Controlul calității liniei de producție: detectarea vizuală a defectelor — Inteligența artificială în inginerie auto

Câștiguri:

Înțelegerea fluxului de lucru al detectării defectelor de suprafață, sudare și asamblare în linia de producție auto cu viziune artificială
Abilitatea de a utiliza inteligența artificială într-un mod structurat în stabilirea unui set de date de imagine, etichetare, antrenament de model și determinarea pragului
Capacitatea de a verifica calitatea deciziei luând în considerare rata de evadare și falsă respingere, viteza liniei și încrederea operatorului

O mașină este formată din mii de piese și fiecare trece prin linie în câteva secunde. Este atât obositor, cât și inconsecvent să inspectezi fiecare sudură, fiecare suprafață de vopsea, fiecare ansamblu fără erori cu ochiul uman; ochii obosesc, atenția este distrasă. Aici intervin viziunea artificială și inteligența artificială: camerele imaginează piesele, un model AI semnalează defectul în mai puțin de o secundă. În această unitate, vom discuta despre modul în care se stabilește controlul calității imaginii în producția de automobile, rolul AI și problema cea mai critică, echilibrul erorilor.

Defecte vizuale tipice la automobile

Principalele tipuri de defecte inspectate vizual:

Defecte de suprafață/vopsea: coajă de portocală (vopsea aspră), bule de praf, sângerare, zgârieturi, diferență de culoare.
Defecte de sudură: sudare incompletă, stropire, porozitate, sudură în puncte greșită.
Defecte de asamblare: șurub lipsă, clemă instalată incorect, etanșare inversată, conector slăbit.
Etichetă/marca: VIN ilizibil, etichetă greșită, ștampilă lipsă.

Unele dintre aceste defecte sunt doar estetice (zgârieturi minore), în timp ce altele sunt critice din punct de vedere al siguranței (sudarea incompletă poate duce la o fisură de oboseală în articulația corpului). Această distincție determină toate deciziile ulterioare.

Sfat: Nu tratați fiecare defect cu aceeași seriozitate. Adăugarea etichetei „estetic/funcțional/critic pentru siguranță” atunci când clasificați un defect este cheia pentru a obține pragul și logica deciziei corecte.

Două abordări de bază: clasificarea supravegheată și detectarea anomaliilor

Există două strategii principale pentru detectarea defectelor vizuale:

Clasificare/detecție supravegheată: predați modelul arătându-i multe imagini etichetate care spun „aici sunt exemple defecte, aici sunt exemple perfecte”. Este puternic dacă cunoașteți tipurile de defecte și aveți suficiente exemple. Provocare: este dificil să colectați suficiente probe de defecte rare (o linie produce aproape întotdeauna piese solide).
Detectarea anomaliilor: afișați modelului doar imagini „normale/robuste”; modelul învață cum arată normalul și marchează orice se abate de la normal drept „anomalie”. Poate prinde defecte noi/neașteptate chiar dacă nu cunoașteți în prealabil tipul de defect. Dificultate: poate confunda orice abatere ca fiind o defecțiune (cum ar fi o schimbare a luminii).

În practică, cele două sunt folosite împreună: detectarea anomaliilor spune „e ceva ciudat aici”, clasificarea spune „aceasta este o resursă sărită”.

Pas cu pas: instalarea unui sistem de inspecție vizuală

Catalogul defectelor și criteriile de acceptare: Definiți împreună cu inginerii de calitate care defect este acceptat/respins. Acesta este „adevărul” modelului.
Achiziția imaginii: iluminarea constantă și constantă și poziția camerei sunt esențiale. Iluminarea slabă/nestabilită este cea mai frecventă cauză a defecțiunii.
Etichetare: Experții marchează defectele; Ghidul de etichetare este esențial pentru consecvență.
Antrenamentul modelului: este antrenat un model supravegheat și/sau anomalie.
Limitare: Modelul oferă o „probabilitate de defect”; Este pragul peste care probabilitatea o vei considera „respingere”. Aceasta este cea mai critică decizie de afaceri (mai jos).
Integrare în linie: Modelul ia decizia, piesele suspecte sunt direcționate către operator/stație.
Monitorizare și recalificare: modelul este actualizat pe măsură ce noi tipuri de defecte, schimbări sezoniere, piese noi devin disponibile.

