Vinster:
- Förmåga att förklara hur defekter på tygytan upptäcks och klassificeras genom bildbehandling och maskininlärning.
- Förmåga att tolka falsk positiv/negativ balans, 4-poängs poängsystem och modellprestandamått
- Möjlighet att designa en verifieringsuppsättning som testar automatisk defektdetektering med mänsklig inspektion och fysisk inspektion
Under många år har kontroll av tygkvalitet förlitat sig på det mänskliga ögat: en operatör tittar på tyget i timmar på ett upplyst inspektionsbord, markerar och poängsätter alla defekter han ser. Detta arbete är tröttsamt, subjektivt och benäget till trötthet och misstag; Uppmärksamheten är inte lika skarp i slutet av ett skift som den är i början. Datorseende och maskininlärning lovar att automatisera denna inspektion: en höghastighetskamera skannar tyget, upptäcker och klassificerar ett mönster av defekter på några sekunder. I den här enheten kommer vi att diskutera hur detta system fungerar, de kriterier som det utvärderas efter och varför mänsklig kontroll fortfarande är oumbärlig.
Tygdefekter och inspektionsspråket
För att förstå automatisk detektering är det först nödvändigt att känna till namnet på defekterna. Typiska defekter i vävt tyg: varpbrott (avsaknad av längsgående tråd), väftdefekt/gränssnitt (tvärlinje), hål, fläck, tjockt/tunt ställe, varpstuds. I stickat tyg: nålmärke (längsgående linje, från en nålfel), lössöm, hål, tjockleksskillnad. Vid tryckning och färgning: färgskillnad, abrage (färgningsoregelbundenhet), glidning, stänk.
Inspektionsresultaten poängsätts ofta med hjälp av ett fyrapunktssystem: varje defekt ges 1-4 poäng beroende på dess längsgående längd (t.ex. 1 poäng upp till 8 cm, 4 poäng över 15 cm) och den totala poängen per 100 m² beräknas. Under ett tröskelvärde (t.ex. 40 poäng/100 m²) anses "acceptans", ovan anses som "avslag". Automatisk poängsättning med AI bör efterlikna denna standard; Det bör inte producera sin egen godtyckliga poäng.
Tips: Utdata från det automatiserade systemet bör alltid kunna konverteras till din accepterade poängstandard (som 4-punkts) och klienttolerans. "Modellen hittade 12 anomalier" ensam fattar inte ett affärsbeslut; Det måste omvandlas till poäng och beslut.
Hur fungerar automatisk feldetektering?
Moderna system kombinerar ofta de två tillvägagångssätten. Övervakad klassificering är när ett artificiellt neuralt nätverk (särskilt bildanpassat konvolutionellt neuralt nätverk, engelska CNN) tränat med tusentals tidigare märkta defektexempel förutsäger om det finns en defekt i den nya bilden och dess typ. Anomalidetektering, å andra sidan, lär sig det "normala" tyget och markerar allt som avviker från det normala som en defektkandidat; Det fungerar för sällsynta, aldrig tidigare sett defekter eftersom det inte är nödvändigt att märka varje defekttyp i förväg.
Vi läser av systemets prestanda med två grundläggande kriterier. Känslighet (återkallelse): hur stor procentandel av verkliga defekter upptäckte den? Precision: Hur många procent av det de sa var ett fel var faktiskt ett fel? Det finns en balans mellan dessa två. Falsk negativ (saknas defekten) innebär att felaktiga varor levereras till kunden; Falsk positiv (markering av det perfekta som defekt) innebär onödigt slöseri och avmattning. Vid kvalitetskritisk tillämpning väljs i allmänhet en tröskel för att hålla falska negativa låga, medan ökade falska positiva genomgår en snabb andra kontroll av en mänsklig operatör.
Det finns en kritisk fälla här: enbart noggrannhet är vilseledande. På en produktionslinje är kanske 2 % av tyget defekt. En dum modell som kallar allt "perfekt" rapporterar 98% träffsäkerhet men fångar inte ett enda fel. I obalanserade data beaktas därför inte känsligheten och precisionen för defektklassen, utan noggrannheten.
Steg för steg: Utvärdera ett detektionssystem
- Samla in representativ data. Bilder som täcker den faktiska tygvarianten (färg, struktur, belysning) som systemet kommer att se; Inklusive sällsynta defekter.
- Kontrollera etikettens kvalitet. Om träningsetiketterna är felaktiga lär sig modellen också fel; Prova etiketterna med ett expertöga.
- Mät känslighet/precision. Separat för defektklassen; Titta inte bara på allmän noggrannhet.
- Undersök falskt negativ. Har de missade defekterna ett gemensamt drag (viss färg, visst ljus)?
- Ställ in människa-i-slingan. Låt operatören bekräfta vad modellen har märkt; rikta det osäkra till människor.
- Övervaka och omskola. Uppdatera datasetet när nya defekttyper uppstår (konceptdrift).
Tre minifodral: Efter siffrorna
Fall 1 — Missvisande noggrannhet. En leverantör sålde ett system som sa "vår modell är 97% korrekt". Kundavkastningen ökade i fält. Analysen visade att känsligheten för defektklassen endast var 61 %, vilket innebär att 39 av 100 verkliga defekter missades. Noggrannheten var hög eftersom det mesta av tyget redan var felfritt. Tröskeln har justerats om och mänsklig kontroll lagts till; känsligheten ökade till 92 %, falska positiva resultat eliminerades av operatören.
