Zyski:
- Umiejętność wyjaśnienia, w jaki sposób defekty na powierzchni tkaniny są wykrywane i klasyfikowane za pomocą przetwarzania obrazu i uczenia maszynowego.
- Umiejętność interpretacji salda fałszywie dodatniego/ujemnego, 4-punktowego systemu punktacji i wskaźników wydajności modelu
- Umiejętność zaprojektowania konfiguracji weryfikacyjnej, która testuje wyniki automatycznego wykrywania defektów za pomocą kontroli człowieka i kontroli fizycznej
Przez wiele lat kontrola jakości tkanin opierała się na ludzkim oku: operator godzinami obserwuje tkaninę na oświetlonym stole kontrolnym, zaznaczając i punktując wszelkie zauważone wady. Ta praca jest męcząca, subiektywna, podatna na zmęczenie i błędy; Uwaga nie jest tak wyostrzona pod koniec zmiany, jak na początku. Wizja komputerowa i uczenie maszynowe pozwalają zautomatyzować tę kontrolę: szybka kamera skanuje tkaninę, wykrywając i klasyfikując wzór defektów w ciągu kilku sekund. W tej części omówimy, jak działa ten system, kryteria jego oceny i dlaczego kontrola człowieka jest nadal niezbędna.
Wady tkanin i język kontroli
Aby zrozumieć automatyczne wykrywanie, należy najpierw poznać nazwę defektu. Typowe wady tkaniny: pęknięcie osnowy (brak nitki podłużnej), wada wątku/połączenia (linia poprzeczna), dziura, plama, miejsce grube/cienkie, odbicie osnowy. W dzianinie: ślad po igle (linia podłużna, spowodowana wadliwym działaniem igły), ścieg przypadkowy, dziura, różnica grubości. W druku i barwieniu: różnica kolorów, ścieranie (nieregularność barwienia), poślizg, rozpryski.
Wyniki kontroli często ocenia się w systemie czteropunktowym: każda wada otrzymuje 1-4 punkty w zależności od jej długości (np. 1 punkt do 8 cm, 4 punkty powyżej 15 cm) i obliczana jest łączna ocena za 100 m². Poniżej progu (np. 40 punktów/100 m²) uważa się za „akceptację”, powyżej uważa się za „odrzucenie”. Zautomatyzowana punktacja za pomocą sztucznej inteligencji powinna naśladować ten standard; Nie powinien generować własnego, arbitralnego wyniku.
Wskazówka: Wyniki zautomatyzowanego systemu powinny zawsze umożliwiać konwersję zgodnie z przyjętym standardem punktacji (np. 4-punktowym) i tolerancją klienta. Samo „model wykrył 12 anomalii” nie podejmuje decyzji biznesowej; Trzeba to przeliczyć na punkty i decyzje.
Jak działa automatyczne wykrywanie wad?
Nowoczesne systemy często łączą oba podejścia. Klasyfikacja nadzorowana ma miejsce wtedy, gdy sztuczna sieć neuronowa (zwłaszcza splotowa sieć neuronowa odpowiednia do obrazu, angielska CNN) wyszkolona na podstawie tysięcy wcześniej oznaczonych przykładów defektów przewiduje, czy w nowym obrazie występuje defekt i jaki jest jego typ. Z drugiej strony wykrywanie anomalii uczy się „normalnej” struktury i oznacza wszystko, co odbiega od normy, jako potencjalne defekty; Sprawdza się w przypadku rzadkich, nigdy wcześniej nie występujących defektów, ponieważ nie ma konieczności wcześniejszego oznaczania każdego rodzaju defektu.
Działanie systemu odczytujemy za pomocą dwóch podstawowych kryteriów. Czułość (przypomnienie): jaki procent rzeczywistych wad wykrył? Precyzja: jaki procent tego, co uznano za wadę, było w rzeczywistości wadą? Istnieje równowaga pomiędzy tymi dwoma. Fałszywie negatywny (brak wady) oznacza, że wadliwy towar zostaje dostarczony klientowi; Fałszywie dodatni wynik (oznaczenie idealnego jako wadliwego) oznacza niepotrzebne marnotrawstwo i spowolnienie. W zastosowaniach o krytycznym znaczeniu dla jakości zazwyczaj wybiera się próg, aby utrzymać niski poziom wyników fałszywie ujemnych, podczas gdy większa liczba wyników fałszywie dodatnich jest poddawana szybkiej drugiej kontroli przez operatora.
