Keuntungan:
- Keupayaan untuk menerangkan bagaimana kecacatan pada permukaan fabrik dikesan dan diklasifikasikan oleh pemprosesan imej dan pembelajaran mesin.
- Keupayaan untuk mentafsir baki positif/negatif palsu, sistem pemarkahan 4 mata dan metrik prestasi model
- Keupayaan untuk mereka bentuk persediaan pengesahan yang menguji output pengesanan kecacatan automatik dengan pemeriksaan manusia dan pemeriksaan fizikal
Selama bertahun-tahun, kawalan kualiti fabrik telah bergantung pada mata manusia: seorang pengendali memerhati fabrik selama berjam-jam di atas meja pemeriksaan yang bercahaya, menanda dan menjaringkan sebarang kecacatan yang dilihatnya. Kerja ini memenatkan, subjektif, dan terdedah kepada keletihan dan kesilapan; Perhatian tidak begitu tajam pada penghujung anjakan seperti pada permulaan. Penglihatan komputer dan pembelajaran mesin berjanji untuk mengautomasikan pemeriksaan ini: kamera berkelajuan tinggi mengimbas fabrik, mengesan dan mengklasifikasikan corak kecacatan dalam beberapa saat. Dalam unit ini, kita akan membincangkan bagaimana sistem ini berfungsi, kriteria yang digunakan untuk menilai, dan mengapa kawalan manusia masih diperlukan.
Kecacatan Fabrik dan Bahasa Pemeriksaan
Untuk memahami pengesanan automatik, pertama sekali perlu mengetahui nama kecacatan. Kecacatan biasa pada fabrik tenunan: pecahan meledingkan (kekurangan benang membujur), kecacatan pakan/antaramuka (garisan melintang), lubang, noda, tempat tebal/nipis, lantunan meledingkan. Dalam fabrik rajutan: tanda jarum (garis membujur, dari kerosakan jarum), jahitan sesat, lubang, perbezaan ketebalan. Dalam percetakan dan pencelupan: perbezaan warna, abrage (pewarnaan tidak teratur), gelincir, percikan.
Keputusan pemeriksaan selalunya dijaringkan menggunakan sistem empat mata: setiap kecacatan diberi 1-4 mata mengikut panjang membujurnya (cth. 1 mata hingga 8 cm, 4 mata melebihi 15 cm) dan jumlah markah setiap 100 m² dikira. Di bawah ambang (mis. 40 mata/100 m²) dianggap "penerimaan", di atas dianggap "penolakan". Pemarkahan automatik dengan AI harus mencontohi standard ini; Ia tidak sepatutnya menghasilkan skor sewenang-wenangnya sendiri.
Petua: Output sistem automatik hendaklah sentiasa boleh ditukar kepada standard pemarkahan yang anda terima (seperti 4 mata) dan toleransi pelanggan. "Model menemui 12 anomali" sahaja tidak membuat keputusan perniagaan; Ia mesti ditukar kepada mata dan keputusan.
Bagaimanakah Pengesanan Cacat Automatik Berfungsi?
Sistem moden sering menggabungkan kedua-dua pendekatan. Pengelasan terselia ialah apabila rangkaian saraf tiruan (terutamanya rangkaian neural konvolusi yang sesuai dengan imej, English CNN) dilatih dengan beribu-ribu contoh kecacatan yang dilabelkan sebelum ini meramalkan sama ada terdapat kecacatan pada imej baharu dan jenisnya. Pengesanan anomali, sebaliknya, mempelajari fabrik "biasa" dan menandakan apa-apa yang menyimpang dari biasa sebagai calon kecacatan; Ia berfungsi untuk kecacatan yang jarang berlaku, tidak pernah dilihat sebelum ini kerana ia tidak perlu melabelkan setiap jenis kecacatan terlebih dahulu.
Kami membaca prestasi sistem dengan dua kriteria asas. Kepekaan (ingat): berapa peratus kecacatan sebenar yang dikesan? Ketepatan: Berapa peratus daripada apa yang mereka katakan sebagai kecacatan sebenarnya adalah kecacatan? Terdapat keseimbangan antara kedua-dua ini. Negatif palsu (hilang kecacatan) bermakna barang rosak dihantar kepada pelanggan; Positif palsu (menandakan yang sempurna sebagai rosak) bermaksud pembaziran dan kelembapan yang tidak perlu. Dalam aplikasi kritikal kualiti, ambang biasanya dipilih untuk memastikan negatif palsu rendah, manakala peningkatan positif palsu menjalani pemeriksaan kedua yang pantas oleh pengendali manusia.
