ਉਤਪਾਦਨ ਲਾਈਨ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ: ਵਿਜ਼ੂਅਲ ਨੁਕਸ ਖੋਜ

ਲਾਭ:

• ਮਸ਼ੀਨ ਵਿਜ਼ਨ ਦੇ ਨਾਲ ਆਟੋਮੋਟਿਵ ਉਤਪਾਦਨ ਲਾਈਨ ਵਿੱਚ ਸਤਹ, ਵੈਲਡਿੰਗ ਅਤੇ ਅਸੈਂਬਲੀ ਨੁਕਸ ਖੋਜ ਦੇ ਵਰਕਫਲੋ ਨੂੰ ਸਮਝਣਾ
• ਇੱਕ ਚਿੱਤਰ ਡੇਟਾਸੈਟ, ਲੇਬਲਿੰਗ, ਮਾਡਲ ਸਿਖਲਾਈ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਿਰਧਾਰਨ ਦੀ ਸਥਾਪਨਾ ਵਿੱਚ ਇੱਕ ਢਾਂਚਾਗਤ ਤਰੀਕੇ ਨਾਲ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਬਚਣ ਅਤੇ ਗਲਤ ਅਸਵੀਕਾਰ ਦਰ, ਲਾਈਨ ਦੀ ਗਤੀ ਅਤੇ ਆਪਰੇਟਰ ਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਗੁਣਵੱਤਾ ਦੇ ਫੈਸਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਕਾਰ ਦੇ ਹਜ਼ਾਰਾਂ ਹਿੱਸੇ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਹਰ ਇੱਕ ਸਕਿੰਟਾਂ ਵਿੱਚ ਲਾਈਨ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ। ਹਰ ਵੇਲਡ, ਹਰ ਪੇਂਟ ਸਤਹ, ਹਰ ਅਸੈਂਬਲੀ ਦਾ ਮਨੁੱਖੀ ਅੱਖ ਨਾਲ ਬਿਨਾਂ ਕਿਸੇ ਗਲਤੀ ਦੇ ਨਿਰੀਖਣ ਕਰਨਾ ਥਕਾਵਟ ਵਾਲਾ ਅਤੇ ਅਸੰਗਤ ਹੈ; ਅੱਖਾਂ ਥੱਕ ਜਾਂਦੀਆਂ ਹਨ, ਧਿਆਨ ਭਟਕ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਮਸ਼ੀਨ ਵਿਜ਼ਨ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਆਉਂਦੇ ਹਨ: ਕੈਮਰੇ ਪੁਰਜ਼ਿਆਂ ਦੀ ਤਸਵੀਰ ਬਣਾਉਂਦੇ ਹਨ, ਇੱਕ AI ਮਾਡਲ ਇੱਕ ਸਕਿੰਟ ਦੇ ਅੰਦਰ ਨੁਕਸ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਆਟੋਮੋਟਿਵ ਉਤਪਾਦਨ ਵਿੱਚ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਕਿਵੇਂ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਏਆਈ ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਮੁੱਦਾ, ਗਲਤੀ ਸੰਤੁਲਨ।

ਆਟੋਮੋਟਿਵ ਵਿੱਚ ਖਾਸ ਵਿਜ਼ੂਅਲ ਨੁਕਸ

ਨੁਕਸ ਦੀਆਂ ਮੁੱਖ ਕਿਸਮਾਂ ਦਾ ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਹੈ:

• ਸਤਹ/ਪੇਂਟ ਦੇ ਨੁਕਸ: ਸੰਤਰੇ ਦਾ ਛਿਲਕਾ (ਮੋਟਾ ਰੰਗ), ਧੂੜ ਦੇ ਬੁਲਬੁਲੇ, ਖੂਨ ਵਹਿਣਾ, ਖੁਰਚਣਾ, ਰੰਗ ਦਾ ਅੰਤਰ।
• ਵੇਲਡ ਦੇ ਨੁਕਸ: ਅਧੂਰਾ ਵੇਲਡ, ਸਪੈਟਰ, ਪੋਰੋਸਿਟੀ, ਗਲਤ ਸਥਿਤੀ ਵਾਲਾ ਸਪਾਟ ਵੇਲਡ।
• ਅਸੈਂਬਲੀ ਦੇ ਨੁਕਸ: ਗੁੰਮ ਬੋਲਟ, ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਸਥਾਪਿਤ ਕਲਿੱਪ, ਉਲਟੀ ਸੀਲ, ਢਿੱਲਾ ਕਨੈਕਟਰ।
• ਲੇਬਲ/ਨਿਸ਼ਾਨ: ਅਯੋਗ VIN, ਗਲਤ ਲੇਬਲ, ਗੁੰਮ ਸਟੈਂਪ।

ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਨੁਕਸ ਸਿਰਫ਼ ਸੁਹਜ (ਮਾਮੂਲੀ ਖੁਰਚੀਆਂ) ਹਨ, ਜਦੋਂ ਕਿ ਹੋਰ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਨ (ਅਧੂਰੀ ਵੈਲਡਿੰਗ ਸਰੀਰ ਦੇ ਜੋੜ ਵਿੱਚ ਥਕਾਵਟ ਦਰਾੜ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ)। ਇਹ ਅੰਤਰ ਅਗਲੇ ਸਾਰੇ ਫੈਸਲਿਆਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।

ਸੁਝਾਅ: ਹਰ ਨੁਕਸ ਨੂੰ ਇੱਕੋ ਜਿਹੀ ਗੰਭੀਰਤਾ ਨਾਲ ਨਾ ਵਰਤੋ। ਕਿਸੇ ਨੁਕਸ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦੇ ਸਮੇਂ "ਸੁਹਜ/ਕਾਰਜਸ਼ੀਲ/ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ" ਟੈਗ ਜੋੜਨਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਫੈਸਲੇ ਦੇ ਤਰਕ ਨੂੰ ਸਹੀ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ।

ਦੋ ਬੁਨਿਆਦੀ ਪਹੁੰਚ: ਨਿਰੀਖਣ ਕੀਤਾ ਵਰਗੀਕਰਨ ਅਤੇ ਵਿਗਾੜ ਖੋਜ

ਵਿਜ਼ੂਅਲ ਨੁਕਸ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਦੋ ਮੁੱਖ ਰਣਨੀਤੀਆਂ ਹਨ:

1. ਨਿਰੀਖਣ ਕੀਤਾ ਵਰਗੀਕਰਨ/ਖੋਜ: ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ "ਇੱਥੇ ਨੁਕਸ ਵਾਲੀਆਂ ਉਦਾਹਰਣਾਂ ਹਨ, ਇੱਥੇ ਸੰਪੂਰਨ ਉਦਾਹਰਣਾਂ ਹਨ" ਕਹਿੰਦੇ ਹੋਏ ਕਈ ਲੇਬਲ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦਿਖਾ ਕੇ ਸਿਖਾਉਂਦੇ ਹੋ। ਇਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਜੇਕਰ ਤੁਸੀਂ ਨੁਕਸ ਦੀਆਂ ਕਿਸਮਾਂ ਨੂੰ ਜਾਣਦੇ ਹੋ ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਕਾਫ਼ੀ ਉਦਾਹਰਣਾਂ ਹਨ। ਚੁਣੌਤੀ: ਦੁਰਲੱਭ ਨੁਕਸ (ਇੱਕ ਲਾਈਨ ਲਗਭਗ ਹਮੇਸ਼ਾ ਠੋਸ ਹਿੱਸੇ ਪੈਦਾ ਕਰਦੀ ਹੈ) ਦੇ ਕਾਫੀ ਨਮੂਨੇ ਇਕੱਠੇ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ।
2. ਅਸੰਗਤਤਾ ਖੋਜ: ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਸਿਰਫ਼ "ਆਮ/ਮਜ਼ਬੂਤ" ਚਿੱਤਰ ਦਿਖਾਉਂਦੇ ਹੋ; ਮਾਡਲ ਸਿੱਖਦਾ ਹੈ ਕਿ ਸਾਧਾਰਨ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ ਜੋ ਸਾਧਾਰਨ ਤੋਂ ਭਟਕਦੀ ਹੈ "ਅਸੰਗਤਤਾ" ਵਜੋਂ। ਇਹ ਨਵੇਂ/ਅਚਾਨਕ ਨੁਕਸ ਫੜ ਸਕਦਾ ਹੈ ਭਾਵੇਂ ਤੁਹਾਨੂੰ ਨੁਕਸ ਦੀ ਕਿਸਮ ਪਹਿਲਾਂ ਤੋਂ ਪਤਾ ਨਾ ਹੋਵੇ। ਮੁਸ਼ਕਲ: ਕਿਸੇ ਵੀ ਭਟਕਣ ਨੂੰ ਨੁਕਸ ਸਮਝ ਸਕਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਰੋਸ਼ਨੀ ਵਿੱਚ ਤਬਦੀਲੀ)।

ਅਭਿਆਸ ਵਿੱਚ, ਦੋਵੇਂ ਇਕੱਠੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ: ਵਿਗਾੜ ਖੋਜ ਕਹਿੰਦੀ ਹੈ "ਇੱਥੇ ਕੁਝ ਅਜੀਬ ਹੈ", ਵਰਗੀਕਰਨ ਕਹਿੰਦਾ ਹੈ "ਇਹ ਇੱਕ ਸਰੋਤ ਉਛਾਲ ਹੈ"।

ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਵਿਜ਼ੂਅਲ ਇੰਸਪੈਕਸ਼ਨ ਸਿਸਟਮ ਸਥਾਪਤ ਕਰਨਾ

1. ਨੁਕਸ ਕੈਟਾਲਾਗ ਅਤੇ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਮਾਪਦੰਡ: ਗੁਣਵੱਤਾ ਇੰਜਨੀਅਰਾਂ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਕਿ ਕਿਹੜਾ ਨੁਕਸ ਸਵੀਕਾਰ/ਅਸਵੀਕਾਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮਾਡਲ ਦਾ "ਸੱਚ" ਹੈ.
2. ਚਿੱਤਰ ਪ੍ਰਾਪਤੀ: ਨਿਰੰਤਰ, ਇਕਸਾਰ ਰੋਸ਼ਨੀ ਅਤੇ ਕੈਮਰੇ ਦੀ ਸਥਿਤੀ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਖਰਾਬ/ਅਸਥਿਰ ਰੋਸ਼ਨੀ ਅਸਫਲਤਾ ਦਾ ਸਭ ਤੋਂ ਆਮ ਕਾਰਨ ਹੈ।
3. ਲੇਬਲਿੰਗ: ਮਾਹਰ ਨੁਕਸ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦੇ ਹਨ; ਇਕਸਾਰਤਾ ਲਈ ਲੇਬਲਿੰਗ ਮਾਰਗਦਰਸ਼ਨ ਜ਼ਰੂਰੀ ਹੈ।
4. ਮਾਡਲ ਸਿਖਲਾਈ: ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਅਤੇ/ਜਾਂ ਅਸੰਗਤ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
5. ਥ੍ਰੈਸ਼ਹੋਲਡਿੰਗ: ਮਾਡਲ "ਨੁਕਸ ਦੀ ਸੰਭਾਵਨਾ" ਦਿੰਦਾ ਹੈ; ਇਹ ਉਹ ਥ੍ਰੈਸ਼ਹੋਲਡ ਹੈ ਜਿਸਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਤੁਸੀਂ "ਅਸਵੀਕਾਰ" ਵਜੋਂ ਵਿਚਾਰੋਗੇ। ਇਹ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਵਪਾਰਕ ਫੈਸਲਾ ਹੈ (ਹੇਠਾਂ)।
6. ਲਾਈਨ ਏਕੀਕਰਣ: ਮਾਡਲ ਫੈਸਲਾ ਲੈਂਦਾ ਹੈ, ਸ਼ੱਕੀ ਹਿੱਸੇ ਆਪਰੇਟਰ/ਸਟੇਸ਼ਨ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
7. ਨਿਗਰਾਨੀ ਅਤੇ ਮੁੜ ਸਿਖਲਾਈ: ਮਾਡਲ ਨੂੰ ਨਵੀਆਂ ਨੁਕਸ ਕਿਸਮਾਂ, ਮੌਸਮੀ ਤਬਦੀਲੀ, ਨਵੇਂ ਹਿੱਸੇ ਉਪਲਬਧ ਹੋਣ ਦੇ ਰੂਪ ਵਿੱਚ ਅਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਮੁੱਦਾ: ਲੀਕ ਅਤੇ ਝੂਠੇ ਅਸਵੀਕਾਰਨ ਦਾ ਸੰਤੁਲਨ

ਨੁਕਸ ਖੋਜਣ ਵਿੱਚ ਦੋ ਤਰੁੱਟੀਆਂ ਹਨ ਅਤੇ ਆਟੋਮੋਟਿਵ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਲਾਗਤ ਬਹੁਤ ਵੱਖਰੀ ਹੈ:

• ਲੀਕ (ਬਚਣਾ / ਝੂਠਾ ਨਕਾਰਾਤਮਕ): ਨੁਕਸਦਾਰ ਟੁਕੜਾ "ਚੰਗਾ" ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਲਾਈਨ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ। ਸੁਰੱਖਿਆ ਟੁਕੜੇ 'ਤੇ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਖੇਤਰ ਵਿੱਚ ਜਾ ਰਿਹਾ ਇੱਕ ਨੁਕਸਦਾਰ ਵਾਹਨ, ਇੱਕ ਗਾਹਕ ਦੀ ਸ਼ਿਕਾਇਤ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਯਾਦ ਵੀ। ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ.
• ਗਲਤ ਅਸਵੀਕਾਰ (ਗਲਤ ਅਸਵੀਕਾਰ / ਗਲਤ ਸਕਾਰਾਤਮਕ): ਬਰਕਰਾਰ ਹਿੱਸੇ ਨੂੰ "ਨੁਕਸਦਾਰ" ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਸਦਾ ਅਰਥ ਹੈ ਬਰਬਾਦੀ, ਬੇਲੋੜੀ ਮੁੜ ਕੰਮ, ਲਾਈਨ ਦੀ ਸੁਸਤੀ; ਇਹ ਦੁਖਦਾਈ ਹੈ, ਪਰ ਇਸ ਨਾਲ ਸੁਰੱਖਿਆ ਦਾ ਕੋਈ ਖਤਰਾ ਨਹੀਂ ਹੈ।

ਫੈਸਲੇ ਦੀ ਸੀਮਾ

ਭਗੌੜਾ

ਝੂਠੇ ਅਸਵੀਕਾਰ

ਕਦੋਂ?

ਢਿੱਲੀ (ਉੱਚੀ ਥ੍ਰੈਸ਼ਹੋਲਡ)

ਵਧਾਉਂਦਾ ਹੈ (ਖਤਰਨਾਕ)

ਘਟਦਾ ਹੈ

ਸੁਰੱਖਿਆ ਟ੍ਰੈਕ 'ਤੇ ਕਦੇ ਨਹੀਂ

ਸਖਤ (ਘੱਟ ਥ੍ਰੈਸ਼ਹੋਲਡ)

ਘਟਦਾ ਹੈ

ਵਧਦਾ ਹੈ (ਮਹਿੰਗੇ)

ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸਿਆਂ 'ਤੇ

ਸੰਤੁਲਿਤ

ਮੱਧਮ

ਮੱਧਮ

ਸੁਹਜ ਦੇ ਨੁਕਸ ਵਿਚ

ਸਾਵਧਾਨ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ (ਬ੍ਰੇਕ, ਸਟੀਅਰਿੰਗ, ਬਾਡੀ ਵੇਲਡ) 'ਤੇ ਲੀਕੇਜ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਸਿਲ ਨੂੰ ਹਮੇਸ਼ਾ ਤੰਗ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ; ਸ਼ੱਕੀ ਟੁਕੜਾ ਮਨੁੱਖ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਆਰਾਮ ਦੇਣਾ ਕਿਉਂਕਿ "ਝੂਠੇ ਅਸਵੀਕਾਰ ਕਰਨਾ ਮਹਿੰਗਾ ਹੈ" ਸੁਰੱਖਿਆ ਟੁਕੜੇ ਵਿੱਚ ਅਸਵੀਕਾਰਨਯੋਗ ਹੈ।

ਕਿਰਤ ਦੀ ਮਨੁੱਖੀ-ਮਸ਼ੀਨ ਵੰਡ

ਇੱਕ ਚੰਗੀ-ਸਥਾਪਿਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਮਾਡਲ ਅੰਤਿਮ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ "ਪ੍ਰੀ-ਸਕਰੀਨਰ" ਹੈ। ਮਾਡਲ ਸਪੱਸ਼ਟ ਖਾਮੀਆਂ ਨੂੰ ਫੜਦਾ ਹੈ ਅਤੇ ਮਨੁੱਖ ਨੂੰ ਵਾਪਸ ਭੇਜਦਾ ਹੈ ਜਿਸ ਬਾਰੇ ਉਹ ਯਕੀਨੀ ਨਹੀਂ ਹਨ. ਇਹ ਆਪਰੇਟਰ ਨੂੰ 1,000 ਭਾਗਾਂ ਨੂੰ ਦੇਖਣ ਦੀ ਬਜਾਏ 30 ਸ਼ੱਕੀ ਹਿੱਸਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਆਪਰੇਟਰ ਦਾ ਭਰੋਸਾ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਜੇਕਰ ਮਾਡਲ ਬਹੁਤ ਸਾਰੇ ਝੂਠੇ ਅਲਾਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਆਪਰੇਟਰ ਚੇਤਾਵਨੀਆਂ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ ("ਅਲਾਰਮ ਥਕਾਵਟ")। ਇਸੇ ਲਈ ਝੂਠੇ ਰੱਦ ਹੋਣ ਦੀ ਦਰ 'ਤੇ ਵੀ ਨਜ਼ਰ ਰੱਖੀ ਜਾਂਦੀ ਹੈ।

