Kvalitetskontroll og defektdeteksjon: Bildebehandling — Kunstig intelligens i tekstilteknikk

Gevinster:

Evne til å forklare hvordan defekter på stoffoverflaten oppdages og klassifiseres ved bildebehandling og maskinlæring.
Evne til å tolke falsk positiv/negativ balanse, 4-punkts scoringssystem og modellytelsesberegninger
Evne til å designe et verifikasjonsoppsett som tester automatisk defektdeteksjonsutgang med menneskelig inspeksjon og fysisk inspeksjon

I mange år har stoffkvalitetskontroll vært avhengig av det menneskelige øyet: en operatør ser på stoffet i timevis på et opplyst inspeksjonsbord, og merker og skårer eventuelle defekter han ser. Dette arbeidet er slitsomt, subjektivt og utsatt for tretthet og feil; Oppmerksomheten er ikke like skarp på slutten av et skift som den er i begynnelsen. Datasyn og maskinlæring lover å automatisere denne inspeksjonen: et høyhastighetskamera skanner stoffet, oppdager og klassifiserer et mønster av defekter i løpet av sekunder. I denne enheten vil vi diskutere hvordan dette systemet fungerer, kriteriene som det evalueres etter, og hvorfor menneskelig kontroll fortsatt er uunnværlig.

Stoffdefekter og inspeksjonsspråket

For å forstå automatisk deteksjon, er det først nødvendig å vite navnet på defektene. Typiske defekter i vevd stoff: varpbrudd (mangel på langsgående tråd), veftdefekt/grensesnitt (tverrlinje), hull, flekk, tykt/tynt sted, varpsprett. I strikket stoff: nålemerke (langsgående linje, fra en nålefeil), løssøm, hull, tykkelsesforskjell. Ved trykking og farging: fargeforskjell, abrage (fargeuregelmessighet), glidning, sprut.

Inspeksjonsresultater scores ofte ved hjelp av et firepunktssystem: hver defekt gis 1-4 poeng i henhold til dens lengdelengde (f.eks. 1 poeng opp til 8 cm, 4 poeng over 15 cm) og den totale poengsummen per 100 m² beregnes. Under en terskel (f.eks. 40 poeng/100 m²) regnes som "aksept", ovenfor regnes som "avvisning". Automatisert scoring med AI bør etterligne denne standarden; Den skal ikke produsere sin egen vilkårlige poengsum.

Tips: Utdataene fra det automatiserte systemet skal alltid kunne konverteres til din aksepterte poengstandard (som 4-punkts) og klienttoleranse. "Modellen fant 12 anomalier" alene tar ikke en forretningsavgjørelse; Det må gjøres om til poeng og vedtak.

Hvordan fungerer automatisk feildeteksjon?

Moderne systemer kombinerer ofte de to tilnærmingene. Overvåket klassifisering er når et kunstig nevralt nettverk (spesielt bildetilpasset konvolusjonelt nevralt nettverk, engelsk CNN) trent med tusenvis av tidligere merkede defekteksempler forutsier om det er en defekt i det nye bildet og dets type. Anomalideteksjon, derimot, lærer det "normale" stoffet og markerer alt som avviker fra det normale som en defektkandidat; Det fungerer for sjeldne, aldri før-sett defekter fordi det ikke er nødvendig å merke hver defekttype på forhånd.

Vi leser ytelsen til systemet med to grunnleggende kriterier. Sensitivitet (gjenkalling): hvor stor prosentandel av reelle defekter oppdaget den? Presisjon: Hvor mange prosent av det de sa var en feil var faktisk en feil? Det er en balanse mellom disse to. Falsk negativ (mangler mangelen) betyr at defekte varer leveres til kunden; Falsk positiv (markering av det perfekte som defekt) betyr unødvendig sløsing og nedgang. Ved kvalitetskritisk applikasjon velges vanligvis en terskel for å holde falske negativer lav, mens økte falske positiver gjennomgår en rask andre sjekk av en menneskelig operatør.