Fall 2 — Belysningsskifte. På en rad tredubblades falska positiva resultat när eftermiddagssolljuset träffade inspektionsområdet; Modellen trodde att skuggorna var fläckar. Problemet löstes när visningsvillkoret (stängt skåp, konstant LED-belysning) standardiserades. Lärdom: bilduppsättningen handlar lika mycket om kvalitet som modellen.
Fall 3 — Tid och arbete. Ett företag ägnade i genomsnitt 9 minuter åt att manuellt inspektera 100 meter tyg. Med kameran förskanning + operatörsbekräftelsemodell reducerades tiden till 4 minuter och läckaget minskade eftersom operatören endast uppmärksammade de markerade områdena. Det avgörande var att automatiseringen inte skärpte operatören utan operatörens öga.
Svag prompt / Stark prompt
Obs: Dedikerade system som direkt analyserar defektbilden är separata; här använder vi AI för processdesign, datautvärdering och rapportering.
Svag uppmaning:
Säg mig, är vår defektdetekteringsmodell bra?
Kraftfull uppmaning:
Din roll: Textilkvalitetsingenjör och dataanalytiker.Nedan är testresultaten för defektdetekteringsmodellen (förvirringsmatris:sant positiv, falskt positiv, falskt negativ, sann negativ).Uppgift:1) Beräkna känsligheten och precisionen för defektklassen, visa formeln.2) Förklara med dessa siffror varför den övergripande noggrannheten kan vara missvisande på risken med denna produktion. Ge konkreta förslag på tröskelinställning och mänsklig inspektion. Siffror: [matris]
Kopierbara mallar
1) Metrisk beräkning och tolkning:
Beräkna känslighet, precision och F1-poäng från följande förvirringsmatris, skriv varje formel och motivera vilken som är mer kritisk när det gäller kvalitet. Matris: [TP, FP, FN, TN]
2) Falsk negativ grundorsak:
Nedan är funktionslistan över missade (falskt negativa) defekter (defekttyp, färg, ljus, hastighet). Generera vanliga mönsterhypoteser och föreslå ett verifieringsförsök för varje hypotes. Data: [lista]
3) Konvertering till 4-punktspoäng:
Konvertera följande detekteringsutdata till ett 4-punktssystem: betygsätt varje defekt efter dess längd, beräkna den totala poängen per 100 m², jämför med [tröskel]-poängen och rekommendera acceptans/avslag. Defektlista: [lista]
4) Utkast till inspektionsrapport:
Härled en sammanfattning från följande skiftdefektdata: topp 3 defekter, möjlig processkälla (hypotes), total avvisningsfrekvens och rekommenderade åtgärder. Hitta inte siffrorna, använd bara det som ges. Data: [tabell]
Metrisk jämförelsediagram
kriterium
Vilka åtgärder
Är det bra att vara hög?
Betydelse i kvalitet
Noggrannhet
Sammantaget korrekt kurs
Kan vara vilseledande
Lite obalanserad data
Känslighet (återkallelse)
Faktisk defektfrekvens fångad
Ja
Droppar falskt negativt (kritiskt)
Precision
Sanningen i det du säger är ett fel
Ja
Minskar falska positiva/slöseri
falskt negativt
undkommit defekt
Nej, den borde vara låg
Risk för felaktiga varor för kunden
falskt positivt
tomt larm
Nej men det tolereras
Effektivitet/hastighetsförlust
Observera: Det automatiserade systemet är en "förhandsgranskare", inte en "godkännare". Det slutliga kvalitetsgodkännandebeslutet kräver godkännande av en kompetent kvalitetsansvarig, särskilt för partier som omfattas av kundkontrakt. Modellen påskyndar mänsklig kontroll, men undantar den inte.
Vanliga misstag
- Att se på rättfärdighet och bli nöjd. Hög noggrannhet döljer artefakter i obalanserad data.
- Försummar visningsförhållandena. Utan konstant belysning och konstant hastighet är modellen opålitlig.
- Kontrollerar inte etikettens kvalitet. Modellen som tränats med fel etikett lär sig felaktigt.
- Att glömma den nya typen av defekt. Om data inte uppdateras för nya defekter som dyker upp med tiden kommer prestandan att försämras tyst.
- Klippa ut folk. Det kritiska acceptansbeslutet kräver mänskligt godkännande.
Sammanfattningsvis
Bildbehandling påskyndar tyginspektionen avsevärt och kompenserar för mänsklig trötthet. Men hans framförande läses inte med noggrannhet, utan med felklassens känslighet och precision; Falskt negativ är det farligaste kvalitetsfelet. Stabilt bildtillstånd, kvalitetsmärkning och människa-i-slingan-inspektion är de tre grundpelarna för systemets tillförlitlighet. Automatisk utmatning är en preliminär screening; Det slutliga godkännandebeslutet kvarstår med godkännande av ingenjören.
Applikationsuppgift
Definiera ett exempel på förvirringsmatris för ett defektdetekteringssystem (t.ex. 100 defekta, 4900 perfekta prover). Få känslighet, precision och F1 beräknad med mallen "metrisk beräkning" i denna enhet; kontrollera sedan resultaten manuellt. Diskutera i ett stycke vad som händer med falska positiva när du ändrar tröskeln för att halvera det falska negativa i samma matris, och bestäm vilken balans som är rätt för din produkt.
checklista
- [ ] Jag utvärderar prestanda efter känslighet/precision, inte noggrannhet.
- [ ] Jag tolkar risken för falska negativa effekter tillsammans med affärseffekten.
- [ ] Jag standardiserade visningsförhållandena (ljus, hastighet).
- [ ] Jag kontrollerar regelbundet etikettens kvalitet och nya defekttyper.
- [ ] Jag sätter mänskligt godkännande på det slutliga godkännandebeslutet; Modellen är endast försikt.