Kontrola jakości linii produkcyjnej: wykrywanie wad wizualnych

Zyski:

• Zrozumienie przebiegu procesu wykrywania wad powierzchniowych, spawalniczych i montażowych na linii produkcyjnej samochodów za pomocą wizji maszynowej
• Umiejętność wykorzystania sztucznej inteligencji w ustrukturyzowany sposób przy tworzeniu zbioru danych obrazu, etykietowaniu, szkoleniu modeli i określaniu progów
• Możliwość weryfikacji decyzji dotyczących jakości poprzez uwzględnienie współczynnika ucieczki i fałszywych odrzuceń, szybkości linii i zaufania operatora

Samochód składa się z tysięcy części, a każda z nich przechodzi przez linię w ciągu kilku sekund. Sprawdzanie każdej spoiny, każdej powierzchni lakieru i każdego montażu bez żadnych błędów ludzkim okiem jest zarówno męczące, jak i niespójne; oczy się męczą, uwaga jest rozproszona. Tutaj z pomocą przychodzą wizje maszynowe i sztuczna inteligencja: kamery rejestrują części, a model AI sygnalizuje usterkę w czasie krótszym niż sekunda. W tej części omówimy sposób kontroli jakości obrazu w produkcji samochodów, rolę sztucznej inteligencji i najważniejszą kwestię, czyli równowagę błędów.

Typowe wady wizualne w motoryzacji

Główne rodzaje wad sprawdzane wizualnie:

• Wady powierzchni/lakieru: skórka pomarańczowa (szorstka farba), pęcherzyki kurzu, zacieki, zadrapania, różnica kolorów.
• Wady spoin: niepełna spoina, odpryski, porowatość, źle umiejscowiona spoina punktowa.
• Wady montażowe: brakująca śruba, źle zamontowana obejma, odwrócona uszczelka, luźne złącze.
• Etykieta/oznaczenie: nieczytelny VIN, błędna etykieta, brak stempla.

Niektóre z tych defektów mają charakter wyłącznie estetyczny (drobne zadrapania), inne zaś mają krytyczne znaczenie dla bezpieczeństwa (niekompletne spawanie może prowadzić do pęknięcia zmęczeniowego złącza nadwozia). To rozróżnienie determinuje wszystkie późniejsze decyzje.

Wskazówka: nie traktuj każdej wady z taką samą powagą. Dodanie znacznika „estetyczny/funkcjonalny/krytyczny dla bezpieczeństwa” podczas klasyfikowania wady jest kluczem do ustalenia prawidłowego progu i logiki decyzyjnej.

Dwa podstawowe podejścia: klasyfikacja nadzorowana i wykrywanie anomalii

Istnieją dwie główne strategie wykrywania wad wzroku:

1. Nadzorowana klasyfikacja/wykrywanie: uczysz model, pokazując mu wiele obrazów z etykietami z napisem „tutaj są wadliwe przykłady, tu są doskonałe przykłady”. Jest potężny, jeśli znasz rodzaje defektów i masz wystarczającą liczbę przykładów. Wyzwanie: trudno jest zebrać wystarczającą liczbę próbek rzadkich defektów (linia prawie zawsze produkuje części stałe).
2. Wykrywanie anomalii: pokazujesz modelowi tylko „normalne/solidne” obrazy; model uczy się, jak wygląda normalność i oznacza wszystko, co odbiega od normy, jako „anomalię”. Potrafi wykryć nowe/nieoczekiwane defekty, nawet jeśli nie znasz wcześniej rodzaju defektu. Trudność: każde odchylenie można uznać za wadę (np. zmianę oświetlenia).

W praktyce te dwa pojęcia są używane razem: wykrycie anomalii mówi „jest tu coś dziwnego”, klasyfikacja mówi „to jest odbicie zasobów”.

Krok po kroku: konfiguracja systemu kontroli wizualnej

1. Katalog defektów i kryteria akceptacji: Zdefiniuj wraz z inżynierami jakości, która wada zostanie zaakceptowana/odrzucona. Taka jest „prawda” modelu.
2. Akwizycja obrazu: Stałe, spójne oświetlenie i pozycja kamery mają kluczowe znaczenie. Słabe/niestabilne oświetlenie jest najczęstszą przyczyną awarii.
3. Etykietowanie: Eksperci zaznaczają wady; Wytyczne dotyczące etykietowania są niezbędne dla zachowania spójności.
4. Uczenie modelu: szkolony jest model nadzorowany i/lub model anomalii.
5. Próg: Model podaje „prawdopodobieństwo wystąpienia wady”; Jest to próg, powyżej którego prawdopodobieństwo uznasz za „odrzucenie”. To najważniejsza decyzja biznesowa (poniżej).
6. Integracja linii: Model podejmuje decyzję, podejrzane części kierowane są do operatora/stacji.
7. Monitorowanie i przekwalifikowanie: Model jest aktualizowany w miarę pojawiania się nowych typów defektów, zmian sezonowych i nowych części.