Terdapat perangkap kritikal di sini: ketepatan sahaja mengelirukan. Pada barisan pengeluaran, mungkin 2% daripada fabrik itu rosak. Model bodoh yang menyebut segala-galanya "sempurna" melaporkan 98% ketepatan tetapi tidak menangkap satu pun kecacatan. Oleh itu, dalam data yang tidak seimbang, sensitiviti dan ketepatan kelas kecacatan tidak dipertimbangkan, tetapi ketepatannya.
Langkah demi Langkah: Menilai Sistem Pengesanan
- Kumpul data perwakilan. Imej yang merangkumi kepelbagaian fabrik sebenar (warna, tekstur, pencahayaan) yang akan dilihat oleh sistem; Termasuk kecacatan yang jarang berlaku.
- Semak kualiti label. Jika label latihan salah, model juga salah belajar; Sampel label dengan mata pakar.
- Ukur kepekaan/ketepatan. Secara berasingan untuk kelas kecacatan; Jangan hanya melihat ketepatan umum.
- Periksa negatif palsu. Adakah kecacatan yang terlepas mempunyai ciri yang sama (warna tertentu, cahaya tertentu)?
- Sediakan manusia dalam gelung. Biarkan operator mengesahkan perkara yang telah ditandakan oleh model; arahkan yang tidak pasti kepada orang.
- Pantau dan latih semula. Kemas kini set data apabila jenis kecacatan baharu muncul (konsep drift).
Tiga Kes Mini: Mengikut Nombor
Kes 1 — Ketepatan yang mengelirukan. Pembekal menjual sistem dengan mengatakan "model kami 97% tepat". Pulangan pelanggan meningkat di lapangan. Analisis menunjukkan bahawa sensitiviti kelas kecacatan hanya 61%, bermakna 39 daripada setiap 100 kecacatan sebenar terlepas. Ketepatan adalah tinggi kerana kebanyakan fabrik sudah sempurna. Ambang dilaraskan semula dan kawalan manusia ditambah; sensitiviti meningkat kepada 92%, positif palsu telah dihapuskan oleh pengendali.
Kes 2 — Peralihan lampu. Dalam satu baris, positif palsu meningkat tiga kali ganda apabila cahaya matahari petang melanda kawasan pemeriksaan; Model itu menyangka bayang-bayang itu adalah noda. Masalahnya telah diselesaikan apabila keadaan tontonan (kabinet tertutup, pencahayaan LED berterusan) diseragamkan. Pengajaran: persediaan pengimejan adalah sama tentang kualiti seperti model.
Kes 3 — Masa dan tenaga kerja. Sebuah perniagaan menghabiskan purata 9 minit untuk memeriksa 100 meter kain secara manual. Dengan model pra-imbasan kamera + pengesahan operator, masa dikurangkan kepada 4 minit dan kebocoran dikurangkan kerana pengendali hanya menumpukan perhatian kepada kawasan yang ditanda. Apa yang penting ialah automasi tidak menajamkan pengendali, tetapi mata pengendali.
Gesaan Lemah / Gesaan Kuat
Nota: Sistem khusus yang menganalisis secara langsung imej kecacatan adalah berasingan; di sini kami menggunakan AI untuk reka bentuk proses, penilaian data dan laporan.
Gesaan yang lemah:
Beritahu saya, adakah model pengesanan kecacatan kami bagus?
