नफा:
- इमेज प्रोसेसिंग आणि मशीन लर्निंगद्वारे फॅब्रिक पृष्ठभागावरील दोष कसे शोधले जातात आणि त्यांचे वर्गीकरण कसे केले जाते हे स्पष्ट करण्याची क्षमता.
- चुकीचे सकारात्मक/नकारात्मक शिल्लक, 4-पॉइंट स्कोअरिंग सिस्टम आणि मॉडेल कार्यप्रदर्शन मेट्रिक्सचा अर्थ लावण्याची क्षमता
- मानवी तपासणी आणि भौतिक तपासणीसह स्वयंचलित दोष शोध आउटपुटची चाचणी करणारे सत्यापन सेटअप डिझाइन करण्याची क्षमता
बर्याच वर्षांपासून, फॅब्रिक गुणवत्ता नियंत्रण मानवी डोळ्यावर अवलंबून आहे: ऑपरेटर प्रकाशित तपासणी टेबलवर तासनतास फॅब्रिक पाहतो, त्याला दिसणारे कोणतेही दोष चिन्हांकित आणि गुणांकन करतो. हे काम कंटाळवाणे, व्यक्तिनिष्ठ आणि थकवा आणि त्रुटीसाठी प्रवण आहे; एका शिफ्टच्या शेवटी लक्ष तितकेच तीव्र नसते जितके ते सुरुवातीला असते. कॉम्प्युटर व्हिजन आणि मशीन लर्निंग ही तपासणी स्वयंचलित करण्याचे वचन देतात: हाय-स्पीड कॅमेरा फॅब्रिक स्कॅन करतो, काही सेकंदात दोषांचा नमुना शोधतो आणि त्याचे वर्गीकरण करतो. या युनिटमध्ये, आम्ही ही प्रणाली कशी कार्य करते, तिचे मूल्यमापन कोणत्या निकषांद्वारे केले जाते आणि मानवी नियंत्रण अद्याप अपरिहार्य का आहे याबद्दल चर्चा करू.
फॅब्रिक दोष आणि तपासणीची भाषा
स्वयंचलित शोध समजून घेण्यासाठी, प्रथम दोषांचे नाव जाणून घेणे आवश्यक आहे. विणलेल्या फॅब्रिकमधील वैशिष्ट्यपूर्ण दोष: ताना तुटणे (रेखांशाचा धागा नसणे), वेफ्ट डिफेक्ट/इंटरफेसिंग (ट्रान्सव्हर्स लाइन), छिद्र, डाग, जाड/पातळ जागा, ताना बाउन्स. विणलेल्या फॅब्रिकमध्ये: सुईचे चिन्ह (रेखांशाची रेषा, सुईच्या खराबीमुळे), स्ट्रे स्टिच, छिद्र, जाडीचा फरक. छपाई आणि डाईंगमध्ये: रंगाचा फरक, ॲब्रेज (रंगाची अनियमितता), स्लिपेज, स्प्लॅशिंग.
तपासणीचे परिणाम बऱ्याचदा चार-बिंदू प्रणाली वापरून काढले जातात: प्रत्येक दोषाला त्याच्या रेखांशाच्या लांबीनुसार 1-4 गुण दिले जातात (उदा. 8 सेमी पर्यंत 1 पॉइंट, 15 सेमी पेक्षा जास्त 4 गुण) आणि एकूण स्कोअर प्रति 100 m² मोजले जाते. थ्रेशोल्डच्या खाली (उदा. 40 गुण/100 m²) "स्वीकृती" मानली जाते, वरील "नकार" मानली जाते. AI सह स्वयंचलित स्कोअरिंगने या मानकाचे अनुकरण केले पाहिजे; त्याने स्वतःचा अनियंत्रित गुण निर्माण करू नये.
टीप: स्वयंचलित प्रणालीचे आउटपुट नेहमी तुमच्या स्वीकृत स्कोअरिंग मानक (जसे की 4-पॉइंट) आणि क्लायंट सहिष्णुतेमध्ये परिवर्तनीय असावे. "मॉडेलमध्ये 12 विसंगती आढळल्या" केवळ व्यवसाय निर्णय घेत नाही; त्याचे रुपांतर मुद्द्यांमध्ये आणि निर्णयांमध्ये झाले पाहिजे.
स्वयंचलित दोष शोध कसे कार्य करते?
