitātes/ātruma zudums
Uzmanību: automatizētā sistēma ir "iepriekšējais pārbaudītājs", nevis "apstiprinātājs". Lai pieņemtu galīgo lēmumu par kvalitātes apstiprināšanu, ir jāsaņem kompetenta kvalitātes amatpersona, īpaši attiecībā uz partijām, uz kurām attiecas klienta līgums. Modelis paātrina cilvēka kontroli, bet neatbrīvo to.
Biežas kļūdas
- Raugoties uz taisnību un būt apmierinātam. Augsta precizitāte nelīdzsvarotos datos slēpj artefaktus.
- Skatīšanās nosacījumu neievērošana. Bez pastāvīga apgaismojuma un nemainīga ātruma modelis ir neuzticams.
- Nepārbauda etiķetes kvalitāti. Modelis, kas apmācīts ar nepareizu etiķeti, mācās nepareizi.
- Aizmirstot jauna veida defektus. Ja dati netiek atjaunināti par jauniem defektiem, kas parādās laika gaitā, veiktspēja klusi pasliktināsies.
- Cilvēku izgriešana. Kritiskajam pieņemšanas lēmumam ir nepieciešams cilvēka apstiprinājums.
Rezumējot
Attēlu apstrāde ievērojami paātrina auduma pārbaudi un kompensē cilvēka nogurumu. Bet viņa veikums tiek lasīts nevis ar precizitāti, bet gan ar trūkumu klases jutīgumu un precizitāti; Viltus negatīvs ir visbīstamākā kvalitātes kļūda. Stabils attēlveidošanas stāvoklis, kvalitātes marķējums un cilvēka cilpas pārbaude ir trīs sistēmas uzticamības pīlāri. Automātiskā izvade ir sākotnējā pārbaude; Galīgais pieņemšanas lēmums paliek ar inženiera apstiprinājumu.
Lietojumprogrammas uzdevums
Definējiet neskaidrības matricas piemēru defektu noteikšanas sistēmai (piemēram, 100 bojāti, 4900 perfekti paraugi). Jutība, precizitāte un F1 ir jāaprēķina, izmantojot šīs vienības "metriskā aprēķina" veidni; pēc tam pārbaudiet rezultātus manuāli. Vienā rindkopā apspriediet, kas notiek ar viltus pozitīvajiem rādītājiem, kad matricāt slieksni, lai uz pusi samazinātu viltus negatīvo vērtību tajā pašā matricā, un izlemiet, kurš līdzsvars ir piemērots jūsu produktam.
kontrolsaraksts
- [ ] Es vērtēju veiktspēju pēc jutīguma/precizitātes, nevis pēc precizitātes.
- [ ] Es interpretēju viltus negatīvu risku kopā ar ietekmi uz uzņēmējdarbību.
- [ ] Es standartizēju skatīšanās apstākļus (gaisma, ātrums).
- [ ] Regulāri pārbaudu etiķešu kvalitāti un jaunus defektu veidus.
- [ ] Es ievietoju cilvēka apstiprinājumu galīgajam pieņemšanas lēmumam; Modelis ir tikai pirmssijātājs.