zisky:
- Pochopenie pracovného postupu detekcie povrchových, zváraných a montážnych defektov v automobilovej výrobnej linke pomocou strojového videnia
- Schopnosť používať umelú inteligenciu štruktúrovaným spôsobom pri vytváraní súboru údajov o snímkach, označovaní, modelovaní a určovaní prahových hodnôt
- Schopnosť overiť rozhodnutie o kvalite zohľadnením miery úniku a falošného odmietnutia, rýchlosti linky a dôvery operátora
Auto sa skladá z tisícok dielov a každý z nich prejde linkou za pár sekúnd. Je únavné a nedôsledné kontrolovať každý zvar, každý povrch laku, každú montáž bez akýchkoľvek chýb ľudským okom; oči sa unavia, pozornosť je rozptýlená. Tu prichádza na scénu strojové videnie a umelá inteligencia: kamery snímajú diely, model AI hlási chybu za menej ako sekundu. V tejto časti budeme diskutovať o tom, ako je v automobilovej výrobe zavedená kontrola kvality obrazu, o úlohe AI a najkritickejšom probléme, vyvážení chýb.
Typické vizuálne chyby v automobilovom priemysle
Hlavné typy defektov kontrolovaných vizuálne:
- Chyby povrchu/lak: pomarančová kôra (drsná farba), prachové bubliny, krvácanie, škrabance, farebný rozdiel.
- Chyby zvaru: neúplný zvar, rozstrek, pórovitosť, nesprávne umiestnený bodový zvar.
- Chyby pri montáži: chýbajúca skrutka, nesprávne nainštalovaná spona, obrátené tesnenie, uvoľnený konektor.
- Štítok/značka: nečitateľné VIN, chybný štítok, chýbajúca pečiatka.
Niektoré z týchto chýb sú len estetické (drobné škrabance), zatiaľ čo iné sú kritické z hľadiska bezpečnosti (neúplné zváranie môže viesť k únavovej trhline v kĺbe karosérie). Toto rozlíšenie určuje všetky následné rozhodnutia.
Tip: Nepristupujte ku každej chybe rovnako vážne. Pridanie značky „estetické/funkčné/kritické z hľadiska bezpečnosti“ pri klasifikácii chyby je kľúčom k správnemu nastaveniu prahovej hodnoty a logiky rozhodovania.
Dva základné prístupy: klasifikácia pod dohľadom a detekcia anomálií
Existujú dve hlavné stratégie detekcie defektov zraku:
- Kontrolovaná klasifikácia/detekcia: Model naučíte tak, že mu ukážete mnoho označených obrázkov, v ktorých sa hovorí „tu sú chybné príklady, tu sú dokonalé príklady“. Je to silné, ak poznáte typy defektov a máte dostatok príkladov. Výzva: je ťažké zhromaždiť dostatočné množstvo vzoriek zriedkavých defektov (linka takmer vždy produkuje pevné časti).
- Detekcia anomálií: Modelu zobrazíte iba „normálne/robustné“ obrázky; Model sa učí, ako vyzerá normálne, a označí všetko, čo sa od normálu líši, ako „anomáliu“. Dokáže zachytiť nové/neočakávané defekty, aj keď vopred nepoznáte typ defektu. Náročnosť: akúkoľvek odchýlku môže pomýliť ako chybu (napríklad zmenu osvetlenia).
V praxi sa tieto dve veci používajú spoločne: detekcia anomálií hovorí „tu je niečo divné“, klasifikácia hovorí „toto je odraz zdrojov“.
Krok za krokom: nastavenie systému vizuálnej kontroly
- Katalóg chýb a akceptačné kritériá: Definujte s inžiniermi kvality, ktorá chyba je akceptovaná/zamietnutá. Toto je „pravda“ modelu.
- Získavanie obrazu: Konštantné, konzistentné osvetlenie a poloha kamery sú kritické. Zlé/nestále osvetlenie je najčastejšou príčinou poruchy.
- Označovanie: Odborníci označujú chyby; Pokyny na označovanie sú nevyhnutné pre konzistentnosť.
- Tréning modelu: Trénuje sa model pod dohľadom a/alebo model anomálie.
- Prahová hodnota: Model udáva „pravdepodobnosť defektu“; Je to hranica, nad ktorou budete pravdepodobnosť považovať za „odmietnutie“. Toto je najdôležitejšie obchodné rozhodnutie (nižšie).
- Integrácia linky: Model robí rozhodnutie, podozrivé časti smerujú k operátorovi/stanici.
- Monitorovanie a preškolenie: Model sa aktualizuje, keď sú k dispozícii nové typy defektov, sezónne zmeny, nové diely.
