Winst:
- Mogelijkheid om uit te leggen hoe defecten op het stofoppervlak worden gedetecteerd en geclassificeerd door beeldverwerking en machinaal leren.
- Mogelijkheid om vals-positieve/negatieve balansen, een 4-puntsscoresysteem en modelprestatiestatistieken te interpreteren
- Mogelijkheid om een verificatie-opstelling te ontwerpen die de automatische defectdetectie-uitvoer test met menselijke inspectie en fysieke inspectie
Jarenlang is de kwaliteitscontrole van stoffen afhankelijk geweest van het menselijk oog: een operator kijkt urenlang naar de stof op een verlichte inspectietafel en markeert en scoort eventuele gebreken die hij ziet. Dit werk is vermoeiend, subjectief en vatbaar voor vermoeidheid en fouten; De aandacht is aan het einde van een dienst niet zo scherp als aan het begin. Computervisie en machinaal leren beloven deze inspectie te automatiseren: een hogesnelheidscamera scant de stof en detecteert en classificeert binnen enkele seconden een patroon van defecten. In deze unit bespreken we hoe dit systeem werkt, de criteria waarmee het wordt geëvalueerd en waarom menselijke controle nog steeds onmisbaar is.
Weefseldefecten en de taal van inspectie
Om automatische detectie te begrijpen, is het eerst nodig om de naam van de defecten te kennen. Typische defecten in geweven stof: scheringbreuk (gebrek aan langsdraad), inslagdefect/interfacing (dwarslijn), gat, vlek, dikke/dunne plaats, scheringspringen. In gebreide stof: naaldmarkering (lengtelijn, van een defecte naald), losse steek, gat, dikteverschil. Bij het printen en verven: kleurverschil, slijtage (onregelmatigheid bij het verven), slippen, spatten.
Inspectieresultaten worden vaak gescoord met behulp van een vierpuntensysteem: elk defect krijgt 1-4 punten volgens de longitudinale lengte (bijvoorbeeld 1 punt tot 8 cm, 4 punten over 15 cm) en de totaalscore per 100 m² wordt berekend. Beneden een drempel (bijvoorbeeld 40 punten/100 m²) wordt beschouwd als "acceptatie", daarboven wordt beschouwd als "afwijzing". Geautomatiseerde scores met AI zouden deze standaard moeten nabootsen; Het mag niet zijn eigen willekeurige score opleveren.
Tip: De output van het geautomatiseerde systeem moet altijd converteerbaar zijn naar uw geaccepteerde scorestandaard (zoals 4-punten) en klanttolerantie. “Het model heeft twaalf afwijkingen gevonden” alleen neemt geen zakelijke beslissing; Het moet worden omgezet in punten en beslissingen.
Hoe werkt automatische foutdetectie?
Moderne systemen combineren vaak de twee benaderingen. Er is sprake van gecontroleerde classificatie wanneer een kunstmatig neuraal netwerk (vooral beeldgeschikt convolutioneel neuraal netwerk, Engels CNN), getraind met duizenden eerder gelabelde defectvoorbeelden, voorspelt of er een defect is in het nieuwe beeld en het type ervan. Anomaliedetectie daarentegen leert de ‘normale’ structuur kennen en markeert alles dat afwijkt van normaal als een defectkandidaat; Het werkt voor zeldzame, nog nooit eerder waargenomen defecten, omdat het niet nodig is om elk defecttype vooraf te labelen.
We lezen de prestaties van het systeem met twee basiscriteria. Gevoeligheid (herinnering): welk percentage van de echte defecten heeft het gedetecteerd? Precisie: Welk percentage van wat ze zeiden dat een fout was, was eigenlijk een fout? Er is een evenwicht tussen deze twee. Vals negatief (ontbreken van het defect) betekent dat er defecte goederen aan de klant zijn geleverd; Vals positief (het perfecte als defect markeren) betekent onnodige verspilling en vertraging. Bij kwaliteitskritische toepassingen wordt doorgaans een drempelwaarde gekozen om het aantal valse negatieven laag te houden, terwijl het grotere aantal valse positieven een snelle tweede controle door een menselijke operator ondergaat.
