Добици:
- Способност да се објасни како се дефекти на површини тканине откривају и класификују обрадом слика и машинским учењем.
- Способност тумачења лажног позитивног/негативног баланса, систем бодовања од 4 поена и метрика перформанси модела
- Способност дизајнирања подешавања за верификацију која тестира излаз аутоматског откривања квара са људском инспекцијом и физичком инспекцијом
Већ дуги низ година, контрола квалитета тканине се ослања на људско око: оператер сатима посматра тканину на осветљеном столу за преглед, обележавајући и бодујући све недостатке које види. Овај рад је заморан, субјективан и подложан умору и грешкама; Пажња није тако оштра на крају смене као на почетку. Компјутерски вид и машинско учење обећавају да ће аутоматизовати ову инспекцију: камера велике брзине скенира тканину, откривајући и класификујући образац дефеката у секунди. У овој јединици ћемо разговарати о томе како овај систем функционише, по којим критеријумима се оцењује и зашто је људска контрола још увек неопходна.
Дефекти тканине и језик инспекције
Да бисте разумели аутоматску детекцију, прво је потребно знати назив кварова. Типични недостаци тканог материјала: ломљење основе (недостатак уздужног конца), дефект потке/попречна линија (попречна линија), рупа, мрља, дебело/танко место, одбијање основе. У плетенини: ознака игле (уздужна линија, од квара игле), залутали бод, рупа, разлика у дебљини. У штампи и фарбању: разлика у боји, абразија (неправилност бојења), клизање, прскање.
Резултати инспекције се често бодују коришћењем система од четири тачке: сваком дефекту се дају 1-4 поена према његовој уздужној дужини (нпр. 1 бод до 8 цм, 4 поена преко 15 цм) и израчунава се укупан резултат на 100 м². Испод прага (нпр. 40 поена/100 м²) се сматра „прихватањем“, а изнад „одбацивањем“. Аутоматско бодовање помоћу вештачке интелигенције требало би да опонаша овај стандард; Не би требало да производи сопствени произвољан резултат.
Савет: Излаз аутоматизованог система увек треба да се конвертује у ваш прихваћени стандард бодовања (као што је 4 поена) и толеранцију клијента. „Модел је открио 12 аномалија“ сам по себи не доноси пословну одлуку; Мора се претворити у бодове и одлуке.
Како функционише аутоматска детекција грешака?
Савремени системи често комбинују ова два приступа. Надгледана класификација је када вештачка неуронска мрежа (нарочито конволуциона неуронска мрежа прикладна за слику, енглески ЦНН) обучена са хиљадама претходно означених примера дефекта предвиђа да ли постоји дефект у новој слици и њеном типу. Детекција аномалија, с друге стране, учи „нормалну“ тканину и означава све што одступа од нормалног као кандидата за дефект; Ради за ретке, никада раније виђене дефекте јер није потребно унапред означавати сваки тип квара.
Перформансе система читамо са два основна критеријума. Осетљивост (опозив): који проценат стварних недостатака је открио? Прецизност: Колики проценат онога што су рекли да је мана је заправо мана? Између ово двоје постоји баланс. Лажно негативан (недостаје недостатак) значи да се неисправна роба испоручује купцу; Лажно позитивно (означавање савршеног као неисправног) значи непотребно трошење и успоравање. У апликацији која је критична за квалитет, праг се генерално бира како би лажно негативан био низак, док повећан број лажних позитивних резултата пролази брзу другу проверу од стране људског оператера.
Овде постоји критична замка: сама тачност је варљива. На производној линији, можда је 2% тканине неисправно. Глупи модел који све назива „савршеним“ пријављује 98% тачности, али не хвата ни једну ману. Због тога се код неуравнотежених података не узима у обзир осетљивост и прецизност класе дефекта, већ тачност.
Корак по корак: Процена система за детекцију
- Прикупите репрезентативне податке. Слике које покривају стварну разноликост тканине (боја, текстура, осветљење) коју ће систем видети; Укључујући ретке недостатке.
- Проверите квалитет етикете. Ако су ознаке за обуку погрешне, модел такође учи погрешно; Пробајте етикете стручним оком.
- Измерите осетљивост/прецизност. Одвојено за класу дефеката; Не гледајте само на општу тачност.
- Испитајте лажне негативне. Да ли пропуштени недостаци имају заједничку особину (одређену боју, одређено светло)?
- Подесите човека у петљи. Нека оператер потврди шта је модел обележио; упути неизвесно на људе.
- Пратите и поново обучите. Ажурирајте скуп података како се појављују нови типови дефеката (померање концепта).
Три мини случаја: према бројевима
Случај 1 — Обмањујућа тачност. Добављач је продао систем са поруком „наш модел је 97% тачан“. Повраћај купаца је повећан на терену. Анализа је показала да је осетљивост класе дефекта била само 61%, што значи да је пропуштено 39 од 100 правих дефеката. Прецизност је била висока јер је већина тканине већ била беспрекорна. Поново је подешен праг и додата људска контрола; осетљивост је повећана на 92%, лажне позитивне резултате је елиминисао оператер.
Случај 2 — Промена осветљења. У једном реду, лажни позитивни резултати су се утростручили када је поподневна сунчева светлост ударила у подручје инспекције; Манекенка је мислила да су сенке мрље. Проблем је решен када су услови гледања (затворен кабинет, константно ЛЕД осветљење) стандардизовани. Поука: подешавање слике је једнако о квалитету колико и о моделу.
Случај 3 — Време и рад. Предузеће је у просеку провело 9 минута ручно прегледавајући 100 метара тканине. Са моделом пре-скенирање камере + потврда оператера, време је смањено на 4 минута, а цурење је смањено јер је оператер обраћао пажњу само на означена подручја. Оно што је било критично је да аутоматизација изоштрава не оператера, већ око оператера.
Слаба порука / јака промпт
Напомена: Наменски системи који директно анализирају слику дефекта су одвојени; овде користимо АИ за дизајн процеса, процену података и извештавање.
Слабо обавештење:
Реци ми, да ли је наш модел детекције квара добар?
Снажан упит:
Ваша улога: Инжењер квалитета текстила и аналитичар података. Испод су резултати тестирања модела детекције дефеката (матрица конфузије: истинито позитивно, лажно позитивно, лажно негативно, тачно негативно). Задатак: 1) Израчунајте осетљивост и прецизност за класу дефекта, покажите формулу. 2) Објасните овим бројевима зашто лажна тачност пословања може утицати на лажну тачност3. негативи у овој производњи.4) Дајте конкретан предлог за постављање прага и људски преглед.Бројеви: [матрица]
Цопиабле Темплатес
1) Метрички прорачун и тумачење:
Израчунајте осетљивост, прецизност и Ф1 резултат из следеће матрице конфузије, напишите сваку формулу и образложите која је критичнија у погледу квалитета. Матрица: [ТП, ФП, ФН, ТН]
2) Лажно негативан основни узрок:
Испод је листа карактеристика пропуштених (лажно негативних) дефеката (тип дефекта, боја, светлост, брзина). Генеришите уобичајене хипотезе и предложите верификациони тест за сваку хипотезу. Подаци: [лист]
3) Конверзија у поене од 4 поена:
Претворите следећи излаз детекције у систем од 4 тачке: оцените сваки недостатак према његовој дужини, израчунајте укупан резултат на 100 м², упоредите са [прагом] оценом и препоручите прихватање/одбијање. Листа недостатака: [лист]
4) Нацрт извештаја о инспекцији:
Изведите сажетак из следећих података о дефектима смене: највећа 3 дефекта, могући извор процеса (хипотеза), укупна стопа одбијања и препоручене акције. Не измишљајте бројеве, само користите оно што је дато. Подаци: [табела]
Графикон поређења метрике
критеријум
Какве мере
Да ли је добро бити високо?
Важност у квалитету
Прецизност
Укупна тачна стопа
Може бити варљиво
Мало неуравнотежених података
Осетљивост (сећање)
Ухваћена је стварна стопа кварова
Да
Испушта лажно негативан (критичан)
Прецизност
Истина онога што кажеш је мана
Да
Смањује лажне позитивне резултате/отпад
лажно негативан
избегао недостатак
Не, требало би да буде ниско
Ризик од неисправне робе за купца
лажно позитиван
празан аларм
Не, али се толерише
Губитак ефикасности/брзине
Пажња: Аутоматизовани систем је „претпровера“, а не „одобрење“. Коначна одлука о прихватању квалитета захтева одобрење надлежног службеника за квалитет, посебно за серије које подлежу уговору са купцем. Модел убрзава људску контролу, али је не изузима.
Уобичајене грешке
- Гледати у праведност и бити задовољан. Висока прецизност скрива артефакте у неуравнотеженим подацима.
- Занемаривање услова гледања. Без сталног осветљења и константне брзине модел је непоуздан.
- Не проверава се квалитет етикете. Модел обучен са погрешном ознаком учи погрешно.
- Заборављање нове врсте квара. Ако се подаци не ажурирају за нове недостатке који се појављују током времена, перформансе ће тихо деградирати.
- Исецање људи. Критичка одлука о прихватању захтева људско одобрење.
Укратко
Обрада слике у великој мери убрзава преглед тканине и компензује људски замор. Али његова изведба се не чита са тачношћу, већ са осетљивошћу и прецизношћу класе мана; Лажно негативна је најопаснија грешка у квалитету. Стабилно стање слике, ознака квалитета и инспекција од стране човека у петљи су три стуба поузданости система. Аутоматски излаз је прелиминарни скрининг; Коначна одлука о прихватању остаје уз одобрење инжењера.
Задатак апликације
Дефинишите пример матрице конфузије за систем за детекцију дефеката (нпр. 100 неисправних, 4900 савршених узорака). Имајте осетљивост, прецизност и Ф1 израчунате помоћу шаблона „метрички прорачун“ у овој јединици; затим ручно проверите резултате. Разговарајте у параграфу шта се дешава са лажно позитивним када промените праг да бисте преполовили лажно негативан резултат у истој матрици и одлучите који баланс је прави за ваш производ.
контролна листа
- [ ] Перформансе процењујем на основу осетљивости/прецизности, а не прецизности.
- [ ] Ризик од лажних негатива тумачим заједно са утицајем на пословање.
- [ ] Стандардизовао сам услове гледања (светло, брзина).
- [ ] Редовно проверавам квалитет етикета и нове врсте кварова.
- [ ] Људско одобрење стављам на коначну одлуку о прихватању; Модел је само пред-сито.