Добивки:
- Способност да се објасни како дефектите на површината на ткаенината се откриваат и класифицираат со обработка на слики и машинско учење.
- Способност да се интерпретира лажно позитивно/негативно салдо, систем за бодување од 4 поени и метрика на перформансите на моделот
- Способност да се дизајнира поставка за верификација која го тестира излезот за автоматско откривање дефекти со човечка и физичка инспекција
Долги години, контролата на квалитетот на ткаенината се потпираше на човечкото око: операторот со часови гледа ткаенина на осветлената маса за инспекција, означувајќи ги и забележувајќи ги сите дефекти што ќе ги види. Оваа работа е заморна, субјективна и склона кон замор и грешки; Вниманието не е толку остро на крајот на смената како што е на почетокот. Компјутерската визија и машинското учење ветуваат дека ќе ја автоматизираат оваа проверка: камерата со голема брзина ја скенира ткаенината, откривајќи и класифицирајќи шема на дефекти во секунди. Во оваа единица, ќе разговараме за тоа како функционира овој систем, критериумите според кои се оценува и зошто човечката контрола е сè уште неопходна.
Дефекти на ткаенина и јазик на проверка
За да се разбере автоматското откривање, прво е неопходно да се знае името на дефектите. Типични дефекти на плетената ткаенина: кршење на искривување (недостаток на надолжна нишка), дефект на ткивото/вклучување (попречна линија), дупка, дамка, дебело/тенко место, отскокнување на искривување. Во плетена ткаенина: ознака за игла (надолжна линија, од дефект на иглата), заскитан бод, дупка, разлика во дебелината. При печатење и боење: разлика во боја, абраж (неправилност на боење), лизгање, прскање.
Резултатите од инспекцијата често се бодуваат со помош на систем со четири точки: на секој дефект му се даваат 1-4 поени според неговата надолжна должина (на пр. 1 поен до 8 cm, 4 поени над 15 cm) и се пресметува вкупниот резултат на 100 m². Под прагот (на пр. 40 поени/100 m²) се смета за „прифаќање“, горе се смета за „отфрлање“. Автоматското бодување со вештачка интелигенција треба да го имитира овој стандард; Не треба да произведува сопствен произволен резултат.
Совет: Излезот од автоматизираниот систем секогаш треба да биде конвертибилен на вашиот прифатен стандард за бодување (како 4-точка) и толеранција на клиентот. „Моделот откри 12 аномалии“ сам не донесува деловна одлука; Мора да се претвори во точки и одлуки.
Како функционира автоматското откривање дефекти?
Современите системи често ги комбинираат двата пристапа. Надгледувана класификација е кога вештачка невронска мрежа (особено конволутивна невронска мрежа соодветна на слика, англиски CNN) обучена со илјадници претходно означени примери на дефекти предвидува дали има дефект на новата слика и нејзиниот тип. Откривањето на аномалија, од друга страна, ја учи „нормалната“ ткаенина и означува се што отстапува од нормалното како кандидат за дефект; Работи за ретки, досега невидени дефекти бидејќи не е неопходно однапред да се означува секој тип дефект.
Перформансите на системот ги читаме со два основни критериуми. Чувствителност (потсетување): колкав процент од вистинските дефекти открил? Прецизност: Колкав процент од она што го рекоа дека е мана, всушност е мана? Постои рамнотежа помеѓу овие две. Лажно негативно (промашување на дефектот) значи неисправна стока се доставува до клиентот; Лажно позитивно (означување на совршеното како неисправно) значи непотребно трошење и забавување. Во примената која е критична за квалитетот, генерално се избира праг за да се одржуваат ниски лажните негативни, додека зголемените лажни позитиви се подложени на брза втора проверка од човечки оператор.
Тука постои критична замка: само точноста е погрешна. На производна линија, можеби 2% од ткаенината е неисправна. Глупав модел кој нарекува сè „совршено“ известува за 98% точност, но не фаќа ниту една мана. Затоа, кај неурамнотежените податоци не се зема предвид чувствителноста и прецизноста на класата на дефекти, туку точноста.
Чекор по чекор: Евалуација на систем за откривање
- Соберете репрезентативни податоци. Слики што ја покриваат вистинската разновидност на ткаенината (боја, текстура, осветлување) што ќе ги види системот; Вклучувајќи и ретки дефекти.
- Проверете го квалитетот на етикетата. Ако етикетите за обука се погрешни, моделот исто така учи погрешно; Примерете ги етикетите со стручно око.
- Измерете ја чувствителноста/прецизноста. Одделно за класата на дефекти; Не гледајте само на општата точност.
- Испитајте ги лажните негативи. Дали пропуштените дефекти имаат заедничка карактеристика (одредена боја, одредена светлина)?
- Поставете човек-во-јамка. Овозможете го операторот да потврди што означил моделот; насочете го неизвесното кон луѓето.
- Следете и преквалификувате. Ажурирајте ја базата на податоци кога ќе се појават нови типови дефекти (полета на концептот).
Три мини случаи: според бројките
Случај 1 - погрешна точност. Еден добавувач продаде систем велејќи „нашиот модел е 97% точен“. Повратот на клиентите се зголеми на терен. Анализата покажа дека чувствителноста на класата на дефекти била само 61%, што значи дека 39 од секои 100 вистински дефекти биле пропуштени. Точноста беше висока затоа што поголемиот дел од ткаенината веќе беше беспрекорна. Повторно приспособен праг и додадена човечка контрола; чувствителноста се зголеми на 92%, лажни позитиви беа елиминирани од страна на операторот.
Случај 2 - Поместување на осветлувањето. Во една линија, лажните позитиви тројно се зголемија кога попладневната сончева светлина ја погоди областа за инспекција; Манекенката мислеше дека сенките се дамки. Проблемот беше решен кога состојбата на гледање (затворен кабинет, постојано LED осветлување) беше стандардизирана. Поука: поставувањето на слики се однесува на квалитетот исто како и на моделот.
Случај 3 - Време и труд. Еден бизнис потрошил во просек 9 минути рачно да проверува 100 метри ткаенина. Со моделот за претходно скенирање на камерата + потврда на операторот, времето беше намалено на 4 минути, а истекувањето беше намалено бидејќи операторот внимаваше само на означените области. Она што беше критично беше тоа што автоматиката не го изоструваше операторот, туку окото на операторот.
Слаба навестување / Силен навестување
Забелешка: посебните системи кои директно ја анализираат сликата на дефектот се одвоени; овде користиме вештачка интелигенција за дизајнирање процес, евалуација на податоци и извештај.
Слаба навестување:
Кажи ми, дали е добар нашиот модел за откривање дефекти?
Моќен потсетник:
Вашата улога: инженер за квалитет на текстил и аналитичар на податоци. Подолу се прикажани резултатите од тестот на моделот за откривање дефекти (матрица на конфузија:вистинско позитивно, лажно позитивно, лажно негативно, точно негативно). негативности во оваа продукција.4) Даде конкретен предлог за поставување на праг и човечка инспекција.Броеви: [матрица]
Шаблони за копирање
1) Метрична пресметка и толкување:
Пресметајте ја чувствителноста, прецизноста и резултатот F1 од следната матрица за конфузија, напишете ја секоја формула и оправдајте која е покритична во однос на квалитетот. Матрица: [TP, FP, FN, TN]
2) Лажно негативна основна причина:
Подолу е списокот со карактеристики на пропуштени (лажно негативни) дефекти (тип на дефект, боја, светлина, брзина). Генерирајте хипотези за вообичаени модели и предложете проба за верификација за секоја хипотеза. Податоци: [листа]
3) Конверзија во поени со 4 точки:
Претворете го следниов излез за откривање во систем со 4 точки: оценувајте го секој дефект според неговата должина, пресметајте го вкупниот резултат на 100 m², споредете со резултатот [праг] и препорачајте прифаќање/отфрлање. Список на дефекти: [листа]
4) Нацрт извештај од инспекцискиот надзор:
Изведете извршно резиме од следните податоци за дефекти на смена: првите 3 дефекти, можен извор на процес (хипотеза), вкупна стапка на отфрлање и препорачани дејства. Не измислувајте бројки, само искористете го даденото. Податоци: [табела]
Графикон за споредување метрички
критериум
Кои мерки
Дали е добро да се биде висок?
Важност во квалитетот
Точност
Целокупната точна стапка
Може да доведе до заблуда
Ниско ниво на небалансирани податоци
Чувствителност (потсетување)
Фатена е вистинската стапка на дефекти
Да
Паѓа лажно негативно (критично)
Прецизност
Вистината на тоа што го кажуваш е маана
Да
Ги намалува лажните позитиви/отпадот
лажно негативно
избегнал дефект
Не, треба да биде низок
Ризик од неисправна стока за купувачот
лажно позитивно
празен аларм
Не, но се толерира
Загуба на ефикасност/брзина
Внимание: Автоматизираниот систем е „пред-скринер“, а не „одобрувач“. Конечната одлука за прифаќање на квалитетот бара одобрение од компетентен службеник за квалитет, особено за сериите што се предмет на договор со клиентите. Моделот ја забрзува човечката контрола, но не ја исклучува.
Вообичаени грешки
- Да се погледне на праведноста и да се биде задоволен. Високата точност ги крие артефактите во неизбалансирани податоци.
- Занемарување на состојбата на гледање. Без постојано осветлување и постојана брзина, моделот е несигурен.
- Не се проверува квалитетот на етикетата. Моделот трениран со погрешна етикета учи погрешно.
- Заборавајќи го новиот тип на дефект. Ако податоците не се ажурираат за нови дефекти што се појавуваат со текот на времето, перформансите тивко ќе се намалат.
- Отстранување на луѓето. Одлуката за критичко прифаќање бара човечко одобрување.
Сумирано
Обработката на слики во голема мера ја забрзува проверката на ткаенината и го компензира човечкиот замор. Но, неговата изведба не се чита со точност, туку со чувствителност и прецизност на класата на маани; Лажно негативно е најопасната грешка во квалитетот. Стабилна состојба на сликање, ознака за квалитет и инспекција од човек во јамката се трите столба на доверливоста на системот. Автоматскиот излез е прелиминарен скрининг; Конечното решение за прифаќање останува со одобрение на инженерот.
Задача за апликација
Дефинирајте пример за матрица за конфузија за систем за откривање дефекти (на пр. 100 неисправни, 4900 совршени примероци). Имајте чувствителност, прецизност и F1 пресметани со шаблонот „метричка пресметка“ во оваа единица; потоа рачно проверете ги резултатите. Дискутирајте во параграф што се случува со лажни позитиви кога ќе го промените прагот за да го преполовите лажно негативното во истата матрица и одлучете која рамнотежа е соодветна за вашиот производ.
листа за проверка
- [ ] Јас ги оценувам перформансите според чувствителноста/прецизноста, а не прецизноста.
- [ ] Го толкувам ризикот од лажни негативи заедно со деловното влијание.
- [ ] Ги стандардизирав условите за гледање (светлина, брзина).
- [ ] Редовно го проверувам квалитетот на етикетата и новите типови дефекти.
- [ ] Поставувам човечко одобрување на конечната одлука за прифаќање; Моделот е само претходно просејувач.