Det er en kritisk felle her: nøyaktighet alene er misvisende. På en produksjonslinje er kanskje 2 % av stoffet defekt. En dum modell som kaller alt "perfekt" rapporterer 98% nøyaktighet, men fanger ikke en eneste feil. I ubalanserte data vurderes derfor ikke sensitiviteten og presisjonen til defektklassen, men nøyaktigheten.

Trinn for trinn: Evaluering av et deteksjonssystem

Samle inn representative data. Bilder som dekker den faktiske stoffvarianten (farge, tekstur, belysning) som systemet vil se; Inkludert sjeldne feil.
Sjekk etikettkvaliteten. Hvis treningsmerkene er feil, lærer modellen også feil; Prøv etikettene med et ekspertøye.
Mål følsomhet/presisjon. Separat for defektklassen; Ikke bare se på generell nøyaktighet.
Undersøk falske negativer. Har de savnede feilene et fellestrekk (viss farge, visst lys)?
Sett opp menneske-i-løkken. La operatøren bekrefte hva modellen har merket; henvise det usikre til folk.
Overvåke og omskolere. Oppdater datasettet etter hvert som nye defekttyper dukker opp (konseptdrift).

Tre minivesker: etter tallene

Tilfelle 1 – Misvisende nøyaktighet. En leverandør solgte et system som sa "vår modell er 97% nøyaktig". Kundeavkastningen økte i felten. Analysen viste at sensitiviteten til defektklassen bare var 61 %, noe som betyr at 39 av hver 100 sanne defekter ble savnet. Nøyaktigheten var høy fordi det meste av stoffet allerede var feilfritt. Terskel rejustert og menneskelig kontroll lagt til; sensitiviteten økte til 92 %, falske positive ble eliminert av operatøren.

Tilfelle 2 — Lysskifte. På én linje tredoblet falske positiver seg når ettermiddagssolen traff inspeksjonsområdet; Modellen trodde skyggene var flekker. Problemet ble løst da visningstilstanden (lukket skap, konstant LED-belysning) ble standardisert. Leksjon: bildeoppsettet handler like mye om kvalitet som modellen.

Sak 3 - Tid og arbeid. En bedrift brukte i gjennomsnitt 9 minutter på å manuelt inspisere 100 meter stoff. Med kameraets forhåndsskanning + operatørbekreftelsesmodell ble tiden redusert til 4 minutter og lekkasje redusert fordi operatøren bare tok hensyn til de merkede områdene. Det som var kritisk var at automatisering ikke skjerpet operatøren, men operatørens øye.

Svak forespørsel / sterk forespørsel

Merk: Dedikerte systemer som direkte analyserer defektbildet er separate; her bruker vi AI til prosessdesign, dataevaluering og rapportering.

Svak melding:

Tell me, is our defect detection model good?

Kraftig ledetekst:

Din rolle: Tekstilkvalitetsingeniør og dataanalytiker. Nedenfor er testresultatene for defektdeteksjonsmodellen (forvirringsmatrise:sann positiv, falsk positiv, falsk negativ, sann negativ).Oppgave:1) Beregn sensitiviteten og presisjonen for defektklassen, vis formelen.2) Forklar med disse tallene hvorfor den samlede nøyaktigheten kan være villedende på risikoen ved denne produksjonen.3) Kommenter risikoen for feilaktig produksjon.3) Gi konkrete forslag til terskelinnstilling og menneskelig inspeksjon. Tall: [matrise]

Kopierbare maler

1) Metric calculation and interpretation:

Beregn sensitivitet, presisjon og F1-score fra følgende forvirringsmatrise, skriv hver formel og begrunn hvilken som er mer kritisk med tanke på kvalitet. Matrise: [TP, FP, FN, TN]

2) False negative root cause:

Nedenfor er funksjonslisten over ubesvarte (falsk negative) defekter (defekttype, farge, lys, hastighet). Generer vanlige mønsterhypoteser og foreslå en verifikasjonsforsøk for hver hypotese. Data: [liste]

3) Konvertering til 4-punktspoeng:

Konverter følgende deteksjonsutdata til et 4-punktssystem: score hver defekt i henhold til dens lengde, beregn den totale poengsum per 100 m², sammenlign med [terskel] poengsum og anbefal aksept/avvisning. Defektliste: [liste]

4) Utkast til inspeksjonsrapport:

Utled et sammendrag fra følgende skiftdefektdata: topp 3 defekter, mulig prosesskilde (hypotese), total avvisningsrate og anbefalte handlinger. Ikke lag opp tallene, bare bruk det som er gitt. Data: [tabell]

Metrisk sammenligningsdiagram

kriterium

Hvilke tiltak

Er det godt å være høy?

Viktig med kvalitet

Nøyaktighet

Samlet riktig rate

Kan være misvisende

Lite ubalansert data

Følsomhet (gjenkalling)

Actual defect rate caught

Dropper falsk negativ (kritisk)

Presisjon

The truth of what you say is a flaw

Reduserer falske positiver/avfall

falsk negativ

unnslapp defekt

Nei, den skal være lav

Risiko for defekte varer for kunden

falsk positiv

tom alarm

Nei, men det tolereres

Effektivitet/hastighetstap

OBS: Det automatiserte systemet er en "pre-screener", ikke en "godkjenner". Den endelige beslutningen om kvalitetsgodkjenning krever godkjenning av en kompetent kvalitetsansvarlig, spesielt for partier underlagt kundekontrakt. Modellen akselererer menneskelig kontroll, men fritar den ikke.

Vanlige feil

Å se på rettferdighet og bli fornøyd. Høy nøyaktighet skjuler artefakter i ubalanserte data.
Forsømmelse av visningstilstanden. Uten konstant belysning og konstant hastighet er modellen upålitelig.
Kontrollerer ikke etikettkvaliteten. Modellen som er trent med feil etikett lærer feil.
Glemmer den nye typen defekter. Hvis data ikke oppdateres for nye defekter som dukker opp over tid, vil ytelsen stille forringes.
Å kutte ut folk. Den kritiske akseptbeslutningen krever menneskelig godkjenning.

Oppsummert

Bildebehandling gjør stoffinspeksjonen betraktelig raskere og kompenserer for menneskelig tretthet. Men hans forestilling leses ikke med nøyaktighet, men med feilklassens følsomhet og presisjon; Falsk negativ er den farligste feilen i kvalitet. Stabil bildebehandlingstilstand, kvalitetsmerking og menneske-i-løkken-inspeksjon er de tre pilarene for systemets pålitelighet. Automatisk utgang er en foreløpig screening; Den endelige akseptbeslutningen gjenstår med godkjenning fra ingeniøren.

Søknadsoppgave

Definer et eksempel på forvirringsmatrise for et defektdeteksjonssystem (f.eks. 100 defekte, 4900 perfekte prøver). Få sensitivitet, presisjon og F1 beregnet med malen "metrisk beregning" i denne enheten; sjekk deretter resultatene manuelt. Diskuter i et avsnitt hva som skjer med falske positive når du endrer terskelen for å halvere den falske negative i samme matrise, og avgjør hvilken balanse som er riktig for produktet ditt.

sjekkliste

[ ] Jeg vurderer ytelse etter følsomhet/presisjon, ikke nøyaktighet.
[ ] Jeg tolker risikoen for falske negativer sammen med forretningseffekten.
[ ] Jeg standardiserte visningsforholdene (lys, hastighet).
[ ] Jeg sjekker jevnlig etikettkvalitet og nye defekttyper.
[ ] Jeg setter menneskelig godkjenning på den endelige akseptbeslutningen; The model is pre-sifter only.