Контрола на квалитетот на производната линија: Откривање на визуелни дефекти

Добивки:

• Разбирање на работниот тек на откривање дефекти на површина, заварување и склопување во автомобилската производна линија со машинско гледање
• Способност да се користи вештачка интелигенција на структуриран начин при воспоставување база на податоци за слики, етикетирање, обука на модели и одредување праг
• Способност да се потврди квалитетната одлука земајќи ја предвид стапката на бегство и лажно отфрлање, брзината на линијата и довербата на операторот

Автомобилот се состои од илјадници делови и секој од нив поминува низ линијата за неколку секунди. Напорно и неконзистентно е да се проверува секој завар, секоја боја површина, секое склопување без никакви грешки со човечкото око; очите се уморни, вниманието е расеан. Ова е местото каде што доаѓа машинската визија и вештачката интелигенција: камерите ги сликаат деловите, модел со вештачка интелигенција го означува дефектот за помалку од секунда. Во оваа единица, ќе разговараме за тоа како се воспоставува контролата на квалитетот на сликата во автомобилското производство, улогата на вештачката интелигенција и најкритичното прашање, билансот на грешки.

Типични визуелни дефекти во автомобилската индустрија

Главните типови на дефекти визуелно проверени:

• Дефекти на површината/боја: кора од портокал (груба боја), меурчиња од прашина, крварење, гребнатини, разлика во боја.
• Дефекти на заварот: нецелосно заварување, прскање, порозност, погрешно поставено место заварување.
• Дефекти на склопување: недостасува завртка, неправилно поставен клип, обратна заптивка, лабав конектор.
• Ознака/ознака: нечитлив VIN, погрешна етикета, недостасува печат.

Некои од овие дефекти се само естетски (мали гребнатини), додека други се критични за безбедноста (нецелосното заварување може да доведе до замор пукнатина во зглобот на телото). Оваа разлика ги одредува сите последователни одлуки.

Совет: Не третирајте ја секоја маана со иста сериозност. Додавањето на ознаката „естетско/функционално/безбедносно-критично“ при класифицирање на дефект е клучно за правилно да се постигне прагот и логиката на одлучување.

Два основни пристапи: надгледувана класификација и откривање на аномалии

Постојат две главни стратегии за откривање визуелни дефекти:

1. Надгледувана класификација/откривање: го учите моделот покажувајќи му многу означени слики со зборовите „еве неисправни примери, еве совршени примери“. Тоа е моќно ако ги знаете видовите на дефекти и имате доволно примери. Предизвик: тешко е да се соберат доволно примероци од ретки дефекти (линија речиси секогаш произведува цврсти делови).
2. Откривање аномалија: на моделот му прикажувате само „нормални/робусни“ слики; моделот учи како изгледа нормалното и означува се што отстапува од нормалното како „аномалија“. Може да фати нови/неочекувани дефекти дури и ако однапред не го знаете типот на дефектот. Тешкотија: секое отстапување може да го згреши како дефект (како што е промената на осветлувањето).

Во пракса, двете се користат заедно: откривањето аномалија вели „има нешто чудно овде“, класификацијата вели „ова е отскокнување на ресурсите“.

Чекор по чекор: поставување систем за визуелна инспекција

1. Каталог на дефекти и критериуми за прифаќање: Дефинирајте со квалитетни инженери кој дефект е прифатен/отфрлен. This is the "truth" of the model.
2. Стекнување слика: Постојаното, постојано осветлување и позицијата на камерата се критични. Лошото/нестабилно осветлување е најчеста причина за дефект.
3. Означување: Експертите означуваат дефекти; Упатството за етикетирање е од суштинско значење за конзистентност.
4. Модел за обука: Обучен е надгледуван и/или модел на аномалија.
5. Прагови: Моделот дава „веројатност за дефект“; Тоа е прагот над кој веројатноста ќе ја сметате за „отфрлање“. Ова е најкритичната деловна одлука (подолу).
6. Линиска интеграција: Моделот ја донесува одлуката, сомнителните делови се упатуваат до операторот/станицата.
7. Набљудување и преквалификација: Моделот се ажурира бидејќи се достапни нови типови дефекти, сезонски промени, нови делови.

