Ganhos:
- Capacidade de explicar como os defeitos na superfície do tecido são detectados e classificados por processamento de imagem e aprendizado de máquina.
- Capacidade de interpretar saldo falso positivo/negativo, sistema de pontuação de 4 pontos e métricas de desempenho do modelo
- Capacidade de projetar uma configuração de verificação que teste a saída automática de detecção de defeitos com inspeção humana e física
Durante muitos anos, o controle de qualidade do tecido dependeu do olho humano: um operador observa o tecido durante horas em uma mesa de inspeção iluminada, marcando e pontuando quaisquer defeitos que vê. Este trabalho é cansativo, subjetivo e sujeito ao cansaço e ao erro; A atenção não é tão aguçada no final de um turno como no início. A visão computacional e o aprendizado de máquina prometem automatizar essa inspeção: uma câmera de alta velocidade escaneia o tecido, detectando e classificando um padrão de defeitos em segundos. Nesta unidade discutiremos como funciona esse sistema, os critérios pelos quais ele é avaliado e por que o controle humano ainda é indispensável.
Defeitos de tecido e a linguagem de inspeção
Para entender a detecção automática, primeiro é necessário saber o nome dos defeitos. Defeitos típicos em tecido: ruptura da urdidura (falta de fio longitudinal), defeito/entrelaçamento da trama (linha transversal), furo, mancha, local grosso/fino, ressalto da urdidura. Em malha: marca de agulha (linha longitudinal, de mau funcionamento da agulha), ponto perdido, furo, diferença de espessura. Na estamparia e tingimento: diferença de cor, abrasão (irregularidade de tingimento), escorregamento, respingos.
Os resultados da inspeção são frequentemente pontuados usando um sistema de quatro pontos: cada defeito recebe de 1 a 4 pontos de acordo com seu comprimento longitudinal (por exemplo, 1 ponto até 8 cm, 4 pontos acima de 15 cm) e a pontuação total por 100 m² é calculada. Abaixo de um limite (por exemplo, 40 pontos/100 m²) é considerado “aceitação”, acima é considerado “rejeição”. A pontuação automatizada com IA deve emular este padrão; Não deve produzir a sua própria pontuação arbitrária.
Dica: A saída do sistema automatizado deve sempre ser conversível para o padrão de pontuação aceito (como 4 pontos) e tolerância do cliente. “O modelo encontrou 12 anomalias” por si só não toma uma decisão de negócio; Deve ser convertido em pontos e decisões.
Como funciona a detecção automática de falhas?
Os sistemas modernos muitas vezes combinam as duas abordagens. Classificação supervisionada ocorre quando uma rede neural artificial (especialmente rede neural convolucional apropriada para imagem, CNN inglesa) treinada com milhares de exemplos de defeitos previamente rotulados prevê se há um defeito na nova imagem e seu tipo. A detecção de anomalias, por outro lado, aprende o tecido “normal” e marca qualquer coisa que se desvie do normal como candidato a defeito; Funciona para defeitos raros e nunca antes vistos porque não é necessário rotular previamente cada tipo de defeito.
Lemos o desempenho do sistema com dois critérios básicos. Sensibilidade (recall): que porcentagem de defeitos reais detectou? Precisão: Que porcentagem do que eles disseram ser uma falha era na verdade uma falha? Existe um equilíbrio entre esses dois. Falso negativo (falta do defeito) significa que mercadorias defeituosas foram entregues ao cliente; Falso positivo (marcar o perfeito como defeituoso) significa desperdício e lentidão desnecessários. Em aplicações de qualidade crítica, geralmente é escolhido um limite para manter baixos os falsos negativos, enquanto o aumento dos falsos positivos passa por uma segunda verificação rápida por um operador humano.
Há uma armadilha crítica aqui: a precisão por si só é enganosa. Numa linha de produção, talvez 2% do tecido esteja com defeito. Um modelo estúpido que chama tudo de “perfeito” relata 98% de precisão, mas não detecta uma única falha. Portanto, em dados não balanceados, não são consideradas a sensibilidade e a precisão da classe de defeito, mas sim a exatidão.
Passo a passo: avaliando um sistema de detecção
- Colete dados representativos. Imagens que cobrem a variedade real de tecidos (cor, textura, iluminação) que o sistema verá; Incluindo defeitos raros.
- Verifique a qualidade da etiqueta. Se os rótulos de treinamento estiverem errados, o modelo também aprende errado; Experimente os rótulos com um olhar especializado.
- Meça a sensibilidade/precisão. Separadamente para a classe de defeito; Não olhe apenas para a precisão geral.
- Examine falsos negativos. Os defeitos perdidos têm uma característica comum (certa cor, certa luz)?
- Configure o humano no circuito. Deixe o operador confirmar o que o modelo marcou; direcionar o incerto para as pessoas.
- Monitore e treine novamente. Atualize o conjunto de dados à medida que surgem novos tipos de defeitos (desvio de conceito).
Três minicasos: em números
Caso 1 — Precisão enganosa. Um fornecedor vendeu um sistema dizendo “nosso modelo é 97% preciso”. O retorno dos clientes aumentou em campo. A análise mostrou que a sensibilidade da classe de defeitos foi de apenas 61%, o que significa que 39 em cada 100 defeitos verdadeiros foram perdidos. A precisão foi alta porque a maior parte do tecido já estava impecável. Limiar reajustado e controle humano adicionado; a sensibilidade aumentou para 92%, os falsos positivos foram eliminados pelo operador.
