zisky:
- Schopnosť vysvetliť, ako sa zisťujú a klasifikujú defekty na povrchu látky pomocou spracovania obrazu a strojového učenia.
- Schopnosť interpretovať falošne pozitívny/negatívny zostatok, 4-bodový systém bodovania a modelovať výkonnostné metriky
- Schopnosť navrhnúť overovacie nastavenie, ktoré testuje výstup automatickej detekcie defektov s ľudskou kontrolou a fyzickou kontrolou
Po mnoho rokov sa kontrola kvality tkanín spoliehala na ľudské oko: operátor celé hodiny sleduje látku na osvetlenom kontrolnom stole, pričom označuje a hodnotí všetky chyby, ktoré vidí. Táto práca je únavná, subjektívna a náchylná na únavu a chyby; Pozornosť nie je na konci zmeny taká ostrá ako na začiatku. Počítačové videnie a strojové učenie sľubujú automatizáciu tejto kontroly: vysokorýchlostná kamera skenuje látku, pričom v priebehu niekoľkých sekúnd zistí a klasifikuje vzor defektov. V tejto časti si rozoberieme, ako tento systém funguje, kritériá, podľa ktorých sa hodnotí a prečo je ľudská kontrola stále nevyhnutná.
Chyby látky a jazyk kontroly
Pre pochopenie automatickej detekcie je najprv potrebné poznať názov defektov. Typické chyby v tkanine: pretrhnutie osnovy (chýbajúca pozdĺžna niť), chyba/rozpojenie útku (priečna línia), diera, škvrna, hrubé/tenké miesto, odskakovanie osnovy. V pletenine: značka ihly (pozdĺžna línia, z poruchy ihly), túlavý steh, diera, rozdiel v hrúbke. Pri tlači a farbení: farebný rozdiel, abrage (nepravidelnosť farbenia), kĺzanie, striekanie.
Výsledky inšpekcie sa často bodujú pomocou štvorbodového systému: každý defekt dostane 1-4 body podľa jeho pozdĺžnej dĺžky (napr. 1 bod do 8 cm, 4 body nad 15 cm) a vypočíta sa celkové skóre na 100 m². Pod hranicou (napr. 40 bodov/100 m²) sa to považuje za „prijatie“, vyššie za „odmietnutie“. Automatizované skórovanie pomocou AI by malo napodobňovať tento štandard; Nemal by produkovať svoje vlastné svojvoľné skóre.
Tip: Výstup automatizovaného systému by mal byť vždy konvertovateľný na váš akceptovaný štandard hodnotenia (napríklad 4-bodový) a toleranciu klienta. Samotné „model našiel 12 anomálií“ nerobí obchodné rozhodnutie; Treba to premeniť na body a rozhodnutia.
Ako funguje automatická detekcia chýb?
Moderné systémy často kombinujú dva prístupy. Kontrolovaná klasifikácia je, keď umelá neurónová sieť (najmä konvolučná neurónová sieť vhodná pre obrázok, anglicky CNN) trénovaná s tisíckami predtým označených príkladov defektov predpovedá, či je v novom obrázku chyba a jej typ. Detekcia anomálií sa na druhej strane naučí „normálnu“ tkaninu a označí všetko, čo sa odchyľuje od normálu, ako kandidáta na defekt; Funguje pri zriedkavých, nikdy predtým nevidených chybách, pretože nie je potrebné vopred označovať každý typ chyby.
Výkon systému čítame podľa dvoch základných kritérií. Citlivosť (recall): aké percento skutočných defektov zistil? Presnosť: Koľko percent z toho, čo povedali, že je chyba, bola v skutočnosti chyba? Medzi týmito dvoma je rovnováha. Falošne negatívny (chýbajúca chyba) znamená, že zákazníkovi je doručený chybný tovar; Falošne pozitívne (označenie dokonalého ako chybného) znamená zbytočné plytvanie a spomalenie. V aplikáciách kritických pre kvalitu sa vo všeobecnosti volí prahová hodnota na udržanie nízkej hodnoty falošných negatívov, zatiaľ čo zvýšené falošné pozitíva podliehajú rýchlej druhej kontrole ľudským operátorom.
Je tu kritická pasca: samotná presnosť je zavádzajúca. Na výrobnej linke sú chybné asi 2 % látky. Hlúpy model, ktorý všetko nazýva „dokonalým“ hlási 98% presnosť, no nezachytí jedinú chybičku. Preto sa pri nevyvážených údajoch neberie do úvahy citlivosť a presnosť triedy defektu, ale presnosť.
Krok za krokom: Hodnotenie detekčného systému
- Zbierajte reprezentatívne údaje. Obrázky pokrývajúce skutočnú rozmanitosť látok (farba, textúra, osvetlenie), ktoré systém uvidí; Vrátane zriedkavých defektov.
- Skontrolujte kvalitu štítku. Ak sú tréningové štítky nesprávne, model sa tiež učí nesprávne; Vzorkujte štítky odborným okom.
- Zmerajte citlivosť/presnosť. Samostatne pre triedu defektov; Nepozerajte sa len na všeobecnú presnosť.
- Preskúmajte falošné negatívy. Majú vynechané chyby spoločnú vlastnosť (určitá farba, určité svetlo)?
- Nastavte funkciu človeka v slučke. Nechajte operátora potvrdiť, čo model označil; nasmerovať neisté na ľudí.
- Monitorovať a rekvalifikovať sa. Aktualizujte súbor údajov, keď sa objavia nové typy defektov (posun konceptu).
Tri mini prípady: Podľa čísel
Prípad 1 – Zavádzajúca presnosť. Dodávateľ predal systém, ktorý povedal, že „náš model je presný na 97 %. V teréne sa zvýšili výnosy zákazníkov. Analýza ukázala, že citlivosť triedy defektov bola iba 61 %, čo znamená, že 39 z každých 100 skutočných defektov bolo vynechaných. Presnosť bola vysoká, pretože väčšina látky už bola bezchybná. Opätovne upravený prah a pridaná ľudská kontrola; citlivosť zvýšená na 92 %, falošné pozitíva boli operátorom eliminované.
Prípad 2 – Posun osvetlenia. V jednom riadku sa falošne pozitívne výsledky strojnásobili, keď popoludňajšie slnečné svetlo zasiahlo oblasť kontroly; Modelka si myslela, že tiene sú škvrny. Problém bol vyriešený, keď sa štandardizovali podmienky sledovania (uzavretá skrinka, stále LED osvetlenie). Ponaučenie: nastavenie zobrazovania je rovnako o kvalite ako o modeli.
Prípad 3 – Čas a práca. Podnik strávil v priemere 9 minút manuálnou kontrolou 100 metrov látky. Pri modeli predbežného skenovania kamery + potvrdenia operátora sa čas skrátil na 4 minúty a znížil sa únik, pretože operátor venoval pozornosť iba označeným oblastiam. Rozhodujúce bolo, že automatizácia nezostrila operátora, ale zrak operátora.
Slabá výzva / silná výzva
Poznámka: Vyhradené systémy, ktoré priamo analyzujú obraz defektu, sú samostatné; tu používame AI na návrh procesov, vyhodnocovanie údajov a reportovanie.
Slabá výzva:
Povedzte mi, je náš model detekcie defektov dobrý?
Výkonná výzva:
Vaša úloha: Textilný inžinier kvality a dátový analytik. Nižšie sú uvedené výsledky testov modelu detekcie defektov (zámenná matica: pravdivo pozitívny, falošne pozitívny, falošne negatívny, pravdivý negatívny). Úloha: 1) Vypočítajte citlivosť a presnosť pre triedu defektov, ukážte vzorec. 2) Vysvetlite pomocou týchto čísel, prečo môže byť celková presnosť zavádzajúca. inšpekcia.Čísla: [matica]
Kopírovateľné šablóny
1) Metrický výpočet a interpretácia:
Vypočítajte citlivosť, presnosť a skóre F1 z nasledujúcej matice nejasností, napíšte každý vzorec a zdôvodnite, ktorý z nich je kritickejší z hľadiska kvality. Matica: [TP, FP, FN, TN]
2) Falošne negatívna hlavná príčina:
Nižšie je uvedený zoznam chýbajúcich (falošne negatívnych) defektov (typ defektu, farba, svetlo, rýchlosť). Vytvorte spoločné hypotézy vzorov a navrhnite overovaciu skúšku pre každú hypotézu. Údaje: [zoznam]
3) Prevod na 4-bodové body:
Preveďte nasledujúci detekčný výstup na 4-bodový systém: ohodnoťte každý defekt podľa jeho dĺžky, vypočítajte celkové skóre na 100 m², porovnajte s [prahovým] skóre a odporučte prijatie/odmietnutie. Zoznam chýb: [zoznam]
4) Návrh správy o kontrole:
Odvoďte zhrnutie z nasledujúcich údajov o chybách posunu: 3 najčastejšie chyby, možný zdroj procesu (hypotéza), celková miera odmietnutia a odporúčané akcie. Nevymýšľajte si čísla, použite len to, čo je dané. Údaje: [tabuľka]
Metrická porovnávacia tabuľka
kritérium
Aké opatrenia
Je dobré byť vysoko?