Kryje się tu krytyczna pułapka: sama dokładność wprowadza w błąd. Na linii produkcyjnej około 2% tkaniny jest wadliwe. Głupi model, który nazywa wszystko „idealnym”, podaje 98% dokładności, ale nie wyłapuje ani jednej wady. Dlatego w przypadku danych niezrównoważonych nie jest brana pod uwagę czułość i precyzja klasy defektu, ale dokładność.
Krok po kroku: ocena systemu detekcji
- Zbierz reprezentatywne dane. Obrazy przedstawiające rzeczywistą różnorodność tkanin (kolor, faktura, oświetlenie), które system zobaczy; Łącznie z rzadkimi defektami.
- Sprawdź jakość etykiety. Jeśli etykiety szkoleniowe są błędne, model również uczy się źle; Wypróbuj etykiety okiem eksperta.
- Zmierz czułość/precyzję. Oddzielnie dla klasy wady; Nie patrz tylko na ogólną dokładność.
- Zbadaj fałszywe negatywy. Czy pominięte wady mają wspólną cechę (określony kolor, określone światło)?
- Skonfiguruj funkcję „człowiek w pętli”. Pozwól operatorowi potwierdzić, co oznaczył model; Niepewne kieruj do ludzi.
- Monitoruj i przekwalifikuj się. Aktualizuj zbiór danych w miarę pojawiania się nowych typów defektów (dryf koncepcji).
Trzy mini etui: w liczbach
Przypadek 1 – Dokładność wprowadzająca w błąd. Dostawca sprzedał system, mówiąc: „nasz model jest dokładny w 97%”. Zwiększyły się zwroty klientów w terenie. Analiza wykazała, że czułość klasy defektów wyniosła jedynie 61%, co oznacza, że na 100 prawdziwych defektów pominięto 39. Dokładność była wysoka, ponieważ większość tkaniny była już nieskazitelna. Poprawiono próg i dodano kontrolę człowieka; czułość wzrosła do 92%, operator wyeliminował fałszywe alarmy.
Przypadek 2 — Przesunięcie oświetlenia. W jednej linii liczba fałszywych alarmów wzrosła trzykrotnie, gdy popołudniowe światło słoneczne uderzyło w obszar inspekcji; Modelka myślała, że cienie to plamy. Problem został rozwiązany po ujednoliceniu warunków oglądania (zamknięta obudowa, stałe oświetlenie LED). Lekcja: konfiguracja obrazowania zależy w równym stopniu od jakości modelu, jak i modelu.
Przypadek 3 — Czas i praca. Firma spędzała średnio 9 minut na ręcznym sprawdzaniu 100 metrów tkaniny. Dzięki modelowi wstępnego skanowania kamery i potwierdzenia przez operatora czas został skrócony do 4 minut, a wycieki zostały zmniejszone, ponieważ operator zwracał uwagę tylko na zaznaczone obszary. Najważniejsze było to, że automatyzacja wyostrzyła nie operatora, ale jego oko.
Słaba podpowiedź/silna podpowiedź
Uwaga: Dedykowane systemy bezpośrednio analizujące obraz defektu są odrębne; tutaj używamy sztucznej inteligencji do projektowania procesów, oceny danych i raportowania.
Słaba zachęta:
Powiedz mi, czy nasz model wykrywania defektów jest dobry?
Potężny monit:
Twoja rola: Inżynier ds. jakości tekstyliów i analityk danych. Poniżej znajdują się wyniki testów modelu wykrywania defektów (macierz pomyłek: prawdziwie dodatni, fałszywie dodatni, fałszywie ujemny, prawdziwie ujemny). Zadanie: 1) Oblicz czułość i precyzję dla klasy wad, pokaż wzór.2) Wyjaśnij za pomocą tych liczb, dlaczego ogólna dokładność może wprowadzać w błąd.3) Skomentuj wpływ biznesowy ryzyka fałszywie ujemnych wyników w tej produkcji.4) Podaj konkretną sugestię dotyczącą ustalania progów i kontroli przez ludzi. Liczby: [macierz]
Szablony do kopiowania
1) Obliczanie i interpretacja metryki:
Oblicz czułość, precyzję i wynik F1 z poniższej macierzy zamieszania, zapisz każdy wzór i uzasadnij, który z nich jest bardziej krytyczny pod względem jakości. Matryca: [TP, FP, FN, TN]
2) Fałszywie ujemna przyczyna źródłowa:
Poniżej znajduje się lista funkcji pominiętych (fałszywie ujemnych) defektów (rodzaj defektu, kolor, światło, prędkość). Wygeneruj wspólne hipotezy wzorcowe i zaproponuj próbę weryfikacyjną dla każdej hipotezy. Dane: [lista]
3) Zamiana na punkty 4-punktowe:
Przekształć następujący wynik wykrywania na system 4-punktowy: oceń każdą wadę według jej długości, oblicz całkowity wynik na 100 m², porównaj z wynikiem [próg] i zarekomenduj akceptację/odrzucenie. Lista wad: [lista]
4) Projekt protokołu kontroli:
Utwórz podsumowanie wykonawcze na podstawie następujących danych dotyczących defektów zmiany: 3 najważniejsze defekty, możliwe źródło procesu (hipoteza), całkowity współczynnik odrzuceń i zalecane działania. Nie wymyślaj liczb, po prostu użyj tego, co podano. Dane: [tabela]
Tabela porównawcza metryki
kryterium
Jakie środki
Czy dobrze jest być na haju?
Znaczenie jakości
Dokładność
Ogólnie poprawna stawka
Może wprowadzać w błąd
Niski poziom niezrównoważonych danych
Wrażliwość (przypomnienie)
Wykryto rzeczywisty odsetek defektów
Tak
Krople fałszywie negatywne (krytyczne)
Precyzja
Prawdziwość tego, co mówisz, jest wadą
Tak
Redukuje fałszywe alarmy/odpady
fałszywie negatywny
uciekła wada
Nie, powinno być niskie
Ryzyko wadliwego towaru dla klienta
fałszywie dodatnie
pusty alarm
Nie, ale jest to tolerowane
Spadek wydajności/prędkości
Uwaga: Zautomatyzowany system pełni funkcję „weryfikatora wstępnego”, a nie „osoby zatwierdzającej”. Ostateczna decyzja o odbiorze jakościowym wymaga zatwierdzenia przez kompetentnego specjalistę ds. jakości, szczególnie w przypadku partii będących przedmiotem umowy z klientem. Model przyspiesza kontrolę człowieka, ale jej nie zwalnia.
Typowe błędy
- Aby patrzeć na sprawiedliwość i być usatysfakcjonowanym. Wysoka dokładność ukrywa artefakty w niezrównoważonych danych.
- Zaniedbanie warunków oglądania. Bez stałego oświetlenia i stałej prędkości model jest zawodny.
- Nie sprawdzanie jakości etykiety. Model wyszkolony z niewłaściwą etykietą uczy się niepoprawnie.
- Zapominanie o nowym typie wady. Jeśli dane nie zostaną zaktualizowane pod kątem nowych usterek pojawiających się z biegiem czasu, wydajność będzie dyskretnie spadać.
- Wycinanie ludzi. Krytyczna decyzja o akceptacji wymaga zgody człowieka.
Podsumowując
Przetwarzanie obrazu znacznie przyspiesza kontrolę tkanin i kompensuje zmęczenie człowieka. Ale jego występ czyta się nie z dokładnością, ale z wrażliwością i precyzją klasy wad; Fałszywie ujemny jest najniebezpieczniejszym błędem jakościowym. Stabilne warunki obrazowania, znak jakości i kontrola „człowieka w pętli” to trzy filary niezawodności systemu. Wyjście automatyczne to selekcja wstępna; Ostateczna decyzja o odbiorze pozostaje za zgodą inżyniera.
Zadanie aplikacji
Zdefiniuj przykładową macierz zamieszania dla systemu wykrywania defektów (np. 100 wadliwych, 4900 doskonałych próbek). Oblicz czułość, precyzję i F1 za pomocą szablonu „obliczeń metrycznych” w tym urządzeniu; następnie sprawdź wyniki ręcznie. Omów w jednym akapicie, co dzieje się z wynikami fałszywie dodatnimi, gdy zmienisz próg, aby zmniejszyć o połowę liczbę fałszywie ujemną w tej samej matrycy, i zdecyduj, która równowaga jest właściwa dla Twojego produktu.
lista kontrolna
- [ ] Oceniam wydajność na podstawie czułości/precyzji, a nie dokładności.
- [ ] Interpretuję ryzyko fałszywych negatywów wraz z wpływem na biznes.
- [ ] Ustandaryzowałem warunki oglądania (światło, prędkość).
- [ ] Regularnie sprawdzam jakość etykiet i nowe rodzaje defektów.
- [ ] Wyrażam ludzką aprobatę dla ostatecznej decyzji o akceptacji; Model posiada wyłącznie przesiewacz wstępny.