ਮਿੰਨੀ ਕੇਸ ਅਧਿਐਨ

ਕੇਸ 1 - ਲਾਈਟਿੰਗ ਟਰੈਪ। ਜਦੋਂ ਕਿ ਪੇਂਟ ਇੰਸਪੈਕਸ਼ਨ ਮਾਡਲ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ 98% ਸਫਲ ਹੁੰਦਾ ਹੈ, ਇਹ 80% ਤੱਕ ਵੀ ਘੱਟ ਜਾਂਦਾ ਹੈ। ਸਮੀਖਿਆ: ਦਿਨ ਦੇ ਦੌਰਾਨ ਲਾਈਨ 'ਤੇ ਛੱਤ ਦੀ ਰੋਸ਼ਨੀ ਬਦਲਦੀ ਹੈ, ਮਾਡਲ ਚਮਕ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਇੱਕ "ਨੁਕਸ" ਸਮਝਦਾ ਹੈ. ਜਦੋਂ ਸਥਿਰ ਸੁਰੰਗ ਰੋਸ਼ਨੀ ਜੋੜੀ ਜਾਂਦੀ ਹੈ, ਸਫਲਤਾ 97% ਤੱਕ ਵਧ ਜਾਂਦੀ ਹੈ। ਸਿੱਟਾ: ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਮਾਡਲ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਰਣਾਇਕ ਹੋ ਸਕਦੀ ਹੈ.

ਕੇਸ 2 - ਲੀਕੇਜ ਦੀ ਲਾਗਤ। ਇੱਕ ਹਲ ਵੇਲਡ ਨਿਰੀਖਣ ਵਿੱਚ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ "ਕੁਸ਼ਲਤਾ ਲਈ" ਥੋੜ੍ਹਾ ਜਿਹਾ ਢਿੱਲ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ; ਝੂਠੀ ਅਸਵੀਕਾਰਨ 6% ਤੋਂ 3% ਤੱਕ ਘੱਟ ਜਾਂਦੀ ਹੈ, ਪਰ ਇੱਕ ਮਹੀਨੇ ਬਾਅਦ, ਖੇਤ ਵਿੱਚ ਦੋ ਵਾਹਨਾਂ ਵਿੱਚ ਵੇਲਡ ਚੀਰ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਮੂਲ ਕਾਰਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਲੀਕੇਜ ਦੀ ਦਰ ਵਧੀ ਹੈ। ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਦੁਬਾਰਾ ਸਖ਼ਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਸ਼ੱਕੀ ਹਿੱਸਿਆਂ ਨੂੰ 100% ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਵਿੱਚ ਲਿਆਂਦਾ ਗਿਆ ਹੈ। ਸਿੱਟਾ: ਸੁਰੱਖਿਆ ਵਾਲੇ ਹਿੱਸੇ ਵਿੱਚ ਲੀਕੇਜ ਨੂੰ ਘਟਾਉਣਾ ਹਮੇਸ਼ਾ ਝੂਠੇ ਅਸਵੀਕਾਰਨ ਨਾਲੋਂ ਪਹਿਲ ਲੈਂਦਾ ਹੈ।

ਕੇਸ 3 - ਦੁਰਲੱਭ ਨੁਕਸ। ਕਦੇ-ਕਦਾਈਂ ਇੱਕ ਬਹੁਤ ਹੀ ਛੋਟਾ ਬੁਰ ਨੁਕਸ ਇੱਕ ਨਵੇਂ ਟੀਕੇ ਦੇ ਉੱਲੀ ਤੋਂ ਉੱਭਰਦਾ ਹੈ, ਪਰ ਨਿਗਰਾਨੀ ਕੀਤੇ ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਇਸ ਨੁਕਸ ਦੀਆਂ ਲਗਭਗ ਕੋਈ ਉਦਾਹਰਣਾਂ ਨਹੀਂ ਹਨ, ਇਸਲਈ ਇਹ ਖੁੰਝ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਵਿਗਾੜ ਖੋਜ ਮਾਡਲ ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਇਸਨੂੰ "ਆਮ ਤੋਂ ਭਟਕਣਾ" ਵਜੋਂ ਖੋਜਦਾ ਹੈ। ਸਿੱਟਾ: ਦੁਰਲੱਭ/ਨਵੇਂ ਨੁਕਸਾਂ ਲਈ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਨਿਰੀਖਣ ਕੀਤੇ ਮਾਡਲ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ।

ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਟੈਮਪਲੇਟ 1 - ਨੁਕਸ ਕੈਟਾਲਾਗ ਅਤੇ ਗੰਭੀਰਤਾ ਵਰਗੀਕਰਣ:

ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਆਟੋਮੋਟਿਵ ਗੁਣਵੱਤਾ ਇੰਜੀਨੀਅਰ ਹੋ। ਕਾਰਜ: ਨੁਕਸਾਂ ਦੀ ਹੇਠ ਲਿਖੀ ਸੂਚੀ ਨੂੰ ਗੰਭੀਰਤਾ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕਰੋ। ਪ੍ਰਸੰਗ: ਬਾਡੀ ਵੇਲਡ ਲਾਈਨ; ਨੁਕਸ: ਸਪਲੈਟਰ, ਪੋਰਸ, ਗੁੰਮ ਵਾਲੀ ਥਾਂ, ਮਾਮੂਲੀ ਰੰਗ ਦਾ ਅੰਤਰ, ਸਤਹ ਖੁਰਚਣਾ। ਪਾਬੰਦੀ: ਹਰੇਕ ਨੁਕਸ ਨੂੰ ਸੁਹਜ/ਕਾਰਜਕਾਰੀ/ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਵਜੋਂ ਲੇਬਲ ਕਰੋ ਅਤੇ ਫੈਸਲੇ ਦਾ ਸੁਝਾਅ ਦਿਓ (ਸਵੀਕ੍ਰਿਤੀ/ਮਨੁੱਖੀ ਜਾਂਚ/ਅਸਵੀਕਾਰ)। ਆਉਟਪੁੱਟ: ਨੁਕਸ | ਮਹੱਤਤਾ | ਪ੍ਰਸਤਾਵਿਤ ਫੈਸਲਾ | ਜਾਇਜ਼ਤਾ ਸਾਰਣੀ.

ਟੈਮਪਲੇਟ 2 - ਲੇਬਲਿੰਗ ਗਾਈਡ:

ਭੂਮਿਕਾ: ਚਿੱਤਰ ਲੇਬਲਿੰਗ ਗੁਣਵੱਤਾ ਲੀਡ. ਕੰਮ: ਪੇਂਟ ਨੁਕਸ ਲੇਬਲਿੰਗ ਲਈ ਇਕਸਾਰਤਾ ਨਿਯਮ ਲਿਖੋ। ਸੰਦਰਭ: ਸੰਤਰੇ ਦਾ ਛਿਲਕਾ, ਦੌੜ, ਧੂੜ ਦਾ ਬੁਲਬੁਲਾ; ਵੱਖ-ਵੱਖ ਰੋਸ਼ਨੀ ਦੇ ਅਧੀਨ ਲਏ ਗਏ ਚਿੱਤਰ ਹਨ। ਆਉਟਪੁੱਟ: ਨਿਯਮ | ਉਦਾਹਰਨ | ਸੀਮਾ ਰਾਜ | ਟੈਗਰ ਨੋਟ.

ਟੈਮਪਲੇਟ 3 - ਥ੍ਰੈਸ਼ਹੋਲਡ/ਮੈਟ੍ਰਿਕ ਫੈਸਲੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ:

ਭੂਮਿਕਾ: ਮਸ਼ੀਨ ਵਿਜ਼ਨ ਮੁਲਾਂਕਣਕਰਤਾ। ਕੰਮ: ਨਿਮਨਲਿਖਤ ਫੈਸਲੇ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਸਾਰਣੀ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਪ੍ਰਸੰਗ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਸਰੋਤ; ਥ੍ਰੈਸ਼ਹੋਲਡ ਏ 'ਤੇ, ਲੀਕੇਜ 0.3% ਹੈ, ਝੂਠੀ ਅਸਵੀਕਾਰਨ 5% ਹੈ; ਥ੍ਰੈਸ਼ਹੋਲਡ ਬੀ 'ਤੇ ਲੀਕੇਜ 1.2% ਝੂਠੀ ਅਸਵੀਕਾਰਨ 2%। ਪਾਬੰਦੀ: ਸੁਰੱਖਿਆ ਤਰਜੀਹ ਦੀ ਪਾਲਣਾ ਕਰੋ; ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹੋ ਅਤੇ ਕਿਉਂ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਪੜਾਅ ਸ਼ਾਮਲ ਕਰੋ। ਆਉਟਪੁੱਟ: ਸਿਫਾਰਸ਼ + ਜਾਇਜ਼ਤਾ + ਬਾਕੀ ਜੋਖਮ।

ਟੈਮਪਲੇਟ 4 - ਮੂਲ ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ:

