उत्पादन लाइन गुणवत्ता नियंत्रण: व्हिज्युअल दोष शोध

नफा:

• मशीन व्हिजनसह ऑटोमोटिव्ह उत्पादन लाइनमध्ये पृष्ठभाग, वेल्डिंग आणि असेंबली दोष शोधण्याचे कार्यप्रवाह समजून घेणे
• प्रतिमा डेटासेट, लेबलिंग, मॉडेल प्रशिक्षण आणि थ्रेशोल्ड निर्धारण स्थापित करण्यासाठी संरचित मार्गाने कृत्रिम बुद्धिमत्ता वापरण्याची क्षमता
• सुटका आणि खोटे नकार दर, लाइन गती आणि ऑपरेटर आत्मविश्वास लक्षात घेऊन गुणवत्ता निर्णय सत्यापित करण्याची क्षमता

एका कारमध्ये हजारो भाग असतात आणि प्रत्येक भाग काही सेकंदात ओळीतून जातो. प्रत्येक वेल्ड, प्रत्येक पेंट पृष्ठभाग, प्रत्येक असेंबली मानवी डोळ्यांसह कोणत्याही त्रुटीशिवाय तपासणे हे थकवणारे आणि विसंगत दोन्ही आहे; डोळे थकतात, लक्ष विचलित होते. इथेच मशीन व्हिजन आणि आर्टिफिशियल इंटेलिजन्स येतात: कॅमेरे भागांची इमेज करतात, एआय मॉडेल एका सेकंदाच्या आत दोष दर्शवितो. या युनिटमध्ये, आम्ही ऑटोमोटिव्ह उत्पादनामध्ये प्रतिमा गुणवत्ता नियंत्रण कसे स्थापित केले जाते, एआयची भूमिका आणि सर्वात गंभीर समस्या, त्रुटी शिल्लक यावर चर्चा करू.

ऑटोमोटिव्हमधील ठराविक व्हिज्युअल दोष

मुख्य प्रकारचे दोष दृष्यदृष्ट्या तपासले जातात:

• पृष्ठभाग/रंग दोष: संत्र्याची साल (उग्र रंग), धुळीचे फुगे, रक्तस्त्राव, ओरखडे, रंगाचा फरक.
• वेल्ड दोष: अपूर्ण वेल्ड, स्पॅटर, सच्छिद्रता, चुकीचे स्थान वेल्ड.
• असेंबली दोष: गहाळ बोल्ट, चुकीची स्थापित क्लिप, उलट सील, सैल कनेक्टर.
• लेबल/चिन्ह: अयोग्य VIN, चुकीचे लेबल, गहाळ स्टॅम्प.

यातील काही दोष केवळ सौंदर्याचा (किरकोळ ओरखडे) आहेत, तर काही सुरक्षा-गंभीर आहेत (अपूर्ण वेल्डिंगमुळे शरीराच्या सांध्यामध्ये थकवा जाणवू शकतो). हा फरक पुढील सर्व निर्णय निर्धारित करतो.

टीप: प्रत्येक दोष समान गांभीर्याने हाताळू नका. दोषांचे वर्गीकरण करताना "सौंदर्यविषयक/कार्यात्मक/सुरक्षा-गंभीर" टॅग जोडणे ही थ्रेशोल्ड आणि निर्णय तर्कशास्त्र योग्य मिळविण्याची गुरुकिल्ली आहे.

