Dobički:
- Sposobnost razlage, kako se napake na površini blaga odkrijejo in razvrstijo z obdelavo slik in strojnim učenjem.
- Sposobnost interpretacije lažno pozitivnega/negativnega stanja, 4-točkovnega sistema točkovanja in meritev uspešnosti modela
- Sposobnost oblikovanja nastavitve preverjanja, ki testira izhod samodejnega zaznavanja napak s človeškim in fizičnim pregledom
Že vrsto let se je kontrola kakovosti tkanin zanašala na človeško oko: operater ure in ure opazuje tkanino na osvetljeni pregledovalni mizi ter označuje in točkuje vse napake, ki jih opazi. To delo je utrujajoče, subjektivno in nagnjeno k utrujenosti in napakam; Pozornost na koncu izmene ni tako izostrena kot na začetku. Računalniški vid in strojno učenje obljubljata avtomatizacijo tega pregleda: hitra kamera skenira tkanino ter v nekaj sekundah zazna in razvrsti vzorec napak. V tej enoti bomo razpravljali o tem, kako ta sistem deluje, po kakšnih kriterijih se ocenjuje in zakaj je človeški nadzor še vedno nepogrešljiv.
Napake blaga in jezik pregleda
Da bi razumeli samodejno zaznavanje, je treba najprej poznati imena napak. Tipične napake v tkanini: zlom osnove (pomanjkanje vzdolžne niti), napaka votka/spoj (prečna črta), luknja, madež, debelo/tanko mesto, odboj osnove. Pri pletenini: oznaka igle (vzdolžna črta, zaradi okvare igle), potepuški vbod, luknja, razlika v debelini. Pri tisku in barvanju: barvna razlika, abrage (nepravilnosti pri barvanju), zdrs, brizganje.
Rezultati pregleda se pogosto točkujejo po štiritočkovnem sistemu: vsaka napaka dobi 1-4 točke glede na svojo vzdolžno dolžino (npr. 1 točka do 8 cm, 4 točke nad 15 cm) in izračuna se skupni rezultat na 100 m². Pod pragom (npr. 40 točk/100 m²) velja za "sprejemanje", nad pragom pa za "zavrnitev". Avtomatizirano točkovanje z umetno inteligenco bi moralo posnemati ta standard; Ne bi smel proizvajati lastne poljubne ocene.
Nasvet: Izhod avtomatiziranega sistema mora biti vedno pretvorljiv v vaš sprejeti standard točkovanja (kot so 4 točke) in toleranco odjemalca. »Model je odkril 12 anomalij« sam po sebi ne pomeni poslovne odločitve; Treba ga je pretvoriti v točke in odločitve.
Kako deluje samodejno odkrivanje napak?
Sodobni sistemi pogosto združujejo oba pristopa. Nadzorovana klasifikacija je, ko umetna nevronska mreža (zlasti konvolucijska nevronska mreža, primerna za sliko, angleško CNN), usposobljena s tisoči predhodno označenih primerov napak, napove, ali obstaja napaka v novi sliki in njen tip. Zaznavanje nepravilnosti pa se nauči "normalne" tkanine in vse, kar odstopa od normale, označi kot kandidata za napako; Deluje pri redkih, še nikoli opaženih napakah, ker ni treba vnaprej označiti vsake vrste napake.
Delovanje sistema beremo z dvema osnovnima kriterijema. Občutljivost (odpoklic): kolikšen odstotek dejanskih napak je zaznal? Natančnost: Kolikšen odstotek tega, kar so rekli, da je napaka, je dejansko napaka? Med tema dvema obstaja ravnotežje. Lažno negativno (manjkanje napake) pomeni, da je blago z napako dostavljeno stranki; Lažno pozitivno (označevanje popolnega kot pomanjkljivega) pomeni nepotrebno zapravljanje in upočasnitev. Pri aplikacijah, ki so kritične za kakovost, je mejna vrednost na splošno izbrana tako, da so lažno negativni rezultati nizki, medtem ko povečano število lažno pozitivnih rezultatov podvrže hitremu drugemu preverjanju s strani človeškega operaterja.