Najkritickejší problém: rovnováha úniku a nesprávneho odmietnutia
Pri detekcii defektov existujú dve chyby a ich náklady sú v automobilovom priemysle veľmi odlišné:
- Únik (únik / falošne negatívny): Chybný kus sa považuje za „dobrý“ a prejde cez linku. Na bezpečnostnom diele to znamená pokazené vozidlo idúce do terénu, reklamácia zákazníka alebo dokonca zvolávacia akcia. Najdrahšia chyba.
- Falošné odmietnutie (falošné odmietnutie / falošne pozitívne): Neporušená časť je považovaná za „chybnú“ a odmietnutá. Znamená to plytvanie, zbytočné prerábanie, spomalenie linky; Bolí to, ale nepredstavuje to bezpečnostné riziko.
rozhodovací prah
utečenec
falošné odmietnutie
kedy?
Voľný (vysoký prah)
Zvyšuje (nebezpečné)
klesá
Nikdy na bezpečnostnú koľaj
Prísne (nízky prah)
klesá
Zvyšuje (nákladné)
Na častiach kritických z hľadiska bezpečnosti
vyvážený
stredná
stredná
Pri estetických vadách
Upozornenie: Na časti kritickej z hľadiska bezpečnosti (brzda, riadenie, zvar karosérie) je prah vždy tesný, aby sa minimalizovali netesnosti; Podozrivý kus smeruje k človeku. Uvoľnenie prahu, pretože „falošné odmietnutie je drahé“, je v bezpečnostnom prvku neprijateľné.
Deľba práce človek-stroj
V dobre zavedenom systéme nie je model konečným tvorcom rozhodnutia; Ide o „predpremietačku“. Model zachytí zjavné nedostatky a pošle späť človeku to, čím si nie je istý. To umožňuje operátorovi zamerať sa na 30 podozrivých dielov namiesto toho, aby sa pozrel na 1 000 dielov. Dôvera operátora je tiež dôležitá: ak model produkuje príliš veľa falošných poplachov, operátor prestane brať výstrahy vážne („únava z poplachu“). Preto sa sleduje aj miera falošných odmietnutí.
Mini prípadové štúdie
Prípad 1 - Osvetľovacia pasca. Zatiaľ čo model kontroly farby je v laboratóriu úspešný na 98 %, klesá dokonca na 80 %. Recenzia: stropné osvetlenie na linke sa počas dňa mení, za "vadu" model považuje rozdiel v svietivosti. Keď sa k tomu pridá pevné osvetlenie tunela, úspešnosť sa zvýši na 97 %. Záver: Kvalita obrazu môže byť rozhodujúcejšia ako model.
Prípad 2 – Náklady na únik. Pri kontrole zvaru trupu je prah mierne uvoľnený "kvôli účinnosti"; Falošné odmietnutie klesá zo 6 % na 3 %, ale o mesiac neskôr sú v teréne hlásené praskliny vo zvaroch na dvoch vozidlách. Analýza hlavnej príčiny ukazuje, že miera úniku sa zvýšila. Opäť sa sprísni prah a podozrivé časti sa dostanú pod 100% ľudskú kontrolu. Záver: Zníženie úniku v bezpečnostnej časti má vždy prednosť pred falošným odmietnutím.
Prípad 3 – Zriedkavá chyba. Občas sa z novej vstrekovacej formy objaví veľmi malá chyba otrepu, ale v tréningu kontrolovaného modelu nie sú takmer žiadne príklady tejto chyby, takže chýba. Keď je aktivovaný model detekcie anomálií, detekuje to ako „odchýlku od normálu“. Záver: Detekcia anomálií pre zriedkavé/nové defekty dopĺňa model pod dohľadom.
šablóny výzvy
Šablóna 1 – Katalóg chýb a klasifikácia závažnosti:
Úloha: Ste inžinier kvality v automobilovom priemysle. Úloha: Zoraďte nasledujúci zoznam defektov do tried závažnosti. Kontext: línia zvaru karosérie; chyby: fŕkanie, póry, chýbajúca škvrna, mierny farebný rozdiel, povrchový škrabanec. Obmedzenie: Označiť každú chybu ako estetickú/funkčnú/kritickú z hľadiska bezpečnosti a navrhnúť rozhodnutie (prijatie/kontrola človekom/zamietnutie).Výstup: Chyba | dôležitosť | navrhované rozhodnutie | tabuľka odôvodnenia.
Šablóna 2 – Sprievodca označovaním:
Úloha: Vedenie kvality označovania obrázkov. Úloha: Napíšte pravidlá konzistencie pre označovanie defektov laku. Kontext: Pomarančová kôra, stekanie, prachová bublina; Existujú obrázky nasnímané pri rôznom osvetlení.Výstup: Pravidlo | príklad | medzný stav | poznámka tagger.