दोन मूलभूत पध्दती: पर्यवेक्षित वर्गीकरण आणि विसंगती शोधणे

व्हिज्युअल दोष शोधण्यासाठी दोन मुख्य धोरणे आहेत:

1. पर्यवेक्षित वर्गीकरण/शोध: तुम्ही मॉडेलला "येथे दोषपूर्ण उदाहरणे आहेत, येथे परिपूर्ण उदाहरणे आहेत" असे म्हणत अनेक लेबल केलेल्या प्रतिमा दाखवून शिकवता. तुम्हाला दोषांचे प्रकार माहित असल्यास आणि पुरेशी उदाहरणे असल्यास ते शक्तिशाली आहे. आव्हान: दुर्मिळ दोषांचे पुरेसे नमुने गोळा करणे कठीण आहे (एक रेषा जवळजवळ नेहमीच घन भाग तयार करते).
2. विसंगती शोधणे: तुम्ही मॉडेलला फक्त "सामान्य/मजबूत" प्रतिमा दाखवता; मॉडेल सामान्य कसे दिसते ते शिकते आणि सामान्य पासून विचलित होणारी कोणतीही गोष्ट "विसंगती" म्हणून चिन्हांकित करते. तुम्हाला दोष प्रकार आधीच माहित नसला तरीही ते नवीन/अनपेक्षित दोष पकडू शकतात. अडचण: कोणत्याही विचलनास दोष म्हणून चूक करू शकते (जसे की प्रकाशात बदल).

सराव मध्ये, दोन्ही एकत्र वापरले जातात: विसंगती शोध म्हणते "येथे काहीतरी विचित्र आहे", वर्गीकरण म्हणते "हे एक संसाधन बाउन्स आहे".

स्टेप बाय स्टेप: व्हिज्युअल इन्स्पेक्शन सिस्टम सेट करणे

1. दोष कॅटलॉग आणि स्वीकृती निकष: कोणते दोष स्वीकारले/नाकारले गेले ते दर्जेदार अभियंत्यांसह परिभाषित करा. हे मॉडेलचे "सत्य" आहे.
2. प्रतिमा संपादन: स्थिर, सातत्यपूर्ण प्रकाशयोजना आणि कॅमेरा स्थिती गंभीर आहे. खराब/अस्थिर प्रकाश हे अपयशाचे सर्वात सामान्य कारण आहे.
3. लेबलिंग: तज्ञ दोष चिन्हांकित करतात; सुसंगततेसाठी लेबलिंग मार्गदर्शन आवश्यक आहे.
4. मॉडेल प्रशिक्षण: एक पर्यवेक्षी आणि/किंवा विसंगती मॉडेल प्रशिक्षित केले जाते.
5. थ्रेशोल्डिंग: मॉडेल "दोष होण्याची शक्यता" देते; हे वरील थ्रेशोल्ड आहे ज्याची संभाव्यता तुम्ही "नकार" म्हणून विचारात घ्याल. हा सर्वात गंभीर व्यवसाय निर्णय आहे (खाली).
6. लाइन इंटिग्रेशन: मॉडेल निर्णय घेते, संशयास्पद भाग ऑपरेटर/स्टेशनकडे निर्देशित केले जातात.
7. देखरेख आणि पुन्हा प्रशिक्षण: नवीन दोष प्रकार, हंगामी बदल, नवीन भाग उपलब्ध झाल्यामुळे मॉडेल अपडेट केले जाते.

सर्वात गंभीर समस्या: गळती आणि खोटे नकार संतुलन

दोष शोधण्यात दोन त्रुटी आहेत आणि त्यांची किंमत ऑटोमोटिव्हमध्ये खूप वेगळी आहे:

• गळती (पलायन / खोटे नकारात्मक): दोषपूर्ण तुकडा "चांगला" मानला जातो आणि ओळीतून जातो. सेफ्टी पीसवर, याचा अर्थ फील्डमध्ये जाणारे सदोष वाहन, ग्राहकाची तक्रार किंवा अगदी रिकॉल. सर्वात महाग चूक.
• खोटे नकार (खोटे नकार / खोटे सकारात्मक): अखंड भाग "दोषपूर्ण" मानला जातो आणि नाकारला जातो. याचा अर्थ कचरा, अनावश्यक पुनर्काम, ओळ मंदगती; हे दुखत आहे, परंतु ते सुरक्षिततेला धोका देत नाही.

निर्णय मर्यादा

फरारी

खोटे नकार

कधी?

