Controlul calității și detectarea defectelor: procesarea imaginilor — Inteligența artificială în ingineria textilă

Câștiguri:

Abilitatea de a explica modul în care defectele de pe suprafața țesăturii sunt detectate și clasificate prin procesarea imaginilor și învățarea automată.
Abilitatea de a interpreta echilibrul fals pozitiv/negativ, sistemul de notare în 4 puncte și valorile de performanță ale modelului
Abilitatea de a proiecta o configurație de verificare care testează ieșirea automată de detectare a defectelor cu inspecție umană și inspecție fizică

De mulți ani, controlul calității țesăturilor s-a bazat pe ochiul uman: un operator urmărește țesăturile ore în șir pe o masă de inspecție iluminată, marcând și notând orice defecte pe care le vede. Această muncă este obositoare, subiectivă și predispusă la oboseală și eroare; Atenția nu este la fel de puternică la sfârșitul unei ture precum este la început. Viziunea computerizată și învățarea automată promit să automatizeze această inspecție: o cameră de mare viteză scanează materialul, detectând și clasificând un model de defecte în câteva secunde. În această unitate, vom discuta cum funcționează acest sistem, criteriile după care este evaluat și de ce controlul uman este încă indispensabil.

Defecte ale țesăturii și limbajul de inspecție

Pentru a înțelege detectarea automată, este mai întâi necesar să cunoașteți numele defectelor. Defecte tipice ale țesăturii: ruperea urzelii (lipsa firului longitudinal), defect de bătătură/interfață (linie transversală), gaură, pată, loc gros/subțire, săritura urzeală. În tricotaj: semn de ac (linie longitudinală, de la o defecțiune a acului), cusătură rătăcită, gaură, diferență de grosime. În imprimare și vopsire: diferență de culoare, abraziune (neregularitate la vopsire), alunecare, stropire.

Rezultatele inspecției sunt adesea punctate folosind un sistem cu patru puncte: fiecărui defect i se acordă 1-4 puncte în funcție de lungimea sa longitudinală (de exemplu, 1 punct până la 8 cm, 4 puncte peste 15 cm) și se calculează scorul total pe 100 m². Sub un prag (de exemplu, 40 de puncte/100 m²) este considerată „acceptare”, deasupra este considerată „respingere”. Scorul automat cu AI ar trebui să emuleze acest standard; Nu ar trebui să-și producă propriul scor arbitrar.

Sfat: rezultatul sistemului automat ar trebui să fie întotdeauna convertibil la standardul de punctaj acceptat (cum ar fi 4 puncte) și toleranța clientului. Numai „modelul a găsit 12 anomalii” nu ia o decizie de afaceri; Trebuie transformat în puncte și decizii.

Cum funcționează detectarea automată a defectelor?

Sistemele moderne combină adesea cele două abordări. Clasificarea supravegheată este atunci când o rețea neuronală artificială (în special rețea neuronală convoluțională adecvată imaginii, CNN engleză) antrenată cu mii de exemple de defecte etichetate anterior prezice dacă există un defect în noua imagine și tipul acesteia. Detectarea anomaliilor, pe de altă parte, învață materialul „normal” și marchează orice se abate de la normal ca candidat defect; Funcționează pentru defecte rare, nevăzute până acum, deoarece nu este necesară etichetarea fiecărui tip de defect în prealabil.

Citim performanța sistemului cu două criterii de bază. Sensibilitate (rechemare): ce procent din defectele reale a detectat? Precizie: Ce procent din ceea ce au spus că este un defect a fost de fapt un defect? Există un echilibru între acestea două. Fals negativ (lipsează defectul) înseamnă că bunurile defecte sunt livrate clientului; Fals pozitiv (marcarea perfectului ca fiind defect) înseamnă risipă inutilă și încetinire. În aplicațiile critice pentru calitate, un prag este în general ales pentru a menține false negative la un nivel scăzut, în timp ce creșterile false pozitive sunt supuse unei a doua verificări rapide de către un operator uman.