Er is hier sprake van een kritische valkuil: nauwkeurigheid alleen is misleidend. Op een productielijn is misschien 2% van de stof defect. Een stom model dat alles 'perfect' noemt, rapporteert een nauwkeurigheid van 98%, maar ontdekt geen enkele fout. Daarom wordt bij ongebalanceerde gegevens niet gekeken naar de gevoeligheid en precisie van de defectklasse, maar naar de nauwkeurigheid.
Stap voor stap: een detectiesysteem evalueren
- Verzamel representatieve gegevens. Afbeeldingen die de daadwerkelijke stofvariëteit (kleur, textuur, verlichting) weergeven die het systeem zal zien; Inclusief zeldzame gebreken.
- Controleer de kwaliteit van het etiket. Als de trainingslabels verkeerd zijn, leert het model ook verkeerd; Proef de labels met een deskundig oog.
- Meet gevoeligheid/precisie. Afzonderlijk voor de defectklasse; Kijk niet alleen naar de algemene nauwkeurigheid.
- Onderzoek valse negatieven. Hebben de gemiste gebreken een gemeenschappelijk kenmerk (bepaalde kleur, bepaald licht)?
- Zet Human-in-the-loop op. Laat de operator bevestigen wat het model heeft gemarkeerd; richt het onzekere op mensen.
- Monitoren en bijscholen. Werk de dataset bij als er nieuwe defecttypen ontstaan (conceptdrift).
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Misleidende nauwkeurigheid. Een leverancier verkocht een systeem met de mededeling "ons model is 97% nauwkeurig". Het klantrendement in het veld nam toe. Uit de analyse bleek dat de gevoeligheid van de defectklasse slechts 61% bedroeg, wat betekent dat 39 van de 100 echte defecten werden gemist. De nauwkeurigheid was hoog omdat het grootste deel van de stof al onberispelijk was. Drempel opnieuw aangepast en menselijke controle toegevoegd; de gevoeligheid nam toe tot 92%, valse positieven werden door de operator geëlimineerd.
Geval 2 — Verlichtingsverschuiving. In één zin verdrievoudigden de valse positieven toen het middagzonlicht het inspectiegebied bereikte; Het model dacht dat de schaduwen vlekken waren. Het probleem werd opgelost toen de kijkomstandigheden (gesloten kast, constante LED-verlichting) werden gestandaardiseerd. Les: bij de beeldopstelling gaat het net zo goed om kwaliteit als om het model.
Geval 3 — Tijd en arbeid. Een bedrijf besteedde gemiddeld 9 minuten aan het handmatig inspecteren van 100 meter stof. Met het model voor vooraf scannen van de camera + operatorbevestiging werd de tijd teruggebracht tot 4 minuten en werd de lekkage verminderd omdat de operator alleen aandacht schonk aan de gemarkeerde gebieden. Cruciaal was dat de automatisering niet de operator, maar het oog van de operator scherpte.
Zwakke prompt/sterke prompt
Opmerking: speciale systemen die het defectbeeld rechtstreeks analyseren, zijn afzonderlijke systemen; hier gebruiken we AI voor procesontwerp, gegevensevaluatie en rapportage.
Zwakke prompt:
Vertel eens, is ons defectdetectiemodel goed?
Krachtige prompt:
Jouw rol: Textielkwaliteitsingenieur en data-analist. Hieronder staan de testresultaten van het defectdetectiemodel (verwarringsmatrix: waar positief, vals positief, vals negatief, echt negatief). Taak: 1) Bereken de gevoeligheid en precisie voor de defectklasse, toon de formule. 2) Leg met deze cijfers uit waarom de algehele nauwkeurigheid misleidend kan zijn. 3) Geef commentaar op de zakelijke impact van het risico op vals-negatieven in deze productie. 4) Geef een concrete suggestie voor het instellen van drempels en menselijke inspectie. Cijfers: [matrix]
Kopieerbare sjablonen
1) Metrische berekening en interpretatie:
Bereken de gevoeligheid, precisie en F1-score uit de volgende verwarringsmatrix, schrijf elke formule op en motiveer welke belangrijker is in termen van kwaliteit. Matrix: [TP, FP, FN, TN]
2) Vals-negatieve hoofdoorzaak:
Hieronder vindt u de lijst met gemiste (vals-negatieve) defecten (defecttype, kleur, licht, snelheid). Genereer gemeenschappelijke patroonhypothesen en stel voor elke hypothese een verificatieproef voor. Gegevens: [lijst]
3) Omrekening naar 4-puntspunten:
Converteer de volgende detectie-output naar een 4-puntensysteem: scoor elk defect op basis van de lengte ervan, bereken de totaalscore per 100 m², vergelijk met de [drempel]-score en adviseer acceptatie/afkeuring. Lijst met defecten: [lijst]
4) Concept inspectierapport:
Leid een samenvatting af van de volgende gegevens over ploegdefecten: top 3 defecten, mogelijke procesbron (hypothese), totaal afwijzingspercentage en aanbevolen acties. Verzin geen cijfers, gebruik gewoon wat er wordt gegeven. Gegevens: [tabel]
Metrische vergelijkingsgrafiek
criterium
Welke maatregelen
Is het goed om high te zijn?
Belang in kwaliteit
Nauwkeurigheid
Over het algemeen correct tarief
Kan misleidend zijn
Weinig onevenwichtige gegevens
Gevoeligheid (herinnering)
Werkelijk geconstateerde defectpercentage
Ja
Vals-negatief (kritiek)
Precisie
De waarheid van wat u zegt is een fout
Ja
Vermindert valse positieven/verspilling
vals negatief
ontsnapt defect
Nee, het moet laag zijn
Risico van defecte goederen is voor de klant
vals positief
leeg alarm
Nee, maar het wordt getolereerd
Efficiëntie/snelheidsverlies
Let op: Het geautomatiseerde systeem is een ‘pre-screener’, geen ‘approver’. Het definitieve kwaliteitsacceptatiebesluit vereist de goedkeuring van een competente kwaliteitsfunctionaris, vooral voor batches waarvoor een klantcontract geldt. Het model versnelt de menselijke controle, maar stelt deze niet vrij.
Veel voorkomende fouten
- Om naar gerechtigheid te kijken en tevreden te zijn. Hoge nauwkeurigheid verbergt artefacten in onevenwichtige gegevens.
- Het verwaarlozen van de kijkomstandigheden. Zonder constante verlichting en constante snelheid is het model onbetrouwbaar.
- Controleert de labelkwaliteit niet. Het model dat met het verkeerde label is getraind, leert verkeerd.
- Het nieuwe type defect vergeten. Als de gegevens niet worden bijgewerkt voor nieuwe defecten die in de loop van de tijd optreden, zullen de prestaties stilletjes achteruitgaan.
- Mensen uitsluiten. De kritische acceptatiebeslissing vereist menselijke goedkeuring.
Samengevat
Beeldverwerking versnelt de stofinspectie enorm en compenseert menselijke vermoeidheid. Maar zijn prestaties worden niet met nauwkeurigheid gelezen, maar met de gevoeligheid en precisie van de foutklasse; Vals-negatief is de gevaarlijkste kwaliteitsfout. Stabiele beeldconditie, kwaliteitslabel en human-in-the-loop inspectie zijn de drie pijlers van de betrouwbaarheid van het systeem. Automatische uitvoer is een voorlopige screening; De definitieve aanvaardingsbeslissing blijft onder de goedkeuring van de ingenieur.
Applicatie taak
Definieer een voorbeeld van een verwarringsmatrix voor een defectdetectiesysteem (bijvoorbeeld 100 defecte, 4900 perfecte monsters). Laat gevoeligheid, precisie en F1 berekenen met het sjabloon "metrische berekening" in dit apparaat; Controleer vervolgens de resultaten handmatig. Bespreek in een paragraaf wat er gebeurt met de fout-positieve resultaten als je de drempelwaarde wijzigt om de fout-negatieve resultaten in dezelfde matrix te halveren, en bepaal welke balans geschikt is voor jouw product.
controlelijst
- [ ] Ik beoordeel de prestaties op gevoeligheid/precisie, niet op nauwkeurigheid.
- [ ] Ik interpreteer het risico van valse negatieven samen met de zakelijke impact.
- [ ] Ik heb de kijkomstandigheden (licht, snelheid) gestandaardiseerd.
- [ ] Ik controleer regelmatig de labelkwaliteit en nieuwe typen defecten.
- [ ] Ik plaats menselijke goedkeuring op het uiteindelijke acceptatiebesluit; Het model is alleen voorzien van een voorzeef.