การควบคุมคุณภาพและการตรวจจับข้อบกพร่อง: การประมวลผลภาพ

กำไร:

• ความสามารถในการอธิบายวิธีการตรวจจับและจำแนกข้อบกพร่องบนพื้นผิวผ้าตามการประมวลผลภาพและการเรียนรู้ของเครื่อง
• ความสามารถในการตีความความสมดุลเชิงบวก/เชิงลบที่ผิดพลาด ระบบการให้คะแนน 4 จุด และจำลองการวัดประสิทธิภาพ
• ความสามารถในการออกแบบการตั้งค่าการตรวจสอบที่ทดสอบเอาต์พุตการตรวจจับข้อบกพร่องอัตโนมัติด้วยการตรวจสอบโดยมนุษย์และการตรวจสอบทางกายภาพ

เป็นเวลาหลายปีมาแล้วที่การควบคุมคุณภาพผ้าอาศัยสายตาของมนุษย์: ผู้ปฏิบัติงานเฝ้าดูผ้าเป็นเวลาหลายชั่วโมงบนโต๊ะตรวจสอบที่มีไฟส่องสว่าง ทำเครื่องหมายและให้คะแนนข้อบกพร่องที่เขาเห็น งานนี้เหนื่อย เป็นอัตนัย และมีแนวโน้มที่จะเหนื่อยล้าและผิดพลาด ความสนใจไม่ชัดเจนเมื่อสิ้นสุดกะเหมือนตอนเริ่มต้น คอมพิวเตอร์วิทัศน์และการเรียนรู้ของเครื่องจะทำให้การตรวจสอบนี้เป็นไปโดยอัตโนมัติ กล้องความเร็วสูงจะสแกนแฟบริค ตรวจจับและจำแนกรูปแบบของข้อบกพร่องได้ภายในไม่กี่วินาที ในบทนี้ เราจะอภิปรายว่าระบบนี้ทำงานอย่างไร เกณฑ์ที่ใช้ประเมิน และเหตุใดการควบคุมโดยมนุษย์จึงยังคงขาดไม่ได้

ข้อบกพร่องของผ้าและภาษาในการตรวจสอบ

เพื่อให้เข้าใจการตรวจจับอัตโนมัติ จำเป็นต้องทราบชื่อของข้อบกพร่องก่อน ข้อบกพร่องทั่วไปในผ้าทอ: การแตกหักของด้ายยืน (ขาดด้ายตามยาว) ข้อบกพร่องพุ่ง/ส่วนต่อประสาน (เส้นขวาง) รู รอยเปื้อน จุดหนา/บาง การเด้งกลับของด้ายยืน ในผ้าถัก: รอยเข็ม (เส้นตามยาว จากเข็มทำงานผิดปกติ), ตะเข็บหลุด, รู, ความหนาต่างกัน ในการพิมพ์และการย้อมสี: ความแตกต่างของสี, การขัดถู (การย้อมสีที่ผิดปกติ), การเลื่อนหลุด, การกระเด็น

ผลการตรวจสอบมักจะให้คะแนนโดยใช้ระบบสี่จุด: ข้อบกพร่องแต่ละจุดจะได้รับ 1-4 คะแนนตามความยาวตามยาว (เช่น 1 คะแนนสูงสุด 8 ซม., 4 คะแนนมากกว่า 15 ซม.) และคำนวณคะแนนรวมต่อ 100 ตร.ม. ต่ำกว่าเกณฑ์ (เช่น 40 คะแนน/100 ตร.ม.) ถือเป็น "การยอมรับ" ข้างต้นถือเป็น "การปฏิเสธ" การให้คะแนนอัตโนมัติด้วย AI ควรเลียนแบบมาตรฐานนี้ ไม่ควรสร้างคะแนนตามอำเภอใจของตัวเอง