Dôležitosť v kvalite
Presnosť
Celkovo správna sadzba
Môže byť zavádzajúce
Málo nevyvážených údajov
Citlivosť (vyvolanie)
Zachytená skutočná miera defektov
áno
Klesá falošne negatívne (kriticky)
Presnosť
Pravdivosť toho, čo hovoríš, je chyba
áno
Znižuje falošné pozitíva/plytvanie
falošne negatívne
unikol defekt
Nie, mala by byť nízka
Riziko chybného tovaru pre zákazníka
falošne pozitívny
prázdny budík
Nie, ale toleruje sa
Strata účinnosti/rýchlosti
Upozornenie: Automatizovaný systém je „predbežným kontrolórom“, nie „schvaľovateľom“. Konečné rozhodnutie o akceptácii kvality vyžaduje schválenie kompetentným pracovníkom kvality, najmä pre šarže, ktoré sú predmetom zákazníckej zmluvy. Model urýchľuje ľudskú kontrolu, ale neoslobodzuje ju.
Časté chyby
- Pozerať sa na spravodlivosť a byť spokojný. Vysoká presnosť skrýva artefakty v nevyvážených údajoch.
- Zanedbanie podmienok sledovania. Bez stáleho osvetlenia a konštantnej rýchlosti je model nespoľahlivý.
- Nekontroluje kvalitu štítku. Model trénovaný s nesprávnym označením sa učí nesprávne.
- Zabudnite na nový typ defektu. Ak sa údaje neaktualizujú kvôli novým chybám, ktoré sa časom objavia, výkon sa ticho zníži.
- Vystrihovanie ľudí. Kritické rozhodnutie o prijatí vyžaduje súhlas človeka.
V súhrne
Spracovanie obrazu výrazne urýchľuje kontrolu tkanín a kompenzuje ľudskú únavu. Ale jeho výkon sa nečíta s presnosťou, ale s citlivosťou a presnosťou triedy chýb; Falošný negatív je najnebezpečnejšou chybou kvality. Stabilný stav zobrazovania, označenie kvality a kontrola človekom v slučke sú tri piliere spoľahlivosti systému. Automatický výstup je predbežné skríning; Konečné rozhodnutie o prijatí zostáva so súhlasom inžiniera.
Aplikačná úloha
Definujte príklad zámennej matice pre systém detekcie defektov (napr. 100 defektných, 4900 dokonalých vzoriek). Nechajte si vypočítať citlivosť, presnosť a F1 pomocou šablóny "metrického výpočtu" v tejto jednotke; potom ručne skontrolujte výsledky. Diskutujte v odseku o tom, čo sa stane s falošne pozitívnymi výsledkami, keď zmeníte prahovú hodnotu tak, aby ste znížili falošný negatívny výsledok na polovicu v tej istej matrici, a rozhodnite sa, ktorá rovnováha je pre váš produkt správna.
kontrolný zoznam
- [ ] Výkon hodnotím podľa citlivosti/presnosti, nie podľa presnosti.
- [ ] Interpretujem riziko falošných negatív spolu s obchodným dopadom.
- [ ] Štandardizoval som podmienky sledovania (svetlo, rýchlosť).
- [ ] Pravidelne kontrolujem kvalitu štítkov a nové typy chýb.
- [ ] Konečnému rozhodnutiu o prijatí dávam ľudský súhlas; Model je len s predbežným sitom.