Контроль качества производственной линии: визуальное обнаружение дефектов — Искусственный интеллект в автомобилестроении

Прибыль:

Понимание рабочего процесса обнаружения дефектов поверхности, сварки и сборки на автомобильной производственной линии с помощью машинного зрения.
Способность структурированно использовать искусственный интеллект при создании набора данных изображений, маркировке, обучении модели и определении пороговых значений.
Возможность проверки качественного решения, принимая во внимание процент побегов и ложных отклонений, скорость линии и уверенность оператора.

Автомобиль состоит из тысяч деталей, и каждая проходит линию за секунды. Осматривать без ошибок человеческим глазом каждый сварной шов, каждую лакокрасочную поверхность, каждую сборку и утомительно, и непоследовательно; глаза устают, внимание отвлекается. Здесь на помощь приходят машинное зрение и искусственный интеллект: камеры отображают детали, а модель искусственного интеллекта обнаруживает дефект менее чем за секунду. В этом разделе мы обсудим, как осуществляется контроль качества изображения в автомобильном производстве, роль искусственного интеллекта и наиболее важную проблему — баланс ошибок.

Типичные визуальные дефекты в автомобилестроении

Основные виды дефектов, проверяемых визуально:

Дефекты поверхности/краски: апельсиновая корка (грубая краска), пузыри пыли, потеки, царапины, разница в цвете.
Дефекты сварного шва: неполный шов, брызги, пористость, неправильное расположение точечной сварки.
Дефекты сборки: отсутствующий болт, неправильно установленный зажим, перевернутая пломба, ослабленный разъем.
Этикетка/маркировка: неразборчивый VIN-код, неверная этикетка, отсутствует штамп.

Некоторые из этих дефектов носят чисто эстетический характер (небольшие царапины), другие же критичны с точки зрения безопасности (неполная сварка может привести к усталостной трещине в стыке кузова). Это различие определяет все последующие решения.

Совет: не относитесь к каждому недостатку с одинаковой серьезностью. Добавление тега «эстетичный/функциональный/критичный с точки зрения безопасности» при классификации дефекта является ключом к правильному определению порога и логики принятия решения.

Два основных подхода: контролируемая классификация и обнаружение аномалий.

Существует две основные стратегии визуального обнаружения дефектов:

Контролируемая классификация/обнаружение: вы обучаете модель, показывая ей множество помеченных изображений со словами: «вот примеры с дефектами, вот идеальные примеры». Это эффективно, если вы знаете типы дефектов и имеете достаточно примеров. Проблема: сложно собрать достаточное количество образцов редких дефектов (линия почти всегда производит цельные детали).
Обнаружение аномалий: вы показываете модели только «нормальные/надежные» изображения; модель изучает, как выглядит нормально, и отмечает все, что отклоняется от нормы, как «аномалию». Он может обнаружить новые/неожиданные дефекты, даже если вы заранее не знаете тип дефекта. Сложность: любое отклонение можно принять за ошибку (например, изменение освещения).

На практике они используются вместе: обнаружение аномалий говорит «здесь что-то странное», классификация говорит «это отказ ресурса».

Шаг за шагом: настройка системы визуального контроля

Каталог дефектов и критерии приемки: Определите вместе с инженерами по качеству, какой дефект принимается/отклоняется. Это «истина» модели.
Получение изображения: постоянное, постоянное освещение и положение камеры имеют решающее значение. Плохое/неустойчивое освещение является наиболее распространенной причиной неисправности.
Маркировка: Эксперты отмечают дефекты; Рекомендации по маркировке необходимы для обеспечения единообразия.
Обучение модели: обучается контролируемая модель и/или модель аномалии.
Пороговое значение: модель дает «вероятность дефекта»; Это порог, вероятность превышения которого вы будете считать «отказом». Это наиболее важное бизнес-решение (ниже).
Интеграция линии: модель принимает решение, подозрительные детали направляются оператору/на станцию.
Мониторинг и переобучение: модель обновляется по мере появления новых типов дефектов, сезонных изменений и появления новых деталей.