เคล็ดลับ: ผลลัพธ์ของระบบอัตโนมัติควรสามารถแปลงเป็นมาตรฐานการให้คะแนนที่ยอมรับได้ (เช่น 4 คะแนน) และค่าเผื่อของลูกค้า “แบบจำลองพบความผิดปกติ 12 รายการ” เพียงอย่างเดียวไม่สามารถตัดสินใจทางธุรกิจได้ มันจะต้องแปลงเป็นจุดและการตัดสินใจ

การตรวจจับข้อบกพร่องอัตโนมัติทำงานอย่างไร

ระบบสมัยใหม่มักจะรวมสองแนวทางเข้าด้วยกัน การจำแนกประเภทภายใต้การดูแลคือเมื่อโครงข่ายประสาทเทียม (โดยเฉพาะอย่างยิ่งโครงข่ายประสาทเทียมที่เหมาะสมกับภาพ, CNN ภาษาอังกฤษ) ที่ได้รับการฝึกอบรมพร้อมตัวอย่างข้อบกพร่องที่ติดป้ายกำกับไว้ก่อนหน้านี้นับพันรายการ คาดการณ์ว่ามีข้อบกพร่องในรูปภาพใหม่และประเภทของรูปภาพหรือไม่ ในทางกลับกัน การตรวจจับความผิดปกติจะเรียนรู้แฟบริค "ปกติ" และทำเครื่องหมายสิ่งใดก็ตามที่เบี่ยงเบนไปจากปกติว่าเป็นข้อบกพร่องที่รออยู่ ใช้งานได้กับข้อบกพร่องที่หายากและไม่เคยเห็นมาก่อน เนื่องจากไม่จำเป็นต้องติดฉลากข้อบกพร่องแต่ละประเภทล่วงหน้า

เราอ่านประสิทธิภาพของระบบด้วยเกณฑ์พื้นฐานสองประการ ความไว (การเรียกคืน): ตรวจพบข้อบกพร่องจริงกี่เปอร์เซ็นต์ ความแม่นยำ: เปอร์เซ็นต์ของสิ่งที่พวกเขากล่าวว่าเป็นข้อบกพร่องนั้นเป็นข้อบกพร่องจริงๆ หรือไม่ มีความสมดุลระหว่างทั้งสองนี้ ผลลบลวง (ขาดข้อบกพร่อง) หมายความว่ามีการส่งมอบสินค้าที่มีข้อบกพร่องให้กับลูกค้า ผลบวกลวง (การทำเครื่องหมายความสมบูรณ์แบบว่ามีข้อบกพร่อง) หมายถึงการสิ้นเปลืองและการชะลอตัวโดยไม่จำเป็น ในการใช้งานที่เน้นคุณภาพ โดยทั่วไปเกณฑ์จะถูกเลือกเพื่อรักษาค่าลบลวงให้ต่ำ ในขณะที่ค่าบวกลวงที่เพิ่มขึ้นจะต้องได้รับการตรวจสอบครั้งที่สองอย่างรวดเร็วโดยผู้ปฏิบัติงานที่เป็นมนุษย์

มีกับดักที่สำคัญอยู่ที่นี่: ความแม่นยำเพียงอย่างเดียวอาจทำให้เข้าใจผิดได้ ในสายการผลิต ผ้าประมาณ 2% อาจชำรุด โมเดลโง่ๆ ที่เรียกทุกอย่างว่า "สมบูรณ์แบบ" รายงานความแม่นยำ 98% แต่ไม่พบข้อบกพร่องแม้แต่จุดเดียว ดังนั้นในข้อมูลที่ไม่สมดุล ความไวและความแม่นยำของระดับข้อบกพร่องจึงไม่ได้รับการพิจารณา แต่จะพิจารณาถึงความแม่นยำ