Cea mai critică problemă: echilibrul dintre scurgeri și falsă respingere

Există două erori în detectarea defectelor și costurile acestora sunt foarte diferite în domeniul auto:

Scurgere (scăpare/fals negativ): Piesa defectă este considerată „bună” și trece prin linie. În ceea ce privește piesa de siguranță, aceasta înseamnă un vehicul defect care intră pe teren, o plângere a clientului sau chiar o rechemare. Cea mai scumpă greșeală.
Respingere falsă (respingere falsă / fals pozitiv): Partea intactă este considerată „defectă” și respinsă. Înseamnă risipă, reluare inutilă, încetinire a liniei; Doare, dar nu reprezintă un risc pentru siguranță.

pragul de decizie

fugar

falsă respingere

Când?

Liber (prag înalt)

Crește (periculoase)

scade

Niciodată pe pista de securitate

Strict (prag scăzut)

scade

Creșteri (costisitoare)

Pe părțile critice pentru siguranță

echilibrat

mediu

În defecte estetice

Atenție: Pe o parte critică pentru siguranță (frână, direcție, sudură caroserie) pragul este întotdeauna ținut strâns pentru a minimiza scurgerea; Piesa suspectă este îndreptată către om. Relaxarea pragului pentru că „respingerea falsă este scumpă” este inacceptabilă în piesa de securitate.

Diviziunea muncii om-mașină

Într-un sistem bine stabilit, modelul nu este decidentul final; Este un „pre-screener”. Modelul prinde defecte evidente și trimite omului înapoi ceea ce nu este sigur. Acest lucru permite operatorului să se concentreze pe 30 de piese suspecte în loc să se uite la 1.000 de piese. Încrederea operatorului este de asemenea importantă: dacă modelul produce prea multe alarme false, operatorul încetează să ia în serios alertele („oboseală de alarmă”). De aceea este monitorizată și rata de respingere falsă.

Mini studii de caz

Cazul 1 - Capcană de iluminat. În timp ce un model de inspecție a vopselei are succes în proporție de 98% în laborator, chiar scade la 80%. Recenzie: iluminatul de plafon pe linie se modifică în timpul zilei, modelul consideră diferența de luminozitate a fi un „defect”. Când se adaugă iluminarea fixă a tunelului, succesul crește la 97%. Concluzie: Calitatea imaginii poate fi mai decisivă decât modelul.

Cazul 2 - Costul scurgerii. Într-o inspecție de sudură carenă pragul este ușor relaxat „pentru eficiență”; Respingerea falsă scade de la 6% la 3%, dar o lună mai târziu, sunt semnalate fisuri de sudură la două vehicule aflate în câmp. Analiza cauzei principale arată că rata de scurgere a crescut. Pragul este înăsprit din nou și părțile suspecte sunt aduse sub control uman 100%. Concluzie: Reducerea scurgerilor în partea de siguranță are întotdeauna prioritate față de respingerea falsă.

Cazul 3 - Defect rar. Ocazional, dintr-o matriță de injecție nouă iese un defect foarte mic de bavuri, dar aproape că nu există exemple de acest defect în pregătirea modelului supravegheat, așa că ratează. Când modelul de detectare a anomaliilor este activat, acesta îl detectează ca o „abatere de la normal”. Concluzie: Detectarea anomaliilor pentru defecte rare/noi completează modelul supravegheat.

șabloane prompte

Șablonul 1 - Catalogul defectelor și clasificarea severității:

Rol: Sunteți inginer de calitate auto. Sarcină: Sortați următoarea listă de defecte în clase de severitate. Context: linie de sudare a caroseriei; defecte: stropire, pori, pată lipsă, diferență ușoară de culoare, zgârieturi la suprafață. Constrângere: Etichetați fiecare defect ca fiind estetic/funcțional/critic pentru siguranță și sugerați o decizie (acceptare/verificare umană/respingere). Ieșire: Defect | importanta | propunere de decizie | tabel de justificare.

Șablon 2 - Ghid de etichetare:

Rol: Etichetarea imaginii lider de calitate. Sarcină: Scrieți reguli de consistență pentru etichetarea defectelor de vopsea. Context: coajă de portocală, alergare, bulă de praf; Sunt imagini realizate cu iluminare diferită. Ieșire: Regula | exemplu | stare limită | nota tagger.