Самый критический вопрос: баланс утечки и ложного отклонения.

Есть две ошибки при обнаружении дефектов, и их стоимость в автомобилестроении сильно различается:

Утечка (ускользание/ложноотрицательный результат): дефектная деталь считается «хорошей» и проходит через линию. С точки зрения безопасности это означает выход в поле неисправного автомобиля, жалобу клиента или даже отзыв. Самая дорогая ошибка.
Ложная отбраковка (ложная отбраковка/ложное срабатывание): неповрежденная деталь считается «дефектной» и отбраковывается. Это означает растраты, ненужные переделки, замедление линии; Это больно, но не представляет угрозы безопасности.

порог принятия решения

беглец

ложное отклонение

Когда?

Свободный (высокий порог)

Увеличивается (опасно)

уменьшается

Никогда не на пути безопасности

Строгий (низкий порог)

уменьшается

Увеличение (затратное)

На критических с точки зрения безопасности деталях

сбалансированный

средний

При эстетических дефектах

Внимание: на критически важных для безопасности деталях (тормоза, рулевое управление, сварные швы кузова) порог всегда плотно затянут, чтобы свести к минимуму утечку; Подозрительный предмет направлен на человека. Ослабление порога, поскольку «ложный отказ обходится дорого», неприемлемо в части безопасности.

Человеко-машинное разделение труда

В хорошо зарекомендовавшей себя системе модель не является лицом, принимающим окончательное решение; Это «предварительный отбор». Модель улавливает очевидные недостатки и отправляет обратно человеку то, в чем он не уверен. Это позволяет оператору сосредоточиться на 30 подозрительных деталях вместо того, чтобы просматривать 1000 деталей. Доверие оператора также важно: если модель выдает слишком много ложных сигналов тревоги, оператор перестает серьезно относиться к предупреждениям («усталость от сигналов тревоги»). Поэтому также отслеживается процент ложных отказов.

Мини-кейсы

Случай 1 – Световая ловушка. Хотя модель проверки лакокрасочного покрытия в лаборатории успешна на 98%, этот показатель даже падает до 80%. Обзор: освещение потолка на линии меняется в течение дня, разницу в яркости модель считает «дефектом». При добавлении фиксированного освещения туннеля вероятность успеха возрастает до 97%. Вывод: качество изображения может иметь большее значение, чем модель.

Случай 2 – Стоимость утечки. При контроле сварных швов корпуса порог слегка ослабляется «для эффективности»; Ложная отбраковка снижается с 6% до 3%, но через месяц на двух машинах, находящихся в полевых условиях, сообщается о трещинах в сварных швах. Анализ первопричин показывает, что уровень утечек увеличился. Порог снова ужесточен, и подозрительные детали находятся под 100% контролем человека. Вывод: Уменьшение утечек в защитной части всегда имеет приоритет над ложной отбраковкой.

Случай 3 – Редкий дефект. Иногда в новой литьевой форме появляется очень небольшой заусенец, но примеров этого дефекта при обучении контролируемой модели почти нет, поэтому он не учитывается. Когда модель обнаружения аномалий активирована, она обнаруживает ее как «отклонение от нормы». Вывод: обнаружение редких/новых дефектов дополняет контролируемую модель.

шаблоны подсказок

Шаблон 1. Каталог дефектов и классификация серьезности:

Должность: Вы инженер по качеству автомобильной промышленности. Задача: Рассортировать следующий список дефектов по классам серьезности. Контекст: линия сварки кузова; дефекты: брызги, поры, недостающее пятно, небольшая разница в цвете, царапина на поверхности. Ограничение: пометьте каждый дефект как эстетический/функциональный/критичный с точки зрения безопасности и предложите решение (принятие/проверка человеком/отклонение).Вывод: Дефект | важность | предлагаемое решение | таблица обоснования.

