Produksjonslinjekvalitetskontroll: Visuell defektdeteksjon

Gevinster:

• Forstå arbeidsflyten for deteksjon av overflate-, sveise- og monteringsfeil i bilproduksjonslinjen med maskinsyn
• Evne til å bruke kunstig intelligens på en strukturert måte for å etablere et bildedatasett, merking, modelltrening og terskelbestemmelse
• Evne til å verifisere kvalitetsbeslutninger ved å ta hensyn til rømming og falsk avvisningsrate, linjehastighet og operatørsikkerhet

En bil består av tusenvis av deler, og hver enkelt passerer gjennom linjen på sekunder. Det er både slitsomt og inkonsekvent å inspisere hver sveis, hver malingsflate, hver montering uten noen feil med det menneskelige øyet; øynene blir slitne, oppmerksomheten distraheres. Det er her maskinsyn og kunstig intelligens kommer inn: kameraer avbilder delene, en AI-modell flagger defekten på under et sekund. I denne enheten vil vi diskutere hvordan bildekvalitetskontroll etableres i bilproduksjon, rollen til AI og det mest kritiske problemet, feilbalanse.

Typiske visuelle defekter i bilindustrien

De viktigste typene defekter som inspiseres visuelt:

• Overflate/malingsfeil: appelsinskall (grov maling), støvbobler, blødninger, riper, fargeforskjell.
• Sveisefeil: ufullstendig sveis, sprut, porøsitet, feilplassert punktsveis.
• Monteringsfeil: manglende bolt, feilmontert klips, omvendt tetning, løs kobling.
• Etikett/merke: uleselig VIN, feil etikett, mangler stempel.

Noen av disse defektene er kun estetiske (mindre riper), mens andre er sikkerhetskritiske (ufullstendig sveising kan føre til utmattelsessprekker i et ledd). Dette skillet bestemmer alle etterfølgende avgjørelser.

Tips: Ikke behandle alle feil med samme seriøsitet. Å legge til taggen "estetisk/funksjonell/sikkerhetskritisk" ved klassifisering av en defekt er nøkkelen til å få terskelen og beslutningslogikken riktig.

To grunnleggende tilnærminger: overvåket klassifisering og anomalideteksjon

Det er to hovedstrategier for oppdagelse av visuelle defekter:

1. Overvåket klassifisering/deteksjon: Du lærer modellen ved å vise den mange merkede bilder som sier "her er defekte eksempler, her er perfekte eksempler". Det er kraftig hvis du kjenner til typene defekter og har nok eksempler. Utfordring: det er vanskelig å samle tilstrekkelige prøver av sjeldne defekter (en linje produserer nesten alltid solide deler).
2. Anomalideteksjon: Du viser bare "normale/robuste" bilder til modellen; Modellen lærer hvordan det normale ser ut og markerer alt som avviker fra det normale som en "anomali". Den kan fange opp nye/uventede defekter selv om du ikke vet feiltypen på forhånd. Vanskelighetsgrad: kan forveksle ethvert avvik som en feil (som en endring i belysning).

I praksis brukes de to sammen: anomalideteksjon sier "det er noe rart her", klassifiseringen sier "dette er en ressurssprett".

Trinn for trinn: sette opp et visuelt inspeksjonssystem

1. Defektkatalog og akseptkriterier: Definer med kvalitetsingeniører hvilken defekt som aksepteres/avvises. Dette er "sannheten" til modellen.
2. Bildeopptak: Konstant, konsekvent belysning og kameraposisjon er avgjørende. Dårlig/ustabil belysning er den vanligste årsaken til feil.
3. Merking: Eksperter markerer mangler; Merkingsveiledning er avgjørende for konsistens.
4. Modellopplæring: En veiledet og/eller anomalimodell trenes opp.
5. Terskelverdi: Modellen gir en "sannsynlighet for defekt"; Det er terskelen over hvilken sannsynlighet du vil anse som "avvisning". Dette er den mest kritiske forretningsavgjørelsen (nedenfor).
6. Linjeintegrasjon: Modellen tar avgjørelsen, mistenkelige deler rettes til operatør/stasjon.
7. Overvåking og omskolering: Modellen oppdateres etter hvert som nye defekttyper, sesongmessige endringer, nye deler blir tilgjengelig.