Șablonul 3 - Interpretarea deciziei privind pragul/metrica:

Rol: Evaluator de viziune artificială. Sarcină: Interpretarea următorului tabel cu praguri de decizie. Context: Resurse critice pentru securitate; la pragul A, scurgerea este de 0,3%, respingerea falsă este de 5%; scurgere la pragul B 1,2% fals respingere 2%.Constrângere: Respectați prioritatea de securitate; Explicați ce prag recomandați și de ce și adăugați pasul de control uman. Rezultat: Recomandare + justificare + risc rămas.

Șablonul 4 - Analiza cauzei principale:

Rol: Sunteți un inginer de calitate. Sarcină: Enumerați cauzele principale posibile pentru defectele stropilor care au crescut în ultimele 3 schimburi. Context: Sudarea robotică în puncte; Schimbarea electrodului a fost făcută acum 2 zile; setare curentă fixă.Ieșire: Cauză posibilă | verificare de validare | prioritate.

Prompt slab / Prompt puternic

Prompt slab:

Realizați un model care găsește piese defecte.

Nu este clar ce defect, ce importanță, ce prag, ce decizie; Rezultatul este inutil.

Solicitare puternică:

Rol: Sunteți inginer de calitate auto și viziune artificială. Sarcină: Creați o listă de verificare a designului pentru un sistem de viziune pentru sudură corporală. Context: sudare în puncte critice pentru siguranță; viteza liniei este mare; Există defecte rare; variabilă de iluminare.Constrângere: Prioritizează reducerea scurgerilor; specificați cum să combinați detectarea anomaliilor cu clasificarea supravegheată și etapa de control uman; garantând „zero erori”. Ieșire: Etapă | sugestie | risc | tabel de verificare.

Greșeli comune

Neglijând calitatea luminii/imaginei. Imaginea proastă strică chiar și cel mai bun model.
Considerând că scurgerea și respingerea falsă sunt egale. Scurgerile din piesele de siguranță auto sunt mult mai costisitoare.
Bazându-se doar pe modelul supravegheat pentru defecte rare. Detectarea anomaliilor este complementară.
Transformarea modelului în factorul de decizie final. Piesele suspecte ar trebui direcționate către oameni.
Uitând de recalificare. Piesele noi, matrițele noi și schimbările sezoniere fac modelul vechi.

Pe scurt

Viziunea artificială și inteligența artificială inspectează rapid și constant pentru defecte de suprafață, de sudură și de asamblare pe linia de automobile.
Clasificarea supravegheată este puternică pentru defecte cunoscute, detectarea anomaliilor este puternică pentru defecte rare/noi; ambele sunt folosite împreună.
Decizia cea mai critică este pragul: scurgerea (fals negativ) este minimizată în partea critică pentru siguranță, partea suspectă ajunge la om.
Calitatea imaginii și iluminarea sunt adesea mai decisive decât modelul.
Modelul este un pre-cernutor; Decizia finală privind calitatea și responsabilitatea în materie de siguranță revine omului.

Sarcina de aplicare

Selectați o piesă/stație (de exemplu, ansamblul barei de protecție față). (1) Enumerați posibilele defecte și etichetați-le pe fiecare ca fiind estetice/funcționale/critice pentru siguranță. (2) Cu șablonul 3, comparați cele două opțiuni de prag pentru scurgere/respingere falsă și justificați o recomandare. (3) Explicați dacă veți utiliza detectarea supravegheată sau a anomaliilor pentru un defect rar. (4) Definiți pasul de control uman și declanșatorul de reantrenare.

lista de verificare

[ ] Am împărțit defectele în clase de gravitate (estetic/funcțional/critic de siguranță).
[ ] Am evaluat echilibrul dintre respingerea ilegală și falsă în decizia de prag.
[ ] Am prioritizat scurgerile în partea critică pentru securitate.
[ ] Am plasat abordările supravegheate și de anomalie în locul potrivit.
[ ] Am specificat cerința de calitate/iluminare a imaginii.
[ ] Am definit pasul de control uman și planul de recalificare.