Gesaan kuat:
Peranan anda: Jurutera kualiti tekstil dan penganalisis data. Di bawah ialah keputusan ujian model pengesanan kecacatan (matriks kekeliruan: positif benar, positif palsu, negatif palsu, negatif benar). Tugasan:1) Kira sensitiviti dan ketepatan untuk kelas kecacatan, tunjukkan formula.2) Jelaskan dengan nombor ini mengapa ketepatan keseluruhan boleh mengelirukan.3) Mengulas tentang kesan negatif pengeluaran bagi perniagaan ini) penetapan ambang dan pemeriksaan manusia.Nombor: [matriks]
Templat Boleh Disalin
1) Pengiraan dan tafsiran metrik:
Kira sensitiviti, ketepatan dan skor F1 daripada matriks kekeliruan berikut, tulis setiap formula dan justifikasikan yang mana satu lebih kritikal dari segi kualiti. Matriks: [TP, FP, FN, TN]
2) Punca punca negatif palsu:
Di bawah ialah senarai ciri kecacatan yang terlepas (negatif palsu) (jenis kecacatan, warna, cahaya, kelajuan). Hasilkan hipotesis pola biasa dan cadangkan percubaan pengesahan untuk setiap hipotesis. Data: [senarai]
3) Penukaran kepada mata 4 mata:
Tukar output pengesanan berikut kepada sistem 4 mata: skor setiap kecacatan mengikut panjangnya, hitung jumlah skor setiap 100 m², bandingkan dengan skor [ambang] dan syorkan penerimaan/penolakan. Senarai kecacatan: [senarai]
4) Draf laporan pemeriksaan:
Dapatkan ringkasan eksekutif daripada data kecacatan peralihan berikut: 3 kecacatan teratas, kemungkinan sumber proses (hipotesis), jumlah kadar penolakan dan tindakan yang disyorkan. Jangan reka nombor, gunakan sahaja apa yang diberi. Data: [jadual]
Carta Perbandingan Metrik
kriteria
Apa ukuran
Adakah baik untuk menjadi tinggi?
Kepentingan dalam kualiti
Ketepatan
Kadar keseluruhan yang betul
Boleh mengelirukan
Rendah pada data tidak seimbang
Sensitiviti (ingat semula)
Kadar kecacatan sebenar ditangkap
ya
Menggugurkan negatif palsu (kritikal)
Ketepatan
Kebenaran apa yang anda katakan adalah cacat
ya
Mengurangkan positif palsu/buangan
negatif palsu
terlepas kecacatan
Tidak, ia sepatutnya rendah
Risiko barang rosak kepada pelanggan
positif palsu
penggera kosong
Tidak tetapi ia boleh diterima
Kecekapan / kehilangan kelajuan
Perhatian: Sistem automatik ialah "pra-penyaring", bukan "pelulus". Keputusan penerimaan kualiti muktamad memerlukan kelulusan pegawai kualiti yang kompeten, terutamanya bagi kumpulan yang tertakluk kepada kontrak pelanggan. Model ini mempercepatkan kawalan manusia, tetapi tidak mengecualikannya.
Kesilapan biasa
- Untuk melihat kebenaran dan berpuas hati. Ketepatan tinggi menyembunyikan artifak dalam data tidak seimbang.
- Mengabaikan keadaan tontonan. Tanpa pencahayaan malar dan kelajuan malar model tidak boleh dipercayai.
- Tidak menyemak kualiti label. Model yang dilatih dengan label yang salah belajar dengan tidak betul.
- Melupakan jenis kecacatan baru. Jika data tidak dikemas kini untuk kecacatan baharu yang muncul dari semasa ke semasa, prestasi akan menurun secara senyap.
- Memotong orang. Keputusan penerimaan kritikal memerlukan kelulusan manusia.
Secara ringkasnya
Pemprosesan imej sangat mempercepatkan pemeriksaan fabrik dan mengimbangi keletihan manusia. Tetapi prestasinya dibaca bukan dengan ketepatan, tetapi dengan sensitiviti dan ketepatan kelas kecacatan; Negatif palsu adalah kesilapan yang paling berbahaya dalam kualiti. Keadaan pengimejan yang stabil, label kualiti dan pemeriksaan manusia-dalam-gelung adalah tiga tonggak kebolehpercayaan sistem. Output automatik ialah saringan awal; Keputusan penerimaan muktamad kekal dengan kelulusan jurutera.
Tugasan permohonan
Tentukan contoh matriks kekeliruan untuk sistem pengesanan kecacatan (cth. 100 rosak, 4900 sampel sempurna). Mempunyai kepekaan, ketepatan dan F1 dikira dengan templat "pengiraan metrik" dalam unit ini; kemudian semak keputusan secara manual. Bincangkan dalam perenggan apa yang berlaku kepada positif palsu apabila anda menukar ambang untuk mengurangkan separuh negatif palsu dalam matriks yang sama, dan tentukan baki yang sesuai untuk produk anda.
senarai semak
- [ ] Saya menilai prestasi mengikut sensitiviti/ketepatan, bukan ketepatan.
- [ ] Saya mentafsir risiko negatif palsu bersama-sama dengan kesan perniagaan.
- [ ] Saya menyeragamkan keadaan tontonan (cahaya, kelajuan).
- [ ] Saya kerap menyemak kualiti label dan jenis kecacatan baharu.
- [ ] Saya meletakkan kelulusan manusia pada keputusan penerimaan muktamad; Model adalah pra-ayak sahaja.