Najbardziej krytyczna kwestia: równowaga wycieków i fałszywych odrzuceń

W motoryzacji zdarzają się dwa błędy w wykrywaniu usterek i ich koszty są bardzo różne:

• Wyciek (ucieczka / fałszywie negatywny): Wadliwy element jest uważany za „dobry” i przechodzi przez linię. Jeśli chodzi o bezpieczeństwo, oznacza to wyjazd wadliwego pojazdu na miejsce, skargę klienta, a nawet wycofanie go z rynku. Najdroższy błąd.
• Fałszywe odrzucenie (fałszywe odrzucenie / fałszywie pozytywne): Nienaruszona część jest uważana za „wadliwą” i odrzucana. Oznacza to marnotrawstwo, niepotrzebne przeróbki, spowolnienie linii; Boli, ale nie zagraża bezpieczeństwu.

próg decyzyjny

zbieg

fałszywe odrzucenie

Kiedy?

Luźne (wysoki próg)

Wzrost (niebezpieczny)

maleje

Nigdy na ścieżce bezpieczeństwa

Ścisłe (niski próg)

maleje

Podwyżki (kosztowne)

Na częściach krytycznych dla bezpieczeństwa

zrównoważony

średni

średni

W wadach estetycznych

Przestroga: W przypadku części krytycznej dla bezpieczeństwa (hamulec, układ kierowniczy, spoiny nadwozia) próg jest zawsze szczelny, aby zminimalizować wycieki; Podejrzany kawałek jest kierowany do człowieka. W elemencie zabezpieczającym niedopuszczalne jest złagodzenie progu ze względu na to, że „fałszywe odrzucenie jest kosztowne”.

Podział pracy człowiek-maszyna

W dobrze ugruntowanym systemie model nie jest ostatecznym decydentem; Jest to „weryfikator wstępny”. Model wyłapuje oczywiste wady i odsyła do człowieka to, czego nie jest pewien. Dzięki temu operator może skupić się na 30 podejrzanych częściach zamiast na 1000 części. Ważna jest także pewność operatora: jeśli model generuje zbyt wiele fałszywych alarmów, operator przestaje traktować ostrzeżenia poważnie („zmęczenie alarmami”). Dlatego monitorowany jest również współczynnik fałszywych odrzuceń.

Mini studia przypadków

Przypadek 1 – Pułapka świetlna. Chociaż model kontroli farby sprawdza się w laboratorium w 98%, jego skuteczność spada nawet do 80%. Recenzja: oświetlenie sufitowe na linii zmienia się w ciągu dnia, model uważa różnicę w jasności za „wadę”. Po dodaniu stałego oświetlenia tunelu skuteczność wzrasta do 97%. Wniosek: Jakość obrazu może być bardziej decydująca niż model.

Przypadek 2 – Koszt wycieku. Podczas kontroli spoin kadłuba próg jest nieco rozluźniony „ze względu na wydajność”; Liczba fałszywych odrzuceń spada z 6% do 3%, ale miesiąc później zgłoszono pęknięcia spoin w dwóch pojazdach w terenie. Analiza przyczyn źródłowych pokazuje, że współczynnik wycieków wzrósł. Próg zostaje ponownie zaostrzony, a podejrzane części zostają objęte 100% kontrolą człowieka. Wniosek: Ograniczenie wycieków w części zabezpieczającej ma zawsze pierwszeństwo przed fałszywym odrzuceniem.

Przypadek 3 – Rzadka wada. Czasem z nowej formy wtryskowej wyłania się bardzo mały defekt zadziorów, ale przykładów tej wady w treningu nadzorowanego modelu prawie nie ma, więc brakuje. Kiedy model wykrywania anomalii jest aktywowany, wykrywa to jako „odchylenie od normy”. Wniosek: Wykrywanie anomalii w przypadku rzadkich/nowych defektów uzupełnia nadzorowany model.

szablony podpowiedzi

Szablon 1 – Katalog defektów i klasyfikacja ważności:

Rola: Jesteś inżynierem jakości w branży motoryzacyjnej. Zadanie: Posortuj poniższą listę defektów według klas ważności. Kontekst: Linia spawu nadwozia; wady: rozpryski, pory, brakujące miejsca, niewielka różnica koloru, zarysowania powierzchni. Ograniczenia: Oznacz każdą wadę jako estetyczną/funkcjonalną/krytyczną dla bezpieczeństwa i zaproponuj decyzję (akceptacja/sprawdzenie przez człowieka/odrzucenie). Wynik: Wada | znaczenie | proponowana decyzja | tabela uzasadnień.

Szablon 2 – Przewodnik po etykietowaniu:

Rola: Lider jakości etykietowania obrazów. Zadanie: Napisz zasady spójności oznakowania wad lakieru. Kontekst: skórka pomarańczowa, bieg, bańka kurzu; Istnieją zdjęcia wykonane przy różnym oświetleniu. Wynik: Reguła | przykład | stan graniczny | notatka tagera.

