Kontrola kakovosti proizvodne linije: vizualno odkrivanje napak — Umetna inteligenca v avtomobilskem inženirstvu

Dobički:

Razumevanje delovnega poteka odkrivanja površinskih, varilnih in montažnih napak v avtomobilski proizvodni liniji s strojnim vidom
Sposobnost uporabe umetne inteligence na strukturiran način pri vzpostavljanju nabora slikovnih podatkov, označevanju, usposabljanju modela in določanju praga
Sposobnost preverjanja kakovostne odločitve z upoštevanjem stopnje pobega in lažne zavrnitve, hitrosti linije in zaupanja operaterja

Avto je sestavljen iz tisočih delov in vsak gre skozi linijo v nekaj sekundah. Utrujajoče in nedosledno je s človeškim očesom pregledati vsak zvar, vsako lakirano površino, vsak sklop brez napak; oči postanejo utrujene, pozornost je motena. Tu nastopita strojni vid in umetna inteligenca: kamere posnamejo dele, model AI napako označi v manj kot sekundi. V tej enoti bomo razpravljali o tem, kako je vzpostavljen nadzor kakovosti slike v avtomobilski proizvodnji, vlogi umetne inteligence in najbolj kritičnem vprašanju, ravnovesju napak.

Tipične vizualne napake v avtomobilizmu

Glavne vrste napak, pregledanih vizualno:

Napake na površini/barvi: pomarančna lupina (groba barva), mehurčki prahu, krvavitve, praske, razlika v barvi.
Napake zvara: nepopoln zvar, brizganje, poroznost, napačno postavljen točkovni zvar.
Napake pri montaži: manjkajoči vijak, nepravilno nameščena sponka, obrnjeno tesnilo, ohlapen konektor.
Oznaka/oznaka: nečitljiv VIN, napačna nalepka, manjka žig.

Nekatere od teh napak so zgolj estetske (manjše praske), druge pa varnostno kritične (nepopolno varjenje lahko povzroči utrujenostno razpoko v spoju karoserije). To razlikovanje določa vse nadaljnje odločitve.

Namig: ne obravnavajte vsake napake enako resno. Dodajanje oznake "estetsko/funkcionalno/varnostno kritično" pri razvrščanju napake je ključnega pomena za pravilen prag in logiko odločanja.

Dva osnovna pristopa: nadzorovana klasifikacija in odkrivanje nepravilnosti

Obstajata dve glavni strategiji za odkrivanje vizualnih napak:

Nadzorovano razvrščanje/odkrivanje: model poučite tako, da mu pokažete veliko označenih slik z besedami "tukaj so pomanjkljivi primeri, tukaj so popolni primeri". Močno je, če poznate vrste napak in imate dovolj primerov. Izziv: težko je zbrati dovolj vzorcev redkih napak (proga skoraj vedno proizvaja trdne dele).
Zaznavanje nepravilnosti: modelu prikažete samo "normalne/robustne" slike; model se nauči, kako izgleda normalno, in vse, kar odstopa od normalnega, označi kot "anomalijo". Lahko ujame nove/nepričakovane napake, tudi če vnaprej ne poznate vrste napake. Težava: vsako odstopanje lahko zamenja za napako (kot je sprememba osvetlitve).

V praksi se to dvoje uporablja skupaj: zaznavanje anomalij pravi, da "je tukaj nekaj čudnega", klasifikacija pravi, da "to je odboj vira".

Korak za korakom: vzpostavitev sistema vizualnega pregleda

Katalog napak in kriteriji sprejemljivosti: Z inženirji kakovosti določite, katera napaka je sprejeta/zavrnjena. To je "resnica" modela.
Pridobivanje slike: Stalna, dosledna osvetlitev in položaj kamere sta kritična. Slaba/nestabilna osvetlitev je najpogostejši vzrok za okvaro.
Označevanje: Strokovnjaki označujejo napake; Smernice za označevanje so bistvenega pomena za doslednost.
Usposabljanje modela: Usposobi se nadzorovan model in/ali model anomalije.
Prag: model daje "verjetnost napake"; To je prag, nad katerim verjetnost velja za "zavrnitev". To je najbolj kritična poslovna odločitev (spodaj).
Integracija linije: model sprejme odločitev, sumljivi deli so usmerjeni k operaterju/postaji.
Spremljanje in ponovno usposabljanje: Model se posodablja, ko so na voljo nove vrste napak, sezonske spremembe in novi deli.