आधुनिक प्रणाली अनेकदा दोन दृष्टिकोन एकत्र करतात. पर्यवेक्षित वर्गीकरण म्हणजे जेव्हा कृत्रिम न्यूरल नेटवर्क (विशेषत: प्रतिमा-योग्य कॉन्व्होल्युशनल न्यूरल नेटवर्क, इंग्रजी CNN) पूर्वी लेबल केलेल्या हजारो दोष उदाहरणांसह प्रशिक्षित केले जाते तेव्हा नवीन प्रतिमा आणि त्याच्या प्रकारात दोष आहे की नाही याचा अंदाज येतो. विसंगती शोधणे, दुसरीकडे, "सामान्य" फॅब्रिक शिकते आणि दोष उमेदवार म्हणून सामान्य पासून विचलित होणारी कोणतीही गोष्ट चिन्हांकित करते; हे दुर्मिळ, यापूर्वी कधीही न पाहिलेल्या दोषांसाठी कार्य करते कारण प्रत्येक दोष प्रकाराला आगाऊ लेबल करणे आवश्यक नसते.
आम्ही दोन मूलभूत निकषांसह प्रणालीची कार्यक्षमता वाचतो. संवेदनशीलता (आठवणे): त्यात किती टक्के वास्तविक दोष आढळले? अचूकता: त्यांनी जे दोष म्हटले होते त्यातील किती टक्के दोष होता? या दोघांमध्ये समतोल आहे. फॉल्स निगेटिव्ह (दोष गहाळ) म्हणजे सदोष वस्तू ग्राहकाला दिल्या जातात; फॉल्स पॉझिटिव्ह (परिपूर्णला दोषपूर्ण म्हणून चिन्हांकित करणे) म्हणजे अनावश्यक कचरा आणि मंदी. गुणवत्ता-गंभीर अनुप्रयोगामध्ये, खोटे नकारात्मक कमी ठेवण्यासाठी थ्रेशोल्डची निवड केली जाते, तर वाढीव खोट्या सकारात्मकतेची मानवी ऑपरेटरद्वारे वेगाने दुसरी तपासणी केली जाते.
येथे एक गंभीर सापळा आहे: केवळ अचूकता दिशाभूल करणारी आहे. उत्पादन लाइनवर, कदाचित 2% फॅब्रिक सदोष आहे. एक मूर्ख मॉडेल जे सर्वकाही "परिपूर्ण" म्हणते 98% अचूकतेचा अहवाल देते परंतु एकही दोष पकडत नाही. म्हणून, असंतुलित डेटामध्ये, दोष वर्गाची संवेदनशीलता आणि अचूकता विचारात घेतली जात नाही, परंतु अचूकता.
स्टेप बाय स्टेप: डिटेक्शन सिस्टमचे मूल्यांकन करणे
- प्रतिनिधी डेटा गोळा करा. वास्तविक फॅब्रिक विविधता (रंग, पोत, प्रकाश) कव्हर करणाऱ्या प्रतिमा ज्या सिस्टमला दिसेल; दुर्मिळ दोषांसह.
- लेबल गुणवत्ता तपासा. प्रशिक्षण लेबल चुकीचे असल्यास, मॉडेल देखील चुकीचे शिकते; तज्ञांच्या नजरेने लेबल्सचा नमुना घ्या.
- संवेदनशीलता/सुस्पष्टता मोजा. दोष वर्गासाठी स्वतंत्रपणे; फक्त सामान्य अचूकतेकडे पाहू नका.
- खोट्या नकारात्मक तपासा. चुकलेल्या दोषांमध्ये एक सामान्य वैशिष्ट्य आहे (विशिष्ट रंग, विशिष्ट प्रकाश)?
- मानवी-इन-द-लूप सेट करा. मॉडेलने काय चिन्हांकित केले आहे याची ऑपरेटरला पुष्टी करू द्या; अनिश्चित गोष्टी लोकांना निर्देशित करा.
- निरीक्षण करा आणि पुन्हा प्रशिक्षण द्या. नवीन दोष प्रकार उदयास येताच डेटासेट अद्यतनित करा (संकल्पना प्रवाह).
तीन मिनी प्रकरणे: संख्यांनुसार
केस 1 - दिशाभूल करणारी अचूकता. एका पुरवठादाराने "आमचे मॉडेल 97% अचूक आहे" असे म्हणत प्रणाली विकली. शेतात ग्राहकांचा परतावा वाढला. विश्लेषणात असे दिसून आले की दोष वर्गाची संवेदनशीलता केवळ 61% होती, म्हणजे प्रत्येक 100 पैकी 39 खरे दोष चुकले. अचूकता जास्त होती कारण बहुतेक फॅब्रिक आधीच निर्दोष होते. थ्रेशोल्ड पुन्हा समायोजित केले आणि मानवी नियंत्रण जोडले; संवेदनशीलता 92% पर्यंत वाढली, ऑपरेटरद्वारे खोटे सकारात्मक काढून टाकले गेले.
केस 2 - लाइटिंग शिफ्ट. एका ओळीत, दुपारचा सूर्यप्रकाश तपासणी क्षेत्रावर आदळला तेव्हा खोटे धन तिप्पट झाले; मॉडेलला वाटले की सावल्या हे डाग आहेत. जेव्हा पाहण्याची स्थिती (बंद कॅबिनेट, सतत एलईडी लाइटिंग) प्रमाणित केली गेली तेव्हा समस्या सोडवली गेली. धडा: इमेजिंग सेटअप हे मॉडेलइतकेच गुणवत्तेचे आहे.
प्रकरण 3 - वेळ आणि श्रम. एका व्यवसायाने 100 मीटर फॅब्रिकची व्यक्तिचलितपणे तपासणी करण्यासाठी सरासरी 9 मिनिटे खर्च केली. कॅमेरा प्री-स्कॅनिंग + ऑपरेटर पुष्टीकरण मॉडेलसह, वेळ 4 मिनिटांपर्यंत कमी केला गेला आणि गळती कमी झाली कारण ऑपरेटरने केवळ चिन्हांकित क्षेत्रांकडे लक्ष दिले. काय गंभीर होते की ऑटोमेशन ऑपरेटरची नाही तर ऑपरेटरची नजर तीक्ष्ण करते.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
टीप: दोष प्रतिमेचे थेट विश्लेषण करणाऱ्या समर्पित प्रणाली वेगळ्या आहेत; येथे आम्ही प्रक्रिया डिझाइन, डेटा मूल्यांकन आणि अहवालासाठी AI वापरतो.
कमकुवत प्रॉम्प्ट:
मला सांगा, आमचे दोष शोधण्याचे मॉडेल चांगले आहे का?
शक्तिशाली सूचना:
तुमची भूमिका: टेक्सटाईल गुणवत्ता अभियंता आणि डेटा विश्लेषक. खाली दोष शोध मॉडेलचे चाचणी परिणाम आहेत (गोंधळ मॅट्रिक्स: खरे सकारात्मक, खोटे सकारात्मक, खोटे नकारात्मक, खरे नकारात्मक). कार्य: 1) दोष वर्गासाठी संवेदनशीलता आणि अचूकतेची गणना करा, सूत्र दर्शवा. 2) या संख्येसह स्पष्ट करा. खोट्याचा व्यवसायावर चुकीचा परिणाम का होऊ शकतो. या उत्पादनातील नकारात्मक. 4) थ्रेशोल्ड सेटिंग आणि मानवी तपासणीसाठी ठोस सूचना द्या. संख्या: [मॅट्रिक्स]
कॉपी करण्यायोग्य टेम्पलेट्स
1) मेट्रिक गणना आणि व्याख्या:
खालील गोंधळ मॅट्रिक्समधून संवेदनशीलता, अचूकता आणि F1 स्कोअरची गणना करा, प्रत्येक सूत्र लिहा आणि गुणवत्तेच्या दृष्टीने कोणता अधिक गंभीर आहे याचे समर्थन करा. मॅट्रिक्स: [TP, FP, FN, TN]
2) खोटे नकारात्मक मूळ कारण:
खाली चुकलेल्या (खोटे नकारात्मक) दोषांची वैशिष्ट्य सूची आहे (दोष प्रकार, रंग, प्रकाश, वेग). सामान्य पॅटर्न गृहीतके व्युत्पन्न करा आणि प्रत्येक गृहीतकासाठी पडताळणी चाचणी प्रस्तावित करा. डेटा: [सूची]
3) 4-पॉइंट पॉइंट्समध्ये रूपांतरण:
खालील डिटेक्शन आउटपुटला 4-पॉइंट सिस्टममध्ये रूपांतरित करा: प्रत्येक दोष त्याच्या लांबीनुसार स्कोअर करा, प्रति 100 m² एकूण स्कोअरची गणना करा, [थ्रेशोल्ड] स्कोअरशी तुलना करा आणि स्वीकृती/नकाराची शिफारस करा. दोष सूची: [सूची]
4) तपासणी अहवालाचा मसुदा:
खालील शिफ्ट दोष डेटामधून कार्यकारी सारांश काढा: शीर्ष 3 दोष, संभाव्य प्रक्रिया स्त्रोत (कल्पना), एकूण नकार दर आणि शिफारस केलेल्या क्रिया. संख्या बनवू नका, जे दिले आहे ते वापरा. डेटा: [सारणी]
मेट्रिक तुलना चार्ट
निकष
काय उपाय
उच्च असणे चांगले आहे का?
गुणवत्तेत महत्त्व
अचूकता
एकूणच योग्य दर
दिशाभूल होऊ शकते
असंतुलित डेटा कमी
संवेदनशीलता (आठवणे)
वास्तविक दोष दर पकडला
होय
थेंब खोटे नकारात्मक (गंभीर)
सुस्पष्टता
तुका म्हणे सत्य दोष
होय
खोटे सकारात्मक/कचरा कमी करते
खोटे नकारात्मक
दोष सुटला
नाही, ते कमी असावे
ग्राहकांना सदोष वस्तूंचा धोका
खोटे सकारात्मक
रिक्त अलार्म
नाही पण सहन केले जाते
कार्यक्षमता/वेग कमी
लक्ष द्या: स्वयंचलित प्रणाली एक "प्री-स्क्रीनर" आहे, "मंजूरकर्ता" नाही. अंतिम गुणवत्ता स्वीकृती निर्णयासाठी सक्षम दर्जाच्या अधिकाऱ्याची परवानगी आवश्यक आहे, विशेषत: ग्राहक कराराच्या अधीन असलेल्या बॅचेससाठी. मॉडेल मानवी नियंत्रणास गती देते, परंतु त्यास सूट देत नाही.
सामान्य चुका
- नीतिमत्ता पाहणे आणि समाधानी असणे. उच्च अचूकता असंतुलित डेटामध्ये कलाकृती लपवते.
- पाहण्याच्या स्थितीकडे दुर्लक्ष करणे. सतत प्रदीपन आणि स्थिर गतीशिवाय मॉडेल अविश्वसनीय आहे.
- लेबल गुणवत्ता तपासत नाही. चुकीच्या लेबलसह प्रशिक्षित मॉडेल चुकीच्या पद्धतीने शिकते.
- नवीन प्रकारचे दोष विसरणे. कालांतराने दिसणाऱ्या नवीन दोषांसाठी डेटा अपडेट न केल्यास, कार्यप्रदर्शन शांतपणे खालावते.
- लोकांना बाहेर काढणे. गंभीर स्वीकृती निर्णयाला मानवी संमती आवश्यक आहे.
सारांशात
इमेज प्रोसेसिंग फॅब्रिक तपासणीला मोठ्या प्रमाणात गती देते आणि मानवी थकवा भरून काढते. परंतु त्याची कामगिरी अचूकतेने नव्हे, तर दोष वर्गाच्या संवेदनशीलतेने आणि अचूकतेने वाचली जाते; फॉल्स नकारात्मक ही गुणवत्तेतील सर्वात धोकादायक त्रुटी आहे. स्थिर इमेजिंग स्थिती, गुणवत्ता लेबल आणि मानवी-इन-द-लूप तपासणी हे सिस्टमच्या विश्वासार्हतेचे तीन स्तंभ आहेत. स्वयंचलित आउटपुट ही प्राथमिक तपासणी आहे; अंतिम स्वीकृती निर्णय अभियंत्याच्या मान्यतेसह राहील.
अर्ज कार्य
दोष शोधण्याच्या प्रणालीसाठी एक उदाहरण गोंधळ मॅट्रिक्स परिभाषित करा (उदा. 100 दोषपूर्ण, 4900 परिपूर्ण नमुने). या युनिटमध्ये "मेट्रिक कॅल्क्युलेशन" टेम्प्लेटसह संवेदनशीलता, अचूकता आणि F1 ची गणना करा; नंतर परिणाम स्वतः तपासा. त्याच मॅट्रिक्समध्ये खोटे ऋण निम्मे करण्यासाठी जेव्हा तुम्ही थ्रेशोल्ड बदलता तेव्हा खोट्या सकारात्मकतेचे काय होते याची परिच्छेदामध्ये चर्चा करा आणि तुमच्या उत्पादनासाठी कोणते संतुलन योग्य आहे ते ठरवा.
चेकलिस्ट
- [ ] मी कामगिरीचे मूल्यमापन संवेदनशीलता/सुस्पष्टता द्वारे करतो, अचूकतेने नाही.
- [ ] मी व्यवसायाच्या परिणामासह खोट्या नकारात्मकतेच्या जोखमीचा अर्थ लावतो.
- [ ] मी पाहण्याच्या परिस्थितीचे प्रमाणीकरण केले (प्रकाश, वेग).
- [ ] मी नियमितपणे लेबल गुणवत्ता आणि नवीन दोष प्रकार तपासतो.
- [ ] मी अंतिम स्वीकृती निर्णयाला मानवी मान्यता देतो; मॉडेल फक्त प्री-सिफ्टर आहे.