Wzór 3 – Interpretacja decyzji dotyczącej progu/metryki:

Rola: Ewaluator systemów wizyjnych. Zadanie: Zinterpretuj poniższą tabelę progów decyzyjnych. Kontekst: Zasób o znaczeniu krytycznym dla bezpieczeństwa; przy progu A wyciek wynosi 0,3%, fałszywe odrzucenie wynosi 5%; wyciek przy progu B 1,2% fałszywego odrzucenia 2%.Ograniczenie: Przestrzegaj priorytetu bezpieczeństwa; Wyjaśnij, który próg zalecasz i dlaczego, oraz dodaj etap kontroli człowieka. Wynik: zalecenie + uzasadnienie + pozostałe ryzyko.

Szablon 4 – Analiza przyczyn źródłowych:

Rola: Jesteś inżynierem ds. jakości. Zadanie: Wymień możliwe przyczyny powstawania defektów rozpryskowych, które nasiliły się w ciągu ostatnich 3 zmian. Kontekst: Zrobotyzowane zgrzewanie punktowe; Wymiana elektrod została dokonana 2 dni temu; aktualne ustawienie naprawiono. Wynik: Możliwa przyczyna | kontrola walidacyjna | priorytet.

Słaba zachęta/silna zachęta

Słaba zachęta:

Stwórz model, który wykryje wadliwe części.

Nie jest jasne, jaka wada, jakie znaczenie, jaki próg, jaka decyzja; Wynik jest bezużyteczny.

Potężny monit:

Rola: Jesteś inżynierem ds. jakości w branży motoryzacyjnej i wizji maszynowej. Zadanie: Utwórz listę kontrolną projektu dla systemu wizyjnego do spawania nadwozia. Kontekst: Zgrzewanie punktowe krytyczne dla bezpieczeństwa; prędkość linii jest wysoka; Występują rzadkie wady; zmienna oświetlenia. Ograniczenie: priorytetem jest minimalizacja wycieków; określić, jak połączyć wykrywanie anomalii z klasyfikacją pod nadzorem i etapem kontroli człowieka; gwarantując „zero błędów”. Wynik: Etap | sugestia | ryzyko | tabela weryfikacyjna.

Typowe błędy

• Zaniedbanie oświetlenia/jakości obrazu. Zły wizerunek psuje nawet najlepszy model.
• Uznanie wycieku i fałszywego odrzucenia za równe. Wycieki w samochodowych częściach bezpieczeństwa są znacznie droższe.
• Poleganie wyłącznie na nadzorowanym modelu w przypadku rzadkich usterek. Wykrywanie anomalii jest uzupełnieniem.
• Uczynienie modelu ostatecznym decydentem. Podejrzane części należy kierować do ludzi.
• Zapominając o przekwalifikowaniu się. Nowe części, nowe formy i zmiany sezonowe powodują, że model jest stary.

Podsumowując

• Wizja maszynowa i sztuczna inteligencja szybko i konsekwentnie sprawdzają wady powierzchni, spawów i montażu na linii samochodowej.
• Klasyfikacja nadzorowana jest skuteczna w przypadku znanych defektów, wykrywanie anomalii jest skuteczne w przypadku rzadkich/nowych defektów; oba są używane razem.
• Najważniejszą decyzją jest próg: wyciek (fałszywie ujemny) jest minimalizowany w części krytycznej dla bezpieczeństwa, podejrzana część trafia do człowieka.
• Jakość obrazu i oświetlenie są często bardziej decydujące niż model.
• Model jest przesiewaczem wstępnym; Ostateczna decyzja dotycząca jakości i odpowiedzialności za bezpieczeństwo spoczywa na człowieku.

Zadanie aplikacji

Wybierz część/stację (np. zespół przedniego zderzaka). (1) Wymień możliwe wady i oznacz każdą jako estetyczną/funkcjonalną/krytyczną dla bezpieczeństwa. (2) Korzystając z Szablonu 3, porównaj dwie opcje progowe wycieku/fałszywego odrzucenia i uzasadnij zalecenie. (3) Wyjaśnij, czy w przypadku rzadkich defektów będziesz używać wykrywania nadzorowanego czy wykrywania anomalii. (4) Zdefiniuj etap kontroli ludzkiej i wyzwalacz ponownego szkolenia.

lista kontrolna

• [ ] Podzieliłem wady na klasy ważności (estetyczne/funkcjonalne/krytyczne dla bezpieczeństwa).
• [ ] Oceniłem równowagę odrzucenia niezgodnego z prawem i fałszywego w decyzji progowej.
• [ ] Priorytetem był dla mnie wyciek w części krytycznej dla bezpieczeństwa.
• [ ] Umieściłem podejście nadzorowane i podejście anomalii w odpowiednim miejscu.
• [ ] Określiłem wymagania dotyczące jakości obrazu/oświetlenia.
• [ ] Zdefiniowałem etap kontroli człowieka i plan przekwalifikowania.