Det mest kritiske problemet: balanse mellom lekkasje og falsk avvisning

Det er to feil i defektdeteksjon, og kostnadene deres er svært forskjellige i bilindustrien:

• Lekkasje (flukt / falsk negativ): Den defekte delen anses som "god" og går gjennom linjen. På sikkerhetsdelen betyr dette at et defekt kjøretøy skal ut i felten, en kundeklage eller til og med en tilbakekalling. Den dyreste feilen.
• Falsk avvisning (falsk avvisning / falsk positiv): Den intakte delen anses som "defekt" og avvist. Det betyr sløsing, unødvendig omarbeiding, nedgang i linjen; Det gjør vondt, men det utgjør ingen sikkerhetsrisiko.

beslutningsterskel

rømling

falsk avvisning

Når?

Løs (høy terskel)

Øker (farlig)

avtar

Aldri på sikkerhetssporet

Strenge (lav terskel)

avtar

Øker (kostbart)

På sikkerhetskritiske deler

balansert

medium

medium

I estetiske defekter

Forsiktig: På en sikkerhetskritisk del (brems, styring, karosseri-sveis) holdes terskelen alltid tett for å minimere lekkasje; Det mistenkelige stykket er rettet mot mennesket. Å lempe på terskelen fordi "falsk avvisning er dyrt" er uakseptabelt i sikkerhetsdelen.

Menneske-maskin arbeidsdeling

I et veletablert system er ikke modellen den endelige beslutningstakeren; Det er en "pre-screener". Modellen fanger opp åpenbare feil og sender tilbake til mennesket det de ikke er sikre på. Dette lar operatøren fokusere på 30 mistenkelige deler i stedet for å se på 1000 deler. Operatørens tillit er også viktig: Hvis modellen produserer for mange falske alarmer, slutter operatøren å ta varslene på alvor ("alarmtretthet"). Derfor overvåkes også den falske avvisningsraten.

Mini casestudier

Tilfelle 1 - Lysfelle. Mens en malingsinspeksjonsmodell er 98 % vellykket i laboratoriet, faller den til og med til 80 %. Gjennomgang: takbelysning på linjen endres i løpet av dagen, modellen anser forskjellen i lysstyrke som en "defekt". Når fast tunnelbelysning legges til, øker suksessen til 97 %. Konklusjon: Bildekvalitet kan være mer avgjørende enn modellen.

Tilfelle 2 - Kostnad for lekkasje. I en skrogsveiseinspeksjon er terskelen litt avslappet "for effektivitet"; Falsk avvisning faller fra 6 % til 3 %, men en måned senere rapporteres det om sveisesprekker i to kjøretøy i felten. Årsaksanalyse viser at lekkasjeraten har økt. Terskelen strammes igjen og mistenkelige deler bringes under 100 % menneskelig kontroll. Konklusjon: Redusering av lekkasje i sikkerhetsdelen går alltid foran falsk avvisning.

Tilfelle 3 - Sjelden defekt. Av og til dukker det opp en veldig liten graddefekt fra en ny sprøytestøpe, men det er nesten ingen eksempler på denne feilen i opplæringen av den overvåkede modellen, så den glipper. Når anomalideteksjonsmodellen er aktivert, oppdager den det som et "avvik fra normalen". Konklusjon: Anomalideteksjon for sjeldne/nye defekter utfyller den overvåkede modellen.

ledetekstmaler

Mal 1 - Defektkatalog og alvorlighetsklassifisering:

Rolle: Du er en bilkvalitetsingeniør. Oppgave: Sorter følgende liste over mangler i alvorlighetsklasser. Kontekst: Kroppssveiselinje; defekter: sprut, porer, manglende flekk, liten fargeforskjell, overflateriper. Begrensning: Merk hver defekt som estetisk/funksjonell/sikkerhetskritisk og foreslå avgjørelse (aksept/menneskelig sjekk/avvisning). Utgang: Defekt | viktighet | forslag til vedtak | begrunnelsestabell.

Mal 2 - Merkeveiledning:

Rolle: Bildemerking kvalitetsledelse. Oppgave: Skrive konsistensregler for merking av malingsfeil. Kontekst: Appelsinskall, løp, støvboble; Det er bilder tatt under forskjellig belysning. Utgang: Regel | eksempel | grensetilstand | tagger notat.