Najbolj kritično vprašanje: ravnotežje med uhajanjem in lažno zavrnitvijo

Obstajata dve napaki pri odkrivanju napak in njihovi stroški so v avtomobilski industriji zelo različni:

Puščanje (pobeg/lažno negativno): okvarjeni kos se šteje za "dobrega" in gre skozi linijo. Na varnostnem delu to pomeni pokvarjeno vozilo, ki gre na teren, pritožbo stranke ali celo odpoklic. Najdražja napaka.
Lažna zavrnitev (lažna zavrnitev / lažno pozitiven): nepoškodovani del se šteje za "pomanjkljiv" in zavrnjen. Pomeni zapravljanje, nepotrebno predelavo, upočasnitev linije; Boli, a ne ogroža varnosti.

prag odločitve

ubežnik

lažna zavrnitev

kdaj?

Ohlapno (visok prag)

Poveča (nevarno)

zmanjša

Nikoli na varnostni poti

Strogo (nizek prag)

zmanjša

Poveča (drago)

Na varnostno kritičnih delih

uravnoteženo

srednje

Pri estetskih napakah

Pozor: Na delih, ki so kritični za varnost (zavore, krmiljenje, zvar karoserije), je prag vedno tesno pritrjen, da se zmanjša puščanje; Sumljiv del je usmerjen v človeka. Znižanje praga, ker je "lažna zavrnitev draga", je v varnostnem delu nesprejemljivo.

Delitev dela človek-stroj

V dobro vzpostavljenem sistemu model ni končni odločevalec; Je "pre-screener". Model ujame očitne napake in pošlje nazaj človeku tisto, o čemer ni prepričan. To operaterju omogoča, da se osredotoči na 30 sumljivih delov, namesto da bi gledal na 1000 delov. Pomembno je tudi zaupanje operaterja: če model proizvede preveč lažnih alarmov, operater preneha jemati opozorila resno (»utrujenost alarma«). Zato se spremlja tudi stopnja lažnih zavrnitev.

Mini študije primerov

Primer 1 - Past svetlobe. Medtem ko je model pregleda barve 98 % uspešen v laboratoriju, pade celo na 80 %. Pregled: stropna osvetlitev na liniji se spreminja čez dan, model meni, da je razlika v svetlosti "napaka". Ko dodamo fiksno osvetlitev predora, se uspeh poveča na 97%. Zaključek: kakovost slike je lahko bolj odločilna kot model.

Primer 2 – Stroški uhajanja. Pri inšpekcijskem pregledu zvarov ladijskega trupa je prag nekoliko opuščen "zaradi učinkovitosti"; Lažna zavrnitev se zmanjša s 6 % na 3 %, a mesec dni pozneje poročajo o razpokah zvarov na dveh vozilih na terenu. Analiza temeljnega vzroka kaže, da se je stopnja uhajanja povečala. Prag se ponovno poostri in sumljivi deli so pod 100-odstotnim človeškim nadzorom. Zaključek: Zmanjšanje puščanja v varnostnem delu ima vedno prednost pred lažno zavrnitvijo.

Primer 3 - Redka napaka. Občasno se iz novega kalupa za brizganje pojavi zelo majhna napaka, vendar pri usposabljanju nadzorovanega modela skoraj ni primerov te napake, tako da zgreši. Ko je model zaznavanja nepravilnosti aktiviran, le-to zazna kot »odklon od normale«. Zaključek: Odkrivanje anomalij za redke/nove napake dopolnjuje nadzorovani model.

predloge pozivov

Predloga 1 – Katalog napak in klasifikacija resnosti:

Vloga: Ste inženir za kakovost avtomobilov. Naloga: Razvrstite naslednji seznam napak v razrede resnosti. Kontekst: linija zvara telesa; napake: brizganje, pore, manjkajoče mesto, rahla barvna razlika, površinska praska. Omejitev: vsako napako označite kot estetsko/funkcionalno/varnostno kritično in predlagajte odločitev (sprejemanje/človeški pregled/zavrnitev). Rezultat: napaka | pomembnost | predlagani sklep | tabela utemeljitve.

Predloga 2 – Vodnik za označevanje:

Vloga: vodja kakovosti označevanja slik. Naloga: Zapišite pravila doslednosti za označevanje napak barve. Kontekst: pomarančna lupina, tek, mehurček prahu; Obstajajo slike, posnete pri različnih svetlobah. Izhod: pravilo | primer | mejno stanje | opomba za označevanje.