सैल (उच्च थ्रेशोल्ड)

वाढते (धोकादायक)

कमी होते

कधीही सुरक्षा ट्रॅकवर नाही

कठोर (कमी थ्रेशोल्ड)

कमी होते

वाढते (महाग)

सुरक्षा-गंभीर भागांवर

संतुलित

मध्यम

मध्यम

सौंदर्य दोष मध्ये

खबरदारी: सुरक्षा-गंभीर भागावर (ब्रेक, स्टीयरिंग, बॉडी वेल्ड) गळती कमी करण्यासाठी खिडकीची चौकट नेहमी घट्ट ठेवली जाते; संशयास्पद तुकडा मानवाकडे निर्देशित केला जातो. थ्रेशोल्ड आराम करणे कारण "खोटे नकार महाग आहे" सुरक्षा तुकड्यात अस्वीकार्य आहे.

श्रमाचे मानवी-यंत्र विभाग

सुस्थापित प्रणालीमध्ये, मॉडेल हा अंतिम निर्णय घेणारा नसतो; हे एक "प्री-स्क्रीनर" आहे. मॉडेल स्पष्ट उणिवा पकडते आणि माणसाला ज्या गोष्टींची त्यांना खात्री नसते ते परत पाठवते. हे ऑपरेटरला 1,000 भागांकडे पाहण्याऐवजी 30 संशयास्पद भागांवर लक्ष केंद्रित करण्यास अनुमती देते. ऑपरेटरचा आत्मविश्वास देखील महत्त्वाचा आहे: जर मॉडेलने खूप खोटे अलार्म तयार केले, तर ऑपरेटर अलर्ट गंभीरपणे घेणे थांबवतो ("अलार्म थकवा"). म्हणूनच खोटे नकार दर देखील निरीक्षण केले जाते.

मिनी केस स्टडी

केस 1 - लाइटिंग ट्रॅप. प्रयोगशाळेत पेंट तपासणी मॉडेल 98% यशस्वी असले तरी ते 80% पर्यंत घसरते. पुनरावलोकन: दिवसा रेषेवरील छतावरील प्रकाश बदलतो, मॉडेल ब्राइटनेसमधील फरक "दोष" मानतो. जेव्हा निश्चित बोगदा प्रकाश जोडला जातो, तेव्हा यश 97% पर्यंत वाढते. निष्कर्ष: प्रतिमा गुणवत्ता मॉडेलपेक्षा अधिक निर्णायक असू शकते.

केस 2 - गळतीची किंमत. हुल वेल्ड तपासणीमध्ये थ्रेशोल्ड "कार्यक्षमतेसाठी" किंचित आरामशीर आहे; खोटे नकार 6% वरून 3% पर्यंत घसरतो, परंतु एका महिन्यानंतर, शेतात दोन वाहनांमध्ये वेल्ड क्रॅक आढळतात. मूळ कारणांचे विश्लेषण दर्शविते की गळतीचे प्रमाण वाढले आहे. थ्रेशोल्ड पुन्हा कडक केला जातो आणि संशयास्पद भाग 100% मानवी नियंत्रणाखाली आणले जातात. निष्कर्ष: सुरक्षा भागामध्ये गळती कमी करणे हे नेहमी खोट्या नकारापेक्षा प्राधान्य देते.

केस 3 - दुर्मिळ दोष. कधीकधी नवीन इंजेक्शन मोल्डमधून खूप लहान बुर दोष उद्भवतो, परंतु पर्यवेक्षी मॉडेलच्या प्रशिक्षणामध्ये या दोषाची जवळजवळ कोणतीही उदाहरणे नाहीत, म्हणून ती चुकते. जेव्हा विसंगती शोध मॉडेल सक्रिय केले जाते, तेव्हा ते "सामान्य पासून विचलन" म्हणून ओळखते. निष्कर्ष: दुर्मिळ/नवीन दोषांसाठी विसंगती शोधणे पर्यवेक्षी मॉडेलला पूरक आहे.