Mal 3 – Tolking av terskel/beregning:

Rolle: Maskinsynsevaluator.Oppgave: Tolke følgende beslutningsterskeltabell.Kontekst: Sikkerhetskritisk ressurs; ved terskel A er lekkasje 0,3 %, falsk avvisning er 5 %; lekkasje ved terskel B 1,2 % falsk avvisning 2 %. Begrensning: Overhold sikkerhetsprioritet; Forklar hvilken terskel du anbefaler og hvorfor, og legg til trinnet for menneskelig kontroll. Utgang: Anbefaling + begrunnelse + gjenstående risiko.

Mal 4 - Grunnårsaksanalyse:

Rolle: Du er kvalitetsingeniør. Oppgave: Liste mulige grunnårsaker til sprutdefekter som har økt i løpet av de siste 3 skift.Kontekst: Robotisk punktsveising; Elektrodebytte ble gjort for 2 dager siden; gjeldende innstilling fast. Utgang: Mulig årsak | valideringssjekk | prioritet.

Svak forespørsel / Sterk forespørsel

Svak melding:

Lag en modell som finner defekte deler.

Det er ikke klart hvilken feil, hvilken viktighet, hvilken terskel, hvilken beslutning; Resultatet er ubrukelig.

Kraftig ledetekst:

Rolle: Du er en bilkvalitets- og maskinsynsingeniør. Oppgave: Lag en designsjekkliste for et kroppssveisesynssystem. Kontekst: Sikkerhetskritisk punktsveising; linjehastigheten er høy; Det er sjeldne feil; belysningsvariabel. Begrensning: Prioriter å minimere lekkasje; spesifisere hvordan avviksdeteksjon skal kombineres med overvåket klassifisering og det menneskelige kontrolltrinnet; garanterer 'null feil'.Output: Stage | forslag | risiko | verifikasjonstabell.

Vanlige feil

• Forsømmer belysning/bildekvalitet. Dårlig bilde ødelegger selv den beste modellen.
• Vurderer lekkasje og falsk avvisning like. Lekkasje i sikkerhetsdeler til biler er mye dyrere.
• Stoler kun på den overvåkede modellen for sjeldne defekter. Anomalideteksjon er komplementær.
• Gjøre modellen til den endelige beslutningstakeren. Mistenkelige deler bør rettes mot mennesker.
• Glemmer omskolering. Nye deler, nye former og sesongmessige endringer gjør modellen gammel.

Oppsummert

• Maskinsyn og AI inspiserer raskt og konsekvent for overflate-, sveise- og monteringsfeil på bilindustrien.
• Overvåket klassifisering er sterk på kjente defekter, anomalideteksjon er sterk på sjeldne/nye defekter; begge brukes sammen.
• Den mest kritiske avgjørelsen er terskelen: lekkasje (falsk negativ) minimeres i den sikkerhetskritiske delen, den mistenkelige delen går til mennesket.
• Bildekvalitet og lyssetting er ofte mer avgjørende enn modellen.
• Modellen er en forsikter; Den endelige kvalitetsbeslutningen og sikkerhetsansvaret ligger hos mennesket.

Søknadsoppgave

Velg en del/stasjon (f.eks. frontstøtfangermontering). (1) List opp mulige defekter og merk dem som estetiske/funksjonelle/sikkerhetskritiske. (2) Med mal 3, sammenlign de to terskelalternativene for lekkasje/falsk avvisning og begrunn en anbefaling. (3) Forklar om du vil bruke overvåket eller anomalideteksjon for en sjelden defekt. (4) Definer trinnet for menneskelig kontroll og omskoleringsutløseren.

sjekkliste

• [ ] Jeg delte defektene inn i alvorlighetsklasser (estetiske/funksjonelle/sikkerhetskritiske).
• [ ] Jeg evaluerte balansen mellom ulovlig og falsk avvisning i terskelvedtaket.
• [ ] Jeg prioriterte lekkasje i den sikkerhetskritiske delen.
• [ ] Jeg plasserte de overvåkede og uregelmessige tilnærmingene på riktig sted.
• [ ] Jeg har spesifisert bildekvalitet/lyskrav.
• [ ] Jeg definerte trinnet for menneskelig kontroll og omskoleringsplanen.