Tukaj je ključna past: sama natančnost je zavajajoča. Na proizvodni liniji je morda 2 % blaga pokvarjenega. Neumen model, ki vse imenuje "popolno", poroča o 98-odstotni natančnosti, vendar ne odkrije niti ene napake. Zato se pri neuravnoteženih podatkih ne upoštevata občutljivost in natančnost razreda napak, temveč natančnost.
Korak za korakom: Ocenjevanje sistema zaznavanja
- Zberite reprezentativne podatke. Slike, ki pokrivajo dejansko raznolikost tkanin (barva, tekstura, osvetlitev), ki jih bo videl sistem; Vključno z redkimi napakami.
- Preverite kakovost etikete. Če so oznake za usposabljanje napačne, se tudi model uči napačno; Vzorčite etikete s strokovnim očesom.
- Izmerite občutljivost/natančnost. Ločeno za razred napak; Ne glejte samo na splošno natančnost.
- Preglejte lažno negativne rezultate. Ali imajo zgrešene napake skupno lastnost (določeno barvo, določeno svetlobo)?
- Nastavite človeka v zanki. Naj operater potrdi, kaj je model označil; negotovost usmerjati k ljudem.
- Spremljajte in prekvalificirajte. Posodobite nabor podatkov, ko se pojavijo nove vrste napak (odmik koncepta).
Trije mini kovčki: po številkah
Primer 1 – Zavajajoča natančnost. Dobavitelj je prodal sistem z besedami, da je "naš model 97-odstotno natančen". Vračila strank so se povečala na terenu. Analiza je pokazala, da je bila občutljivost razreda napak le 61 %, kar pomeni, da je bilo zgrešenih 39 od vsakih 100 resničnih napak. Natančnost je bila visoka, ker je bila večina blaga že brezhibna. Ponovno nastavljen prag in dodan človeški nadzor; občutljivost se je povečala na 92%, lažne pozitivne rezultate je operater izločil.
Primer 2 – Premik osvetlitve. V eni vrstici so se lažni pozitivni rezultati potrojili, ko je popoldanska sončna svetloba padla na inšpekcijsko območje; Manekenka je mislila, da so sence madeži. Težava je bila odpravljena s poenotenjem pogojev gledanja (zaprta omara, stalna LED osvetlitev). Nauk: nastavitev slikanja je tako pomembna kot kakovost modela.
Primer 3 – Čas in delo. Podjetje je v povprečju porabilo 9 minut za ročno pregledovanje 100 metrov blaga. Z modelom predhodnega skeniranja s kamero + potrditve operaterja se je čas zmanjšal na 4 minute, zmanjšalo pa se je tudi puščanje, ker je operater pazil le na označena področja. Bistveno je bilo, da avtomatizacija ni izostrila operaterja, ampak oko operaterja.
Šibek poziv / močan poziv
Opomba: Namenski sistemi, ki neposredno analizirajo sliko napake, so ločeni; tukaj uporabljamo AI za načrtovanje procesov, vrednotenje podatkov in poročanje.
Šibek poziv:
Povejte mi, ali je naš model za odkrivanje napak dober?
Močan poziv:
Vaša vloga: Inženir za kakovost tekstila in podatkovni analitik. Spodaj so rezultati testiranja modela za odkrivanje napak (matrika zmede: resnično pozitivno, lažno pozitivno, lažno negativno, resnično negativno). Naloga: 1) Izračunajte občutljivost in natančnost za razred napak, pokažite formulo. 2) S temi številkami razložite, zakaj je splošna natančnost lahko zavajajoča. 3) Komentirajte poslovni vpliv tveganja napačnega negativi v tej proizvodnji.4) Podajte konkreten predlog za nastavitev praga in človeški pregled. Številke: [matrika]
Predloge, ki jih je mogoče kopirati
1) Metrični izračun in interpretacija:
Izračunajte občutljivost, natančnost in rezultat F1 iz naslednje matrike zmede, zapišite vsako formulo in utemeljite, katera je bolj kritična glede kakovosti. Matrika: [TP, FP, FN, TN]
2) Lažno negativen glavni vzrok:
Spodaj je seznam funkcij zgrešenih (lažno negativnih) napak (vrsta napake, barva, svetloba, hitrost). Ustvarite skupne hipoteze vzorcev in predlagajte poskus preverjanja za vsako hipotezo. Podatki: [seznam]
3) Pretvorba v 4-točkovne točke:
Pretvorite naslednji rezultat zaznavanja v 4-točkovni sistem: ocenite vsako napako glede na njeno dolžino, izračunajte skupno oceno na 100 m², primerjajte z oceno [praga] in priporočite sprejem/zavrnitev. Seznam napak: [seznam]
4) Osnutek poročila o inšpekcijskem pregledu:
Izvedite povzetek iz naslednjih podatkov o napakah pri menjavi: 3 glavne napake, možen izvor procesa (hipoteza), skupna stopnja zavrnitve in priporočena dejanja. Ne izmišljujte si številk, samo uporabite tisto, kar je dano. Podatki: [tabela]
Primerjalni grafikon meritev
merilo
Kakšni ukrepi
Je dobro biti visok?