Најкритичното прашање: рамнотежа на истекување и лажно отфрлање

Постојат две грешки во откривањето на дефекти и нивните трошоци се многу различни во автомобилската индустрија:

• Протекување (бегство / лажно негативно): Неисправното парче се смета за „добро“ и поминува низ линијата. На безбедносното парче, ова значи неисправно возило што излегува на терен, поплака од клиент или дури и отповикување. Најскапата грешка.
• Лажно отфрлање (лажно одбивање / лажно позитивно): Непроменетиот дел се смета за „неисправен“ и отфрлен. Тоа значи отпад, непотребна преработка, забавување на линијата; Боли, но не претставува безбедносен ризик.

праг на одлучување

бегалец

лажно отфрлање

Кога?

Лабава (висок праг)

Зголемува (опасно)

се намалува

Never on the security track

Строг (низок праг)

се намалува

Зголемува (скапо)

На безбедносни критични делови

избалансиран

средно

средно

Кај естетски дефекти

Внимание: на безбедносно критичниот дел (сопирачка, волан, заварување на каросеријата) прагот секогаш се држи цврсто за да се минимизира истекувањето; Сомнителното парче е насочено кон човекот. Опуштањето на прагот затоа што „лажното отфрлање е скапо“ е неприфатливо во безбедносното парче.

Поделба на трудот човек-машина

Во добро воспоставен систем, моделот не е конечниот одлучувач; Тоа е „претскринер“. Моделот фаќа очигледни недостатоци и му го враќа на човекот она за што не се сигурни. Ова му овозможува на операторот да се фокусира на 30 сомнителни делови наместо да гледа на 1.000 делови. Довербата на операторот е исто така важна: ако моделот произведе премногу лажни аларми, операторот престанува да ги сфаќа сериозно предупредувањата („замор од аларм“). Затоа се следи и стапката на лажно отфрлање.

Мини студии на случај

Случај 1 - Замка за осветлување. Додека моделот за инспекција на боја е 98% успешен во лабораторија, тој дури паѓа на 80%. Преглед: осветлувањето на таванот на линијата се менува во текот на денот, моделот смета дека разликата во осветленоста е „дефект“. Кога ќе се додаде фиксно осветлување на тунелот, успехот се зголемува на 97%. Заклучок: Квалитетот на сликата може да биде поодлучен од моделот.

Случај 2 - Трошоци за истекување. При проверка на заварување на трупот, прагот е малку опуштен „за ефикасност“; Лажното отфрлање опаѓа од 6% на 3%, но еден месец подоцна, пукнатини на завар се пријавени во две возила на терен. Анализата на основната причина покажува дека стапката на истекување е зголемена. Прагот е повторно затегнат и сомнителните делови се ставени под 100% човечка контрола. Заклучок: Намалувањето на истекувањето во безбедносниот дел секогаш има предност пред лажното отфрлање.

Случај 3 - Редок дефект. Повремено, многу мал дефект на брус се појавува од нов калап за инјектирање, но речиси и да нема примери за овој дефект во обуката на надгледуваниот модел, па затоа промашува. Кога ќе се активира моделот за откривање аномалија, тој го открива како „отстапување од нормалата“. Заклучок: Откривањето на аномалија за ретки/нови дефекти го надополнува надгледуваниот модел.

промптни шаблони

Шаблон 1 - Каталог на дефекти и класификација на сериозноста:

Улога: Вие сте инженер за квалитет на автомобили. Задача: Подредете ја следнава листа на дефекти во класи на сериозност. Контекст: Линија за заварување на телото; дефекти: прскање, пори, дамка што недостасува, мала разлика во бојата, гребење на површината. Ограничување: Обележете го секој дефект како естетски/функционален/безбедносно критичен и предложете одлука (прифаќање/човечка проверка/отфрлање). Резултат: Дефект | важност | предлог одлука | табела за оправдување.

Шаблон 2 - Водич за етикетирање:

Улога: Овод за квалитет на означување на сликата. Задача: Напишете правила за конзистентност за етикетирање на дефекти во боја. Контекст: кора од портокал, трчање, меур од прашина; Има слики направени под различно осветлување.Излез: Правило | пример | гранична состојба | тагер белешка.

Шаблон 3 - Праг за толкување/метричка одлука:

Улога: Оценувач на машинска визија. Задача: Интерпретирај ја следнава табела за праг на одлучување. Контекст: Безбедносно-критички ресурс; на прагот А, истекувањето е 0,3%, лажното отфрлање е 5%; истекување на прагот B 1,2% лажно отфрлање 2%.Ограничување: Внимавајте на безбедносниот приоритет; Објаснете кој праг го препорачувате и зошто, и додајте го чекорот за човечка контрола. Излез: Препорака + оправдување + преостанат ризик.

Шаблон 4 - Анализа на основната причина:

Улога: Вие сте квалитетен инженер.Задача: Наведете ги можните основни причини за дефекти на прскање што се зголемија во последните 3 смени. Контекст: Роботичко заварување на место; Промената на електродата е направена пред 2 дена; тековната поставка е фиксна.Излез: Можна причина | проверка на валидација | приоритет.

Слаб промпт / Силен промпт

Слаба навестување:

Направете модел кој наоѓа неисправни делови.

It is not clear which flaw, which importance, which threshold, which decision; Резултатот е бескорисен.

Моќен потсетник:

Улога: Вие сте инженер за квалитет на автомобили и машинско визија. Задача: Создадете листа за проверка за дизајн за систем за видување на заварување на телото. Контекст: Безбедносно-критично заварување на место; брзината на линијата е голема; Постојат ретки дефекти; променлива на осветлување.Ограничување: Дајте приоритет на минимизирање на истекувањето; specify how to combine anomaly detection with supervised classification and the human control step; гарантирајќи „нула грешки“.Излез: Фаза | предлог | ризик | табела за верификација.

Вообичаени грешки

• Занемарување на осветлувањето/квалитетот на сликата. Лошата слика го расипува и најдобриот модел.
• Сметајќи дека истекувањето и лажното отфрлање се еднакви. Истекувањето во автомобилските безбедносни делови е многу поскапо.
• Relying only on the supervised model for rare defects. Откривањето на аномалија е комплементарно.
• Правејќи го моделот конечниот одлучувач. Сомнителните делови треба да бидат насочени кон луѓето.
• Заборавајќи на преквалификација. New parts, new molds and seasonal changes make the model old.

Сумирано

• Машинскиот вид и вештачката интелигенција брзо и доследно проверуваат дали има дефекти на површината, заварот и склопувањето на автомобилската линија.
• Надгледуваната класификација е силна на познати дефекти, откривањето аномалии е силно на ретки/нови дефекти; и двете се користат заедно.
• Најкритичната одлука е прагот: истекувањето (лажно негативно) е минимизирано во безбедносно-критичниот дел, сомнителниот дел оди кај човекот.
• Квалитетот на сликата и осветлувањето често се поодлучни од моделот.
• Моделот е пред-просејувач; Конечната одлука за квалитет и одговорност за безбедност лежи на човекот.

Задача за апликација

Select a part/station (e.g. front bumper assembly). (1) List possible defects and label each as aesthetic/functional/safety-critical. (2) Со Шаблон 3, споредете ги двете опции за праг за истекување/лажно отфрлање и оправдајте ја препораката. (3) Explain whether you will use supervised or anomaly detection for a rare defect. (4) Дефинирајте го чекорот за човечка контрола и активирањето за преквалификација.

листа за проверка

• [ ] I divided the defects into severity classes (aesthetic/functional/safety-critical).
• [ ] Го оценив билансот на незаконско и лажно отфрлање во одлуката за прагот.
• [ ] Дадов приоритет на истекување во безбедносниот критичниот дел.
• [ ] I placed the supervised and anomaly approaches in the appropriate place.
• [ ] I have specified the image quality/lighting requirement.
• [ ] Го дефинирав чекорот за човечка контрола и планот за преквалификација.