ทีละขั้นตอน: การประเมินระบบการตรวจจับ

1. รวบรวมข้อมูลตัวแทน รูปภาพที่ครอบคลุมความหลากหลายของผ้าจริง (สี พื้นผิว แสง) ที่ระบบจะเห็น รวมถึงข้อบกพร่องที่หายาก
2. ตรวจสอบคุณภาพฉลาก หากป้ายกำกับการฝึกผิด โมเดลก็จะเรียนรู้ผิดเช่นกัน ตัวอย่างฉลากด้วยสายตาของผู้เชี่ยวชาญ
3. วัดความไว/ความแม่นยำ แยกสำหรับระดับข้อบกพร่อง อย่าดูแต่ความแม่นยำทั่วไป
4. ตรวจสอบผลลบลวง. ข้อบกพร่องที่พลาดไปมีลักษณะทั่วไป (บางสี บางแสง) หรือไม่
5. ตั้งค่ามนุษย์ในวง ให้ผู้ปฏิบัติงานยืนยันว่าโมเดลได้ทำเครื่องหมายไว้ว่าอะไร ชี้นำความไม่แน่นอนไปสู่ผู้คน
6. ติดตามและฝึกอบรมใหม่ อัปเดตชุดข้อมูลเมื่อมีข้อบกพร่องประเภทใหม่เกิดขึ้น (แนวคิดล่องลอย)

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 — ความแม่นยำที่ทำให้เข้าใจผิด ซัพพลายเออร์ขายระบบโดยแจ้งว่า "แบบจำลองของเราแม่นยำ 97%" ผลตอบแทนของลูกค้าเพิ่มขึ้นในภาคสนาม การวิเคราะห์แสดงให้เห็นว่าความไวของระดับข้อบกพร่องมีเพียง 61% ซึ่งหมายความว่าข้อบกพร่องที่แท้จริง 39 รายการจากทุกๆ 100 รายการพลาดไป ความแม่นยำมีสูงเนื่องจากเนื้อผ้าส่วนใหญ่ไม่มีตำหนิอยู่แล้ว ปรับเกณฑ์ใหม่และเพิ่มการควบคุมโดยมนุษย์ ความไวเพิ่มขึ้นเป็น 92% ผลบวกลวงถูกกำจัดโดยผู้ปฏิบัติงาน

กรณีที่ 2 — การเปลี่ยนแสง ในบรรทัดหนึ่ง ผลบวกลวงเพิ่มขึ้นสามเท่าเมื่อแสงแดดยามบ่ายกระทบพื้นที่ที่ทำการตรวจสอบ แบบจำลองคิดว่าเงาเป็นคราบ ปัญหาได้รับการแก้ไขเมื่อสภาพการรับชม (ตู้ปิด, ไฟ LED คงที่) ได้รับมาตรฐาน บทเรียน: การตั้งค่าการถ่ายภาพให้ความสำคัญกับคุณภาพพอๆ กับตัวแบบ

กรณีที่ 3 — เวลาและแรงงาน ธุรกิจแห่งหนึ่งใช้เวลาโดยเฉลี่ย 9 นาทีในการตรวจสอบผ้า 100 เมตรด้วยตนเอง ด้วยกล้องสแกนล่วงหน้า + รุ่นยืนยันของผู้ปฏิบัติงาน เวลาลดลงเหลือ 4 นาที และการรั่วไหลลดลง เนื่องจากผู้ปฏิบัติงานให้ความสนใจเฉพาะบริเวณที่ทำเครื่องหมายไว้เท่านั้น สิ่งที่สำคัญคือระบบอัตโนมัติไม่ได้ทำให้ผู้ปฏิบัติงานคมชัดขึ้น แต่รวมถึงสายตาของผู้ปฏิบัติงานด้วย

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

หมายเหตุ: ระบบเฉพาะที่วิเคราะห์อิมเมจข้อบกพร่องโดยตรงจะแยกจากกัน ที่นี่เราใช้ AI สำหรับการออกแบบกระบวนการ การประเมินข้อมูล และการรายงาน

พรอมต์ที่อ่อนแอ:

บอกฉันหน่อยว่าโมเดลการตรวจจับข้อบกพร่องของเราดีหรือไม่?

พรอมต์อันทรงพลัง:

บทบาทของคุณ: วิศวกรคุณภาพสิ่งทอและนักวิเคราะห์ข้อมูล ด้านล่างนี้คือผลการทดสอบของแบบจำลองการตรวจจับข้อบกพร่อง (เมทริกