Fitimet:
- Aftësia për të shpjeguar se si defektet në sipërfaqen e pëlhurës zbulohen dhe klasifikohen nga përpunimi i imazhit dhe mësimi i makinës.
- Aftësia për të interpretuar bilancin e rremë pozitiv/negativ, sistemin e vlerësimit me 4 pikë dhe matjet e performancës së modelit
- Aftësia për të hartuar një konfigurim verifikimi që teston rezultatin automatik të zbulimit të defektit me inspektimin njerëzor dhe inspektimin fizik
Për shumë vite, kontrolli i cilësisë së pëlhurës është mbështetur në syrin e njeriut: një operator shikon pëlhurën për orë të tëra në një tavolinë inspektimi të ndriçuar, duke shënuar dhe shënuar çdo defekt që sheh. Kjo punë është e lodhshme, subjektive dhe e prirur ndaj lodhjes dhe gabimeve; Vëmendja nuk është aq e mprehtë në fund të një ndërrimi sa është në fillim. Vizioni kompjuterik dhe mësimi i makinerive premtojnë të automatizojnë këtë inspektim: një aparat fotografik me shpejtësi të lartë skanon pëlhurën, duke zbuluar dhe klasifikuar një model defektesh në sekonda. Në këtë njësi, ne do të diskutojmë se si funksionon ky sistem, kriteret me të cilat vlerësohet dhe pse kontrolli njerëzor është ende i domosdoshëm.
Defektet e pëlhurës dhe gjuha e inspektimit
Për të kuptuar zbulimin automatik, fillimisht është e nevojshme të dihet emri i defekteve. Defekte tipike në pëlhurën e endur: thyerja e deformimit (mungesa e fillit gjatësor), defekti/ndërfaqja e indeve (vija tërthore), vrima, njolla, vendi i trashë/i hollë, kërcimi i deformimit. Në pëlhurë të thurur: shenjë gjilpëre (vija gjatësore, nga një mosfunksionim i gjilpërës), thurje endacake, vrima, ndryshimi i trashësisë. Në printim dhe ngjyrosje: ndryshimi i ngjyrave, gërvishtja (parregullsia e ngjyrosjes), rrëshqitja, spërkatja.
Rezultatet e inspektimit shpesh vlerësohen duke përdorur një sistem me katër pikë: çdo defekti i jepet 1-4 pikë sipas gjatësisë së tij gjatësore (p.sh. 1 pikë deri në 8 cm, 4 pikë mbi 15 cm) dhe llogaritet rezultati total për 100 m². Nën një prag (p.sh. 40 pikë/100 m²) konsiderohet "pranim", më lart konsiderohet "refuzim". Vlerësimi i automatizuar me AI duhet të imitojë këtë standard; Nuk duhet të prodhojë rezultatin e vet arbitrar.
Këshillë: Prodhimi i sistemit të automatizuar duhet të jetë gjithmonë i konvertueshëm me standardin tuaj të pranuar të pikëve (siç është 4 pikë) dhe tolerancën e klientit. “Modeli gjeti 12 anomali” i vetëm nuk merr një vendim biznesi; Duhet të shndërrohet në pikë dhe vendime.
Si funksionon zbulimi automatik i defekteve?
Sistemet moderne shpesh kombinojnë të dy qasjet. Klasifikimi i mbikëqyrur është kur një rrjet nervor artificial (veçanërisht rrjeti nervor konvolucionist i përshtatshëm për imazhin, CNN anglisht) i trajnuar me mijëra shembuj defektesh të etiketuara më parë parashikon nëse ka një defekt në imazhin e ri dhe llojin e tij. Zbulimi i anomalive, nga ana tjetër, mëson pëlhurën "normale" dhe shënon çdo gjë që devijon nga normalja si kandidat për defekt; Funksionon për defekte të rralla, të papara kurrë më parë, sepse nuk është e nevojshme të etiketoni çdo lloj defekti paraprakisht.
E lexojmë performancën e sistemit me dy kritere bazë. Ndjeshmëria (kujtimi): sa përqind e defekteve reale zbuloi? Saktësia: Sa përqind e asaj që ata thanë se ishte një e metë ishte në të vërtetë një e metë? Ekziston një ekuilibër midis këtyre të dyjave. Negativ i rremë (i mungon defekti) do të thotë se mallrat me defekt i janë dorëzuar klientit; Pozitiv i rremë (shënimi i përsosur si i dëmtuar) do të thotë humbje dhe ngadalësim i panevojshëm. Në aplikimet kritike për cilësinë, përgjithësisht zgjidhet një prag për të mbajtur të ulët negativët e rremë, ndërsa rritja e rezultateve false i nënshtrohet një kontrolli të dytë të shpejtë nga një operator njerëzor.
Këtu ka një kurth kritik: vetëm saktësia është mashtruese. Në një linjë prodhimi, ndoshta 2% e pëlhurës është me defekt. Një model budalla që e quan gjithçka "perfekte" raporton saktësi 98%, por nuk kap asnjë të metë. Prandaj, në të dhënat e pabalancuara nuk merret parasysh ndjeshmëria dhe saktësia e klasës së defektit, por saktësia.
Hap pas hapi: Vlerësimi i një sistemi zbulimi
- Mblidhni të dhëna përfaqësuese. Imazhet që mbulojnë shumëllojshmërinë aktuale të pëlhurës (ngjyra, tekstura, ndriçimi) që do të shohë sistemi; Përfshirë defekte të rralla.
- Kontrolloni cilësinë e etiketës. Nëse etiketat e trajnimit janë të gabuara, modeli gjithashtu mëson gabim; Provoni etiketat me një sy eksperti.
- Matni ndjeshmërinë / saktësinë. Më vete për klasën e defektit; Mos shikoni vetëm saktësinë e përgjithshme.
- Ekzaminoni negativët e rremë. A kanë defektet e humbura një veçori të përbashkët (ngjyrë të caktuar, dritë të caktuar)?
- Konfiguro "human-in-the-loop". Lëreni operatorin të konfirmojë atë që modeli ka shënuar; drejtoj të pasigurt tek njerëzit.
- Monitoroni dhe rikualifikoni. Përditëso grupin e të dhënave kur shfaqen lloje të reja defektesh (zhvendosja e konceptit).
Tre Mini Rastet: Nga Numrat
Rasti 1 - Saktësia mashtruese. Një furnizues shiti një sistem duke thënë "modeli ynë është 97% i saktë". Kthimet e klientëve u rritën në terren. Analiza tregoi se ndjeshmëria e klasës së defektit ishte vetëm 61%, që do të thotë se 39 nga çdo 100 defekte të vërteta humbën. Saktësia ishte e lartë sepse pjesa më e madhe e pëlhurës ishte tashmë e përsosur. Pragu u rirregullua dhe u shtua kontrolli njerëzor; ndjeshmëria u rrit në 92%, rezultatet false u eliminuan nga operatori.
Rasti 2 - Zhvendosja e ndriçimit. Në një rresht, rezultatet false u trefishuan kur rrezet e diellit të pasdites goditën zonën e inspektimit; Modelja mendoi se hijet ishin njolla. Problemi u zgjidh kur u standardizua gjendja e shikimit (kabineti i mbyllur, ndriçimi i vazhdueshëm LED). Mësimi: konfigurimi i imazhit ka të bëjë po aq me cilësinë sa edhe modeli.
Rasti 3 - Koha dhe puna. Një biznes shpenzoi mesatarisht 9 minuta duke inspektuar manualisht 100 metra pëlhurë. Me modelin e skanimit paraprak të kamerës + konfirmimit të operatorit, koha u reduktua në 4 minuta dhe rrjedhjet u reduktuan sepse operatori i kushtoi vëmendje vetëm zonave të shënuara. Ajo që ishte kritike ishte se automatizimi mprehte jo operatorin, por syrin e operatorit.
Prompt i dobët / Prompt i fortë
Shënim: Sistemet e dedikuara që analizojnë drejtpërdrejt imazhin e defektit janë të ndara; këtu ne përdorim AI për dizajnimin e procesit, vlerësimin e të dhënave dhe raportimin.
Njoftim i dobët:
Më thuaj, a është i mirë modeli ynë i zbulimit të defekteve?
Njoftim i fuqishëm:
Roli juaj: Inxhinier i cilësisë së tekstilit dhe analist i të dhënave. Më poshtë janë rezultatet e testit të modelit të zbulimit të defekteve (matrica e konfuzionit: pozitiv i vërtetë, pozitiv i rremë, negativ i rremë, negativ i vërtetë). Detyra: 1) Llogaritni ndjeshmërinë dhe saktësinë për klasën e defektit, tregoni formulën. 2) Shpjegoni me këto numra pse gabimi i përgjithshëm i saktësisë së rrezikut mund të jetë ndikimi i gabuar i rrezikut. negative në këtë prodhim.4) Jep sugjerime konkrete për vendosjen e pragut dhe inspektimin njerëzor.Numrat: [matricë]
Modele të kopjueshme
1) Llogaritja dhe interpretimi metrikë:
Llogaritni ndjeshmërinë, saktësinë dhe rezultatin F1 nga matrica e mëposhtme e konfuzionit, shkruani secilën formulë dhe justifikoni se cila është më kritike për sa i përket cilësisë. Matrica: [TP, FP, FN, TN]
2) Shkaku rrënjësor negativ i rremë:
Më poshtë është lista e veçorive të defekteve të humbura (negative false) (lloji i defektit, ngjyra, drita, shpejtësia). Gjeneroni hipoteza të modelit të përbashkët dhe propozoni një provë verifikimi për secilën hipotezë. Të dhënat: [lista]
3) Konvertimi në pikë me 4 pikë:
Konvertoni rezultatin e mëposhtëm të zbulimit në një sistem me 4 pikë: shënoni çdo defekt sipas gjatësisë së tij, llogaritni rezultatin total për 100 m², krahasoni me rezultatin [pragu] dhe rekomandoni pranim/refuzim. Lista e defekteve: [lista]
4) Drafti i raportit të inspektimit:
Nxirrni një përmbledhje ekzekutive nga të dhënat e mëposhtme të defekteve të ndërrimit: 3 defektet kryesore, burimi i mundshëm i procesit (hipoteza), shkalla totale e refuzimit dhe veprimet e rekomanduara. Mos i bëni numrat, thjesht përdorni atë që është dhënë. Të dhënat: [tabela]
Grafiku i krahasimit metrikë
kriteri
Çfarë masash
A është mirë të jesh i lartë?
Rëndësia në cilësi
Saktësia
Norma e përgjithshme e saktë
Mund të jetë mashtruese
Me pak të dhëna të pabalancuara
Ndjeshmëria (kujtesa)
Norma aktuale e defektit u kap
po
Bie negativen e rreme (kritike)
Preciziteti
E vërteta e asaj që thua është një e metë
po
Redukton pozitivitetet/mbeturinat false
negativ i rremë
i shpëtoi defektit
Jo, duhet të jetë i ulët
Rreziku i mallrave me defekt për klientin
false pozitive
alarm bosh
Jo por tolerohet
Efiçenca/humbja e shpejtësisë
Kujdes: Sistemi i automatizuar është një "para-ekranues", jo një "aprovues". Vendimi përfundimtar i pranimit të cilësisë kërkon miratimin e një zyrtari kompetent të cilësisë, veçanërisht për grupet që i nënshtrohen kontratës së klientit. Modeli përshpejton kontrollin njerëzor, por nuk e përjashton atë.
Gabimet e zakonshme
- Të shikosh drejtësinë dhe të jesh i kënaqur. Saktësia e lartë fsheh objekte në të dhëna të pabalancuara.
- Neglizhimi i gjendjes së shikimit. Pa ndriçim të vazhdueshëm dhe shpejtësi konstante, modeli nuk është i besueshëm.
- Nuk kontrollohet cilësia e etiketës. Modeli i trajnuar me etiketën e gabuar mëson gabimisht.
- Duke harruar llojin e ri të defektit. Nëse të dhënat nuk përditësohen për defekte të reja që shfaqen me kalimin e kohës, performanca do të degradojë në heshtje.
- Prerja e njerëzve. Vendimi kritik i pranimit kërkon miratimin njerëzor.
Në përmbledhje
Përpunimi i imazhit përshpejton shumë inspektimin e rrobave dhe kompenson lodhjen e njeriut. Por performanca e tij lexohet jo me saktësi, por me ndjeshmërinë dhe saktësinë e klasës së të metave; Negativi i rremë është gabimi më i rrezikshëm në cilësi. Gjendja e qëndrueshme e imazhit, etiketa e cilësisë dhe inspektimi i drejtpërdrejtë nga njeriu janë tre shtyllat e besueshmërisë së sistemit. Dalja automatike është një kontroll paraprak; Vendimi përfundimtar i pranimit mbetet me miratimin e inxhinierit.
Detyra e aplikimit
Përcaktoni një shembull të matricës së konfuzionit për një sistem zbulimi të defektit (p.sh. 100 defekte, 4900 mostra perfekte). Keni ndjeshmërinë, saktësinë dhe F1 të llogaritur me shabllonin "llogaritje metrike" në këtë njësi; pastaj kontrolloni rezultatet me dorë. Diskutoni në një paragraf se çfarë ndodh me pozitivët e rremë kur ndryshoni pragun për të përgjysmuar negativin e rremë në të njëjtën matricë dhe vendosni se cili bilanc është i duhuri për produktin tuaj.
listë kontrolli
- [ ] Unë vlerësoj performancën nga ndjeshmëria/precizioni, jo nga saktësia.
- [ ] Unë interpretoj rrezikun e negativëve të rremë së bashku me ndikimin e biznesit.
- [ ] Kam standardizuar kushtet e shikimit (drita, shpejtësia).
- [ ] Unë kontrolloj rregullisht cilësinë e etiketës dhe llojet e reja të defekteve.
- [ ] Unë vendos miratimin njerëzor në vendimin përfundimtar të pranimit; Modeli është vetëm para-shirues.