ਰੋਲ: ਤੁਸੀਂ ਇੱਕ ਕੁਆਲਿਟੀ ਇੰਜੀਨੀਅਰ ਹੋ। ਟਾਸਕ: ਸਪੈਟਰ ਨੁਕਸ ਲਈ ਸੰਭਾਵਿਤ ਮੂਲ ਕਾਰਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਪਿਛਲੀਆਂ 3 ਸ਼ਿਫਟਾਂ ਵਿੱਚ ਵਧੇ ਹਨ। ਪ੍ਰਸੰਗ: ਰੋਬੋਟਿਕ ਸਪਾਟ ਵੈਲਡਿੰਗ; ਇਲੈਕਟ੍ਰੋਡ ਤਬਦੀਲੀ 2 ਦਿਨ ਪਹਿਲਾਂ ਕੀਤੀ ਗਈ ਸੀ; ਮੌਜੂਦਾ ਸੈਟਿੰਗ ਫਿਕਸਡ। ਆਉਟਪੁੱਟ: ਸੰਭਵ ਕਾਰਨ | ਪ੍ਰਮਾਣਿਕਤਾ ਜਾਂਚ | ਤਰਜੀਹ.

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇੱਕ ਮਾਡਲ ਬਣਾਓ ਜੋ ਨੁਕਸ ਵਾਲੇ ਹਿੱਸੇ ਲੱਭਦਾ ਹੈ.

ਇਹ ਸਪਸ਼ਟ ਨਹੀਂ ਹੈ ਕਿ ਕਿਹੜੀ ਨੁਕਸ, ਕਿਹੜੀ ਮਹੱਤਤਾ, ਕਿਹੜੀ ਹੱਦ, ਕਿਹੜਾ ਫੈਸਲਾ; ਨਤੀਜਾ ਬੇਕਾਰ ਹੈ.

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਆਟੋਮੋਟਿਵ ਗੁਣਵੱਤਾ ਅਤੇ ਮਸ਼ੀਨ ਵਿਜ਼ਨ ਇੰਜੀਨੀਅਰ ਹੋ। ਟਾਸਕ: ਬਾਡੀ ਵੇਲਡ ਵਿਜ਼ਨ ਸਿਸਟਮ ਲਈ ਇੱਕ ਡਿਜ਼ਾਈਨ ਚੈੱਕਲਿਸਟ ਬਣਾਓ। ਸੰਦਰਭ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਸਥਾਨ ਵੈਲਡਿੰਗ; ਲਾਈਨ ਦੀ ਗਤੀ ਉੱਚ ਹੈ; ਦੁਰਲੱਭ ਨੁਕਸ ਹਨ; ਰੋਸ਼ਨੀ ਵੇਰੀਏਬਲ. ਕੰਸਟ੍ਰੈਂਟ: ਲੀਕੇਜ ਨੂੰ ਘੱਟ ਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿਓ; ਨਿਰੀਖਣ ਕੀਤੇ ਵਰਗੀਕਰਣ ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਪਗ ਦੇ ਨਾਲ ਵਿਗਾੜ ਖੋਜ ਨੂੰ ਕਿਵੇਂ ਜੋੜਨਾ ਹੈ, ਇਹ ਨਿਰਧਾਰਿਤ ਕਰੋ; 'ਜ਼ੀਰੋ ਗਲਤੀਆਂ' ਦੀ ਗਾਰੰਟੀ। ਆਉਟਪੁੱਟ: ਪੜਾਅ | ਸੁਝਾਅ | ਖਤਰਾ | ਤਸਦੀਕ ਸਾਰਣੀ.

ਆਮ ਗਲਤੀਆਂ

• ਰੋਸ਼ਨੀ/ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਮਾੜੀ ਤਸਵੀਰ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਵੀ ਵਿਗਾੜ ਦਿੰਦੀ ਹੈ।
• ਲੀਕੇਜ ਅਤੇ ਝੂਠੇ ਅਸਵੀਕਾਰਨ ਨੂੰ ਬਰਾਬਰ ਸਮਝਣਾ। ਆਟੋਮੋਟਿਵ ਸੇਫਟੀ ਪਾਰਟਸ ਵਿੱਚ ਲੀਕ ਹੋਣਾ ਬਹੁਤ ਮਹਿੰਗਾ ਹੈ।
• ਦੁਰਲੱਭ ਨੁਕਸਾਂ ਲਈ ਸਿਰਫ਼ ਨਿਰੀਖਣ ਕੀਤੇ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਵਿਗਾੜ ਖੋਜ ਪੂਰਕ ਹੈ।
• ਮਾਡਲ ਨੂੰ ਅੰਤਿਮ ਨਿਰਣਾਇਕ ਬਣਾਉਣਾ। ਸ਼ੱਕੀ ਭਾਗਾਂ ਨੂੰ ਮਨੁੱਖਾਂ ਵੱਲ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਮੁੜ ਸਿਖਲਾਈ ਨੂੰ ਭੁੱਲਣਾ. ਨਵੇਂ ਹਿੱਸੇ, ਨਵੇਂ ਮੋਲਡ ਅਤੇ ਮੌਸਮੀ ਤਬਦੀਲੀਆਂ ਮਾਡਲ ਨੂੰ ਪੁਰਾਣਾ ਬਣਾਉਂਦੀਆਂ ਹਨ।