Caso 2 — Mudança de iluminação. Em uma linha, os falsos positivos triplicaram quando a luz solar da tarde atingiu a área de inspeção; A modelo achou que as sombras eram manchas. O problema foi resolvido quando a condição de visualização (gabinete fechado, iluminação LED constante) foi padronizada. Lição: a configuração da imagem envolve tanto a qualidade quanto o modelo.
Caso 3 — Tempo e trabalho. Uma empresa gastou em média 9 minutos inspecionando manualmente 100 metros de tecido. Com o modelo de pré-digitalização da câmera + confirmação do operador, o tempo foi reduzido para 4 minutos e o vazamento foi reduzido porque o operador prestou atenção apenas nas áreas marcadas. O que foi crítico foi que a automação aguçou não o operador, mas o olhar do operador.
Alerta Fraco/Prompt Forte
Nota: Os sistemas dedicados que analisam diretamente a imagem do defeito são separados; aqui usamos IA para design de processos, avaliação de dados e relatórios.
Alerta fraco:
Diga-me, nosso modelo de detecção de defeitos é bom?
Alerta poderoso:
Sua função: Engenheiro de qualidade têxtil e analista de dados.Abaixo estão os resultados do teste do modelo de detecção de defeitos (matriz de confusão:verdadeiro positivo, falso positivo, falso negativo, verdadeiro negativo).Tarefa:1) Calcular a sensibilidade e precisão para a classe de defeito, mostrar a fórmula.2) Explique com esses números por que a precisão geral pode ser enganosa.3) Comente sobre o impacto comercial do risco de falsos negativos nesta produção.4) Dê sugestões concretas para definição de limites e inspeção humana.Números: [matriz]
Modelos copiáveis
1) Cálculo e interpretação de métricas:
Calcule a sensibilidade, a precisão e a pontuação F1 a partir da seguinte matriz de confusão, escreva cada fórmula e justifique qual delas é mais crítica em termos de qualidade. Matriz: [TP, FP, FN, TN]
2) Causa raiz falso negativo:
Abaixo está a lista de recursos de defeitos perdidos (falso negativo) (tipo de defeito, cor, luz, velocidade). Gere hipóteses de padrões comuns e proponha um teste de verificação para cada hipótese. Dados: [lista]
3) Conversão para pontos de 4 pontos:
Converta a seguinte saída de detecção em um sistema de 4 pontos: pontue cada defeito de acordo com seu comprimento, calcule a pontuação total por 100 m², compare com a pontuação [limiar] e recomende aceitação/rejeição. Lista de defeitos: [lista]
4) Minuta do relatório de inspeção:
Obtenha um resumo executivo dos seguintes dados de defeitos de turno: 3 principais defeitos, possível origem do processo (hipótese), taxa de rejeição total e ações recomendadas. Não invente números, apenas use o que é dado. Dados: [tabela]
Gráfico de comparação de métricas
critério
Quais medidas
É bom estar chapado?
Importância na qualidade
Precisão
Taxa geral correta
Pode ser enganoso
Poucos dados desequilibrados
Sensibilidade (recall)
Taxa real de defeitos detectados
Sim
Elimina falso negativo (crítico)
Precisão
A verdade do que você diz é uma falha
Sim
Reduz falsos positivos/desperdícios
falso negativo
defeito escapado
Não, deveria ser baixo
Risco de mercadorias defeituosas para o cliente
falso positivo
alarme vazio
Não, mas é tolerado
Perda de eficiência/velocidade
Atenção: O sistema automatizado é um “pré-selecionador”, não um “aprovador”. A decisão final de aceitação da qualidade requer a aprovação de um responsável pela qualidade competente, especialmente para lotes sujeitos a contrato com o cliente. O modelo acelera o controle humano, mas não o isenta.
Erros comuns
- Olhar para a justiça e ficar satisfeito. A alta precisão oculta artefatos em dados não balanceados.
- Negligenciando a condição de visualização. Sem iluminação e velocidade constantes, o modelo não é confiável.
- Não verificar a qualidade da etiqueta. O modelo treinado com o rótulo errado aprende incorretamente.
- Esquecendo o novo tipo de defeito. Se os dados não forem atualizados para novos defeitos que aparecem ao longo do tempo, o desempenho será degradado silenciosamente.
- Cortar as pessoas. A decisão crítica de aceitação requer aprovação humana.
Resumindo
O processamento de imagens acelera bastante a inspeção de tecidos e compensa a fadiga humana. Mas seu desempenho não é lido com exatidão, mas com a sensibilidade e precisão da classe de falhas; O falso negativo é o erro de qualidade mais perigoso. Condição de imagem estável, rótulo de qualidade e inspeção humana são os três pilares da confiabilidade do sistema. A saída automática é uma triagem preliminar; A decisão final de aceitação permanece com a aprovação do engenheiro.
Tarefa de aplicativo
Defina um exemplo de matriz de confusão para um sistema de detecção de defeitos (por exemplo, 100 amostras defeituosas, 4.900 amostras perfeitas). Tenha sensibilidade, precisão e F1 calculados com o modelo "cálculo métrico" desta unidade; em seguida, verifique os resultados manualmente. Discuta em um parágrafo o que acontece com os falsos positivos quando você altera o limite para reduzir pela metade os falsos negativos na mesma matriz e decida qual equilíbrio é adequado para o seu produto.
lista de verificação
- [] Eu avalio o desempenho por sensibilidade/precisão, não por exatidão.
- [ ] Interpreto o risco de falsos negativos juntamente com o impacto nos negócios.
- [ ] Padronizei as condições de visualização (luz, velocidade).
- [ ] Verifico regularmente a qualidade das etiquetas e novos tipos de defeitos.
- [ ] Coloco a aprovação humana na decisão final de aceitação; O modelo é apenas pré-peneirador.