Există o capcană critică aici: doar acuratețea este înșelătoare. Pe o linie de producție, poate 2% din material este defect. Un model stupid care numește totul „perfect” raportează o acuratețe de 98%, dar nu prinde niciun defect. Prin urmare, în datele dezechilibrate, nu se ia în considerare sensibilitatea și precizia clasei de defect, ci acuratețea.

Pas cu pas: Evaluarea unui sistem de detectare

Colectați date reprezentative. Imagini care acoperă varietatea reală de țesături (culoare, textură, iluminare) pe care o va vedea sistemul; Inclusiv defecte rare.
Verificați calitatea etichetei. Dacă etichetele de antrenament sunt greșite, modelul învață și el greșit; Eșantionați etichetele cu un ochi expert.
Măsurați sensibilitatea/precizia. Separat pentru clasa de defect; Nu vă uitați doar la acuratețea generală.
Examinați negative false. Defectele omise au o caracteristică comună (o anumită culoare, o anumită lumină)?
Configurați human-in-the-loop. Lăsați operatorul să confirme ce a marcat modelul; direcționează nesigura către oameni.
Monitorizați și reeducați. Actualizați setul de date pe măsură ce apar noi tipuri de defecte (derivare a conceptului).

Trei mini carcase: după cifre

Cazul 1 – Precizie înșelătoare. Un furnizor a vândut un sistem care spunea „modelul nostru este 97% precis”. Retururile clienților au crescut în domeniu. Analiza a arătat că sensibilitatea clasei de defecte a fost de doar 61%, ceea ce înseamnă că 39 din 100 de defecte adevărate au fost omise. Precizia a fost mare, deoarece cea mai mare parte a materialului era deja impecabilă. Pragul reajustat și controlul uman adăugat; sensibilitatea a crescut la 92%, falsele pozitive au fost eliminate de către operator.

Cazul 2 — Schimbarea luminii. Într-o linie, falsele pozitive s-au triplat atunci când lumina soarelui de după-amiază a lovit zona de inspecție; Modelul a crezut că umbrele sunt pete. Problema a fost rezolvată atunci când starea de vizualizare (dulap închis, iluminare LED constantă) a fost standardizată. Lecție: configurația imaginii este la fel de mult despre calitate ca și modelul.

Cazul 3 – Timp și muncă. O companie a petrecut în medie 9 minute inspectând manual 100 de metri de material textil. Cu modelul de pre-scanare a camerei + confirmare operator, timpul a fost redus la 4 minute și scurgerile au fost reduse deoarece operatorul a acordat atenție doar zonelor marcate. Ceea ce era critic a fost că automatizarea nu a acutizat operatorul, ci ochiul operatorului.

Solicitare slabă / Solicitare puternică

Notă: Sistemele dedicate care analizează direct imaginea defectului sunt separate; aici folosim AI pentru proiectarea procesului, evaluarea datelor și raportare.

Prompt slab:

Spune-mi, modelul nostru de detectare a defectelor este bun?

Solicitare puternică:

Rolul dvs.: Inginer calitate textilă și analist de date. Mai jos sunt rezultatele testelor modelului de detectare a defectelor (matricea de confuzie: adevărat pozitiv, fals pozitiv, fals negativ, adevărat negativ). Sarcină: 1) Calculați sensibilitatea și precizia pentru clasa de defect, arătați formula.2) Explicați cu aceste cifre de ce acuratețea generală poate fi înșelătoare. sugestie concretă pentru stabilirea pragului și inspecția umană. Numere: [matrice]

Șabloane copiabile

1) Calcul și interpretarea metrică:

Calculați sensibilitatea, precizia și scorul F1 din următoarea matrice de confuzie, scrieți fiecare formulă și justificați care dintre ele este mai critică din punct de vedere al calității. Matrice: [TP, FP, FN, TN]

2) Cauza fundamentală fals negativă:

Mai jos este lista de caracteristici a defectelor uitate (negativ fals) (tip de defect, culoare, lumină, viteză). Generați ipoteze tip model comune și propuneți o încercare de verificare pentru fiecare ipoteză. Date: [listă]

3) Conversie în puncte cu 4 puncte:

Convertiți următoarea ieșire de detectare într-un sistem cu 4 puncte: notați fiecare defect în funcție de lungimea acestuia, calculați scorul total pe 100 m², comparați cu scorul [prag] și recomandați acceptarea/respingerea. Lista cu defecte: [lista]

4) Proiect de raport de inspecție:

Obțineți un rezumat executiv din următoarele date privind defectele de schimb: primele 3 defecte, sursa posibilă a procesului (ipoteză), rata totală de respingere și acțiunile recomandate. Nu inventa numerele, folosește doar ceea ce este dat. Date: [tabel]

Diagramă de comparație pentru metrici

criteriu

Ce masuri

E bine să fii mare?

Importanta in calitate

Precizie

Rata generală corectă

Poate induce in eroare

Scăzut de date dezechilibrate

Sensibilitate (rechemare)

Rata reală de defecte prins

Picături fals negative (critice)

Precizie

Adevărul a ceea ce spui este un defect

Reduce fals pozitive/risipa

fals negativ

defect scăpat

Nu, ar trebui să fie scăzut

Risc de bunuri defecte pentru client

fals pozitiv

alarma gol

Nu, dar este tolerat

Pierdere de eficiență/viteză

Atenție: sistemul automatizat este un „pre-screener”, nu un „aprobator”. Decizia finală de acceptare a calității necesită aprobarea unui ofițer de calitate competent, în special pentru loturile supuse contractului cu clientul. Modelul accelerează controlul uman, dar nu îl scutește.

Greșeli comune

Să privești dreptatea și să fii mulțumit. Precizia ridicată ascunde artefactele în datele dezechilibrate.
Neglijarea condiției de vizionare. Fără iluminare constantă și viteză constantă, modelul nu este de încredere.
Nu se verifică calitatea etichetei. Modelul antrenat cu eticheta greșită învață incorect.
Uitând noul tip de defect. Dacă datele nu sunt actualizate pentru noile defecte care apar în timp, performanța se va degrada în tăcere.
Tăiind oamenii afară. Decizia de acceptare critică necesită aprobarea umană.

În concluzie

Procesarea imaginii accelerează foarte mult inspecția țesăturii și compensează oboseala umană. Dar interpretarea lui este citită nu cu acuratețe, ci cu sensibilitatea și precizia clasei de defecte; Falsul negativ este cea mai periculoasă eroare de calitate. Starea stabilă a imaginii, eticheta de calitate și inspecția umană în buclă sunt cei trei piloni ai fiabilității sistemului. Ieșirea automată este o verificare preliminară; Decizia finală de acceptare rămâne cu aprobarea inginerului.

Sarcina de aplicare

Definiți un exemplu de matrice de confuzie pentru un sistem de detectare a defectelor (de exemplu, 100 de eșantioane defecte, 4900 de probe perfecte). Aveți sensibilitatea, precizia și F1 calculate cu șablonul „calcul metric” din această unitate; apoi verificați manual rezultatele. Discutați într-un paragraf ce se întâmplă cu falsele pozitive atunci când modificați pragul pentru a înjumătăți falsul negativ din aceeași matrice și decideți care este echilibrul potrivit pentru produsul dvs.

lista de verificare

[ ] Evaluez performanța după sensibilitate/precizie, nu acuratețe.
[ ] Interpret riscul de fals negative împreună cu impactul asupra afacerii.
[ ] Am standardizat condițiile de vizualizare (lumină, viteză).
[ ] Verific regulat calitatea etichetelor și noi tipuri de defecte.
[ ] Pun aprobarea umană asupra deciziei finale de acceptare; Modelul este doar pre-cernere.