ਸੰਖੇਪ ਵਿੱਚ

• ਮਸ਼ੀਨ ਵਿਜ਼ਨ ਅਤੇ AI ਆਟੋਮੋਟਿਵ ਲਾਈਨ 'ਤੇ ਸਤਹ, ਵੇਲਡ ਅਤੇ ਅਸੈਂਬਲੀ ਨੁਕਸਾਂ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਅਤੇ ਲਗਾਤਾਰ ਨਿਰੀਖਣ ਕਰਦੇ ਹਨ।
• ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਵਰਗੀਕਰਨ ਜਾਣੇ-ਪਛਾਣੇ ਨੁਕਸਾਂ 'ਤੇ ਮਜ਼ਬੂਤ ​​ਹੁੰਦਾ ਹੈ, ਦੁਰਲੱਭ/ਨਵੇਂ ਨੁਕਸਾਂ 'ਤੇ ਵਿਸੰਗਤੀ ਖੋਜ ਮਜ਼ਬੂਤ ​​ਹੁੰਦੀ ਹੈ; ਦੋਵੇਂ ਇਕੱਠੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
• ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਫੈਸਲਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਹੈ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ ਵਿੱਚ ਲੀਕੇਜ (ਗਲਤ ਨਕਾਰਾਤਮਕ) ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸ਼ੱਕੀ ਹਿੱਸਾ ਮਨੁੱਖ ਨੂੰ ਜਾਂਦਾ ਹੈ.
• ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਰੋਸ਼ਨੀ ਅਕਸਰ ਮਾਡਲ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਰਣਾਇਕ ਹੁੰਦੀ ਹੈ।
• ਮਾਡਲ ਇੱਕ ਪ੍ਰੀ-sifter ਹੈ; ਅੰਤਮ ਗੁਣਵੱਤਾ ਦਾ ਫੈਸਲਾ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੇ ਨਾਲ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਕੋਈ ਹਿੱਸਾ/ਸਟੇਸ਼ਨ ਚੁਣੋ (ਜਿਵੇਂ ਕਿ ਸਾਹਮਣੇ ਬੰਪਰ ਅਸੈਂਬਲੀ)। (1) ਸੰਭਾਵਿਤ ਨੁਕਸ ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ ਹਰੇਕ ਨੂੰ ਸੁਹਜ/ਕਾਰਜਕਾਰੀ/ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਵਜੋਂ ਲੇਬਲ ਕਰੋ। (2) ਟੈਮਪਲੇਟ 3 ਦੇ ਨਾਲ, ਲੀਕੇਜ/ਗਲਤ ਅਸਵੀਕਾਰਨ ਲਈ ਦੋ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਿਕਲਪਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਇੱਕ ਸਿਫਾਰਸ਼ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਓ। (3) ਸਮਝਾਓ ਕਿ ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਦੁਰਲੱਭ ਨੁਕਸ ਲਈ ਨਿਰੀਖਣ ਜਾਂ ਵਿਗਾੜ ਖੋਜ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ। (4) ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਪੜਾਅ ਅਤੇ ਮੁੜ ਸਿਖਲਾਈ ਟਰਿੱਗਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਨੁਕਸਾਂ ਨੂੰ ਗੰਭੀਰਤਾ ਸ਼੍ਰੇਣੀਆਂ (ਸੁਹਜ/ਕਾਰਜਕਾਰੀ/ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ) ਵਿੱਚ ਵੰਡਿਆ ਹੈ।
• [ ] ਮੈਂ ਥ੍ਰੈਸ਼ਹੋਲਡ ਫੈਸਲੇ ਵਿੱਚ ਗੈਰ-ਕਾਨੂੰਨੀ ਅਤੇ ਝੂਠੇ ਅਸਵੀਕਾਰਨ ਦੇ ਸੰਤੁਲਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
• [ ] ਮੈਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ ਵਿੱਚ ਲੀਕੇਜ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ।
• [ ] ਮੈਂ ਨਿਰੀਖਣ ਕੀਤੇ ਅਤੇ ਅਸੰਗਤ ਪਹੁੰਚਾਂ ਨੂੰ ਉਚਿਤ ਸਥਾਨ 'ਤੇ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ/ਰੋਸ਼ਨੀ ਦੀ ਲੋੜ ਨਿਰਧਾਰਤ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਪੜਾਅ ਅਤੇ ਮੁੜ ਸਿਖਲਾਈ ਯੋਜਨਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।