प्रॉम्प्ट टेम्पलेट्स

टेम्पलेट 1 - दोष कॅटलॉग आणि तीव्रता वर्गीकरण:

भूमिका: तुम्ही ऑटोमोटिव्ह गुणवत्ता अभियंता आहात. कार्य: दोषांची खालील यादी तीव्रता वर्गांमध्ये क्रमवारी लावा. संदर्भ: शरीर वेल्ड लाइन; दोष: स्प्लॅटर, छिद्र, गहाळ स्पॉट, थोडासा रंग फरक, पृष्ठभाग स्क्रॅच. बंधन: प्रत्येक दोष सौंदर्याचा/कार्यात्मक/सुरक्षा-गंभीर म्हणून लेबल करा आणि निर्णय सुचवा (स्वीकृती/मानवी तपासणी/नकार).आउटपुट: दोष | महत्त्व | प्रस्तावित निर्णय | औचित्य सारणी.

टेम्पलेट 2 - लेबलिंग मार्गदर्शक:

भूमिका: प्रतिमा लेबलिंग गुणवत्ता लीड. कार्य: पेंट दोष लेबलिंगसाठी सुसंगतता नियम लिहा. संदर्भ: संत्रा फळाची साल, धावा, धूळ बबल; वेगवेगळ्या प्रकाशयोजनेखाली घेतलेल्या प्रतिमा आहेत. आउटपुट: नियम | उदाहरण | मर्यादा राज्य | टॅगर नोट.

टेम्प्लेट 3 - थ्रेशोल्ड/मेट्रिक निर्णयाचा अर्थ लावणे:

भूमिका: मशीन व्हिजन इव्हॅल्युएटर. टास्क: खालील निर्णय थ्रेशोल्ड टेबलचा अर्थ लावा. संदर्भ: सुरक्षा-गंभीर संसाधन; थ्रेशोल्ड ए वर, गळती 0.3% आहे, खोटे नकार 5% आहे; थ्रेशोल्ड बी वर गळती 1.2% खोटे नकार 2%. मर्यादा: सुरक्षा प्राधान्याचे निरीक्षण करा; तुम्ही कोणत्या थ्रेशोल्डची शिफारस करता आणि का ते स्पष्ट करा आणि मानवी नियंत्रण पायरी जोडा. आउटपुट: शिफारस + औचित्य + उर्वरित धोका.

टेम्पलेट 4 - मूळ कारण विश्लेषण:

भूमिका: तुम्ही दर्जेदार अभियंता आहात. कार्य: मागील 3 शिफ्टमध्ये वाढलेल्या स्पॅटर दोषांची संभाव्य मूळ कारणे सूचीबद्ध करा. संदर्भ: रोबोटिक स्पॉट वेल्डिंग; 2 दिवसांपूर्वी इलेक्ट्रोड बदल केला होता; वर्तमान सेटिंग निश्चित. आउटपुट: संभाव्य कारण | प्रमाणीकरण तपासणी | प्राधान्य

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

सदोष भाग शोधणारे मॉडेल बनवा.

कोणता दोष, कोणता महत्त्व, कोणता उंबरठा, कोणता निर्णय हे स्पष्ट होत नाही; परिणाम निरुपयोगी आहे.

शक्तिशाली सूचना:

भूमिका: तुम्ही ऑटोमोटिव्ह गुणवत्ता आणि मशीन व्हिजन इंजिनिअर आहात. कार्य: बॉडी वेल्ड व्हिजन सिस्टमसाठी डिझाइन चेकलिस्ट तयार करा. संदर्भ: सुरक्षा-गंभीर स्पॉट वेल्डिंग; ओळीचा वेग जास्त आहे; दुर्मिळ दोष आहेत; illumination variable.Constraint: गळती कमी करण्याला प्राधान्य द्या; पर्यवेक्षित वर्गीकरण आणि मानवी नियंत्रण पायरीसह विसंगती शोधणे कसे एकत्र करायचे ते निर्दिष्ट करा; 'शून्य त्रुटी'ची हमी देत ​​आहे.आउटपुट: स्टेज | सूचना | धोका | पडताळणी टेबल.