Pomen kakovosti
Natančnost
Na splošno pravilna stopnja
Lahko je zavajajoče
Nizka količina neuravnoteženih podatkov
Občutljivost (priklic)
Ulovljena dejanska stopnja napak
ja
Spusti lažno negativno (kritično)
Natančnost
Resnica, kar pravite, je napaka
ja
Zmanjša lažne pozitivne rezultate/odpadke
lažno negativen
ubežna napaka
Ne, moralo bi biti nizko
Tveganje blaga z napako za stranko
lažno pozitivno
prazen alarm
Ne, vendar se tolerira
Izguba učinkovitosti/hitrosti
Pozor: Avtomatizirani sistem je "predpreglednik", ne "odobritelj". Končna odločitev o sprejemu kakovosti zahteva odobritev pristojnega uradnika za kakovost, zlasti za serije, ki so predmet pogodbe s stranko. Model pospeši človeški nadzor, vendar ga ne izvzame.
Pogoste napake
- Gledati pravičnost in biti zadovoljen. Visoka natančnost skrije artefakte v neuravnoteženih podatkih.
- Zanemarjanje pogojev gledanja. Brez stalne osvetlitve in konstantne hitrosti je model nezanesljiv.
- Ne preverjam kakovosti nalepk. Model, usposobljen z napačno oznako, se uči napačno.
- Pozabite na novo vrsto napake. Če podatki niso posodobljeni za nove napake, ki se pojavijo čez čas, se bo delovanje tiho poslabšalo.
- Izrezovanje ljudi. Kritična odločitev o sprejemu zahteva človeško odobritev.
Če povzamem
Obdelava slike močno pospeši pregled blaga in kompenzira človeško utrujenost. Toda njegova predstava se ne bere z natančnostjo, temveč z občutljivostjo in natančnostjo razreda napak; Lažno negativno je najnevarnejša napaka v kakovosti. Stabilni pogoji slikanja, oznaka kakovosti in pregled s človekom v zanki so trije stebri zanesljivosti sistema. Samodejni izhod je predhodni pregled; Končna odločitev o sprejemu ostane v odobritvi inženirja.
Aplikacijska naloga
Definirajte primer matrike zmede za sistem za odkrivanje napak (npr. 100 okvarjenih, 4900 popolnih vzorcev). Izračunajte občutljivost, natančnost in F1 s predlogo "metrični izračun" v tej enoti; nato ročno preverite rezultate. V odstavku razpravljajte o tem, kaj se zgodi z lažno pozitivnimi rezultati, ko spremenite prag, da prepolovite lažno negativne rezultate v isti matriki, in se odločite, katero ravnovesje je pravo za vaš izdelek.
kontrolni seznam
- [ ] Delovanje ocenjujem po občutljivosti/natančnosti, ne po natančnosti.
- [ ] Tveganje lažnih negativnih rezultatov si razlagam skupaj s poslovnim vplivom.
- [ ] Standardiziral sem pogoje gledanja (svetloba, hitrost).
- [ ] Redno preverjam kakovost etiket in nove vrste napak.
- [ ] Končno odločitev o sprejemu odobravam s strani ljudi; Model je samo pred sito.