Šablóna 3 – Interpretácia rozhodnutia o prahovej hodnote/metrike:
Úloha: Hodnotiteľ strojového videnia. Úloha: Interpretujte nasledujúcu tabuľku prahových hodnôt rozhodovania. Kontext: Zdroj kritický z hľadiska bezpečnosti; pri prahovej hodnote A je únik 0,3 %, chybné odmietnutie je 5 %; únik na prahu B 1,2 % nesprávne odmietnutie 2 %. Obmedzenie: Dodržujte bezpečnostnú prioritu; Vysvetlite, ktorý prah odporúčate a prečo, a pridajte krok ľudskej kontroly. Výstup: Odporúčanie + odôvodnenie + zostávajúce riziko.
Šablóna 4 – Analýza hlavnej príčiny:
Úloha: Ste inžinier kvality. Úloha: Vymenujte možné hlavné príčiny porúch rozstreku, ktoré sa zvýšili za posledné 3 zmeny. Kontext: Robotické bodové zváranie; Výmena elektród bola vykonaná pred 2 dňami; nastavenie prúdu opravené.Výstup: Možná príčina | overovacia kontrola | prioritou.
Slabá výzva / Silná výzva
Slabá výzva:
Vytvorte model, ktorý nájde chybné diely.
Nie je jasné, ktorá chyba, aký význam, aký prah, aké rozhodnutie; Výsledok je zbytočný.
Výkonná výzva:
Úloha: Ste inžinier kvality v automobilovom priemysle a strojového videnia. Úloha: Vytvorte kontrolný zoznam dizajnu pre systém videnia zvarov karosérie. Kontext: Bodové zváranie kritické z hľadiska bezpečnosti; rýchlosť linky je vysoká; Existujú zriedkavé chyby; premenná osvetlenia. Obmedzenie: Uprednostňujte minimalizáciu úniku; špecifikovať, ako skombinovať detekciu anomálií s kontrolovanou klasifikáciou a krokom ľudskej kontroly; zaručujúce „nulové chyby“. Výstup: Etapa | návrh | riziko | overovacia tabuľka.
Časté chyby
- Zanedbanie osvetlenia/kvalita obrazu. Zlý imidž pokazí aj ten najlepší model.
- Vzhľadom na to, že únik a falošné odmietnutie sú rovnaké. Únik v bezpečnostných častiach automobilov je oveľa nákladnejší.
- Pri zriedkavých poruchách sa spoliehame iba na model pod dohľadom. Detekcia anomálií je doplnková.
- Urobiť z modelu konečné rozhodnutie. Podozrivé časti by mali smerovať na ľudí.
- Zabúdanie na rekvalifikáciu. Nové diely, nové formy a sezónne zmeny robia model starým.
V súhrne
- Strojové videnie a AI rýchlo a dôsledne kontrolujú chyby povrchu, zvarov a montáže na automobilovej linke.
- Kontrolovaná klasifikácia je silná pri známych defektoch, detekcia anomálií je silná pri zriedkavých/nových defektoch; oba sa používajú spolu.
- Najkritickejším rozhodnutím je prah: únik (falošne negatívny) je minimalizovaný v časti kritickej z hľadiska bezpečnosti, podozrivá časť ide na človeka.
- Kvalita obrazu a osvetlenie sú často rozhodujúce ako model.
- Model je predbežné sito; Konečné rozhodnutie o kvalite a zodpovednosť za bezpečnosť je na človeku.
Aplikačná úloha
Vyberte časť/stanicu (napr. zostavu predného nárazníka). (1) Uveďte možné chyby a každú označte ako estetickú/funkčnú/kritickú z hľadiska bezpečnosti. (2) So šablónou 3 porovnajte dve možnosti prahu pre únik/nesprávne odmietnutie a zdôvodnite odporúčanie. (3) Vysvetlite, či pri zriedkavej chybe použijete detekciu pod dohľadom alebo detekciu anomálií. (4) Definujte krok ovládania človekom a spúšťač preškolenia.
kontrolný zoznam
- [ ] Poruchy som rozdelil do tried závažnosti (estetické/funkčné/kritické z hľadiska bezpečnosti).
- [ ] V prahovom rozhodnutí som vyhodnotil vyváženosť nezákonného a nepravdivého odmietnutia.
- [ ] Uprednostnil som únik v časti kritickej z hľadiska bezpečnosti.
- [ ] Umiestnil som kontrolované a anomálne prístupy na príslušné miesto.
- [ ] Zadal som požiadavku na kvalitu obrazu/osvetlenie.
- [ ] Definoval som krok ľudskej kontroly a plán rekvalifikácie.