Predloga 3 – Razlaga odločitve o pragu/metriki:

Vloga: Ocenjevalec strojnega vida. Naloga: Interpretirajte naslednjo tabelo pragov odločitve. Kontekst: Varnostno kritičen vir; pri pragu A je uhajanje 0,3 %, lažna zavrnitev 5 %; uhajanje pri pragu B 1,2 % lažna zavrnitev 2 %. Omejitev: Upoštevajte varnostno prednost; Pojasnite, kateri prag priporočate in zakaj, ter dodajte korak človeškega nadzora. Rezultat: Priporočilo + utemeljitev + preostalo tveganje.

Predloga 4 – Analiza temeljnega vzroka:

Vloga: Ste inženir kakovosti. Naloga: Navedite možne temeljne vzroke za napake zaradi brizganja, ki so se povečale v zadnjih 3 izmenah. Kontekst: Robotsko točkovno varjenje; Menjava elektrode je bila opravljena pred 2 dnevoma; trenutna nastavitev popravljena. Izhod: Možen vzrok | preverjanje veljavnosti | prioriteta.

Šibek poziv/močan poziv

Šibek poziv:

Naredite model, ki najde pokvarjene dele.

Ni jasno, katera napaka, katera pomembnost, kateri prag, katera odločitev; Rezultat je neuporaben.

Močan poziv:

Vloga: Ste inženir avtomobilske kakovosti in strojnega vida. Naloga: Ustvarite kontrolni seznam načrtovanja za sistem za opazovanje zvarov telesa. Kontekst: Varnostno kritično točkovno varjenje; hitrost linije je visoka; Obstajajo redke napake; spremenljivka osvetlitve. Omejitev: dajte prednost zmanjšanju puščanja; določiti, kako združiti odkrivanje nepravilnosti z nadzorovano klasifikacijo in korak človeškega nadzora; zagotavljanje 'nič napak'. Izhod: Faza | predlog | tveganje | tabela za preverjanje.

Pogoste napake

Zanemarjanje osvetlitve/kakovosti slike. Slaba podoba pokvari še tako najboljši model.
Ob upoštevanju enakega uhajanja in lažne zavrnitve. Puščanje v avtomobilskih varnostnih delih je veliko dražje.
Pri redkih okvarah se zanaša le na nadzorovani model. Odkrivanje anomalij se dopolnjuje.
Narediti model končnega odločanja. Sumljive dele je treba usmeriti na ljudi.
Pozabi na prekvalifikacijo. Novi deli, novi kalupi in sezonske spremembe naredijo model starim.

Če povzamem

Strojni vid in umetna inteligenca hitro in dosledno pregledujeta površinske, zvarne in sestavne napake na avtomobilski liniji.
Nadzorovana klasifikacija je močna pri znanih okvarah, odkrivanje nepravilnosti je močna pri redkih/novih okvarah; oboje se uporablja skupaj.
Najbolj kritična odločitev je prag: uhajanje (lažno negativno) je zmanjšano na varnostno kritičnem delu, sumljivi del gre k človeku.
Kakovost slike in osvetlitev sta velikokrat odločilnejši od modela.
Model je predsesilo; Končna odločitev o kakovosti in varnosti je v rokah človeka.

Aplikacijska naloga

Izberite del/postajo (npr. sklop sprednjega odbijača). (1) Naštejte možne napake in vsako označite kot estetsko/funkcionalno/varnostno kritično. (2) S predlogo 3 primerjajte dve možnosti praga za uhajanje/lažno zavrnitev in utemeljite priporočilo. (3) Pojasnite, ali boste za redko napako uporabili nadzorovano zaznavanje ali zaznavanje nepravilnosti. (4) Določite korak človeškega nadzora in sprožilec preusposabljanja.

kontrolni seznam

[ ] Napake sem razdelil v razrede resnosti (estetske/funkcionalne/varnostno kritične).
[ ] Ocenil sem razmerje med nezakonito in lažno zavrnitvijo v odločitvi o pragu.
[ ] Uhajanju sem dal prednost v varnostno kritičnem delu.
[ ] Nadzorovani in anomalni pristop sem postavil na ustrezno mesto.
[ ] Določil sem zahteve glede kakovosti slike/svetlobe.
[ ] Določil sem korak človeškega nadzora in načrt preusposabljanja.