सामान्य चुका

• प्रकाश/प्रतिमा गुणवत्तेकडे दुर्लक्ष. वाईट प्रतिमा अगदी सर्वोत्तम मॉडेल खराब करते.
• गळती आणि खोटे नकार समान विचारात घेणे. ऑटोमोटिव्ह सेफ्टी पार्ट्समधील गळती जास्त महाग आहे.
• दुर्मिळ दोषांसाठी केवळ पर्यवेक्षी मॉडेलवर अवलंबून राहणे. विसंगती शोधणे हे पूरक आहे.
• मॉडेलला अंतिम निर्णय घेणारा. संशयास्पद भाग मानवांकडे निर्देशित केले पाहिजेत.
• पुन्हा प्रशिक्षण विसरणे. नवीन भाग, नवीन साचे आणि हंगामी बदल मॉडेल जुने बनवतात.

सारांशात

• मशीन व्हिजन आणि AI ऑटोमोटिव्ह लाईनवरील पृष्ठभाग, वेल्ड आणि असेंबली दोषांची त्वरीत आणि सातत्याने तपासणी करतात.
• ज्ञात दोषांवर पर्यवेक्षित वर्गीकरण मजबूत आहे, दुर्मिळ/नवीन दोषांवर विसंगती शोधणे मजबूत आहे; दोन्ही एकत्र वापरले जातात.
• सर्वात गंभीर निर्णय थ्रेशोल्ड आहे: सुरक्षा-गंभीर भागामध्ये गळती (खोटे नकारात्मक) कमी केली जाते, संशयास्पद भाग मानवाकडे जातो.
• प्रतिमेची गुणवत्ता आणि प्रकाशयोजना अनेकदा मॉडेलपेक्षा अधिक निर्णायक असतात.
• मॉडेल एक पूर्व-sifter आहे; अंतिम गुणवत्ता निर्णय आणि सुरक्षिततेची जबाबदारी मानवावर आहे.

अर्ज कार्य

एक भाग/स्टेशन निवडा (उदा. फ्रंट बंपर असेंब्ली). (1) संभाव्य दोषांची यादी करा आणि प्रत्येकाला सौंदर्याचा/कार्यात्मक/सुरक्षा-गंभीर म्हणून लेबल करा. (2) टेम्प्लेट 3 सह, गळती/खोटे नकार देण्यासाठी दोन थ्रेशोल्ड पर्यायांची तुलना करा आणि शिफारसीचे समर्थन करा. (३) दुर्मिळ दोषासाठी तुम्ही पर्यवेक्षित किंवा विसंगती शोध वापराल का ते स्पष्ट करा. (4) मानवी नियंत्रण चरण आणि पुन्हा प्रशिक्षण ट्रिगर परिभाषित करा.

चेकलिस्ट

• [ ] मी दोषांची तीव्रता वर्गात विभागणी केली (सौंदर्य/कार्यात्मक/सुरक्षा-गंभीर).
• [ ] मी थ्रेशोल्ड निर्णयामध्ये बेकायदेशीर आणि खोट्या नकाराच्या संतुलनाचे मूल्यांकन केले.
• [ ] मी सुरक्षा-गंभीर भागामध्ये गळतीला प्राधान्य दिले.
• [ ] मी पर्यवेक्षित आणि विसंगती पद्धती योग्य ठिकाणी ठेवल्या आहेत.
• [ ] मी प्रतिमा गुणवत्ता/प्रकाश आवश्यकता निर्दिष्ट केली आहे.
• [ ] मी मानवी नियंत्रणाची पायरी आणि पुन्हा प्रशिक्षण योजना परिभाषित केली.