Шаблон 2. Руководство по маркировке:

Роль: руководитель отдела качества маркировки изображений. Задача: Написать правила согласованности маркировки дефектов краски. Контекст: апельсиновая корка, бег, пузырь пыли; Есть изображения, сделанные при разном освещении. Вывод: Правило | пример | предельное состояние | Примечание тегера.

Шаблон 3. Интерпретация решения о пороге/метрике:

Роль: оценщик машинного зрения. Задача: интерпретировать следующую таблицу порогов принятия решения. Контекст: критически важный для безопасности ресурс; при пороге А утечка составляет 0,3%, ложная отбраковка — 5%; утечка при пороге B 1,2%, ложное отклонение 2%. Ограничение: соблюдать приоритет безопасности; Объясните, какой порог вы рекомендуете и почему, и добавьте этап человеческого контроля. Результат: рекомендация + обоснование + оставшийся риск.

Шаблон 4. Анализ первопричин:

Роль: Вы инженер по качеству. Задача: Перечислить возможные основные причины дефектов, связанных с брызгами, которые увеличились за последние 3 смены. Контекст: Роботизированная точечная сварка; Замена электрода произведена 2 дня назад; текущая настройка исправлена.Вывод: Возможная причина | проверка достоверности | приоритет.

Слабая подсказка / Сильная подсказка

Слабая подсказка:

Создайте модель, которая находит дефектные детали.

Непонятно, какой недостаток, какая важность, какой порог, какое решение; Результат бесполезен.

Мощная подсказка:

Должность: Вы инженер по качеству автомобильной промышленности и машинному зрению. Задача: Создать контрольный список проектирования системы контроля сварных швов кузова. Контекст: точечная сварка, критичная для безопасности; скорость линии высокая; Встречаются редкие дефекты; переменная освещенность. Ограничение: приоритет минимизации утечки; указать, как объединить обнаружение аномалий с контролируемой классификацией и этапом человеческого контроля; гарантия «нулевых ошибок». Результат: Этап | предложение | риск | проверочная таблица.

Распространенные ошибки

Пренебрежение освещением/качеством изображения. Плохой имидж портит даже самую лучшую модель.
Считая утечку и ложное отклонение равными. Утечка в автомобильных защитных деталях обходится гораздо дороже.
В случае редких дефектов можно полагаться только на контролируемую модель. Обнаружение аномалий является дополнительным.
Делаем модель лицом, принимающим окончательное решение. Подозрительные детали следует направлять людям.
Забывая о переподготовке. Новые детали, новые формы и сезонные изменения делают модель старой.

В заключение

Машинное зрение и искусственный интеллект быстро и последовательно проверяют дефекты поверхности, сварных швов и сборки на автомобильной линии.
Контролируемая классификация эффективна для известных дефектов, а обнаружение аномалий эффективна для редких/новых дефектов; оба используются вместе.
Наиболее важным решением является порог: утечка (ложноотрицательный результат) сводится к минимуму в части, критической для безопасности, подозрительная часть достается человеку.
Качество изображения и освещение зачастую имеют большее значение, чем модель.
Модель представляет собой предварительное просеивание; Окончательное решение по качеству и ответственность за безопасность лежит на человеке.

Задача приложения

Выберите деталь/станцию (например, передний бампер в сборе). (1) Перечислите возможные дефекты и отметьте каждый из них как эстетический/функциональный/критичный с точки зрения безопасности. (2) Используя шаблон 3, сравните два пороговых варианта утечки/ложного отклонения и обоснуйте рекомендацию. (3) Объясните, будете ли вы использовать контролируемое обнаружение или обнаружение аномалий для редкого дефекта. (4) Определите этап управления человеком и триггер переобучения.

контрольный список

[ ] Я разделил дефекты на классы серьезности (эстетические/функциональные/критические с точки зрения безопасности).
[ ] Я оценил баланс незаконного и ложного отклонения в пороговом решении.
[ ] Я отдал приоритет утечкам в критически важной части.
[ ] Контролируемый и аномальный подходы я разместил в соответствующем месте.
[ ] Я указал требования к качеству изображения/освещению.
[ ] Я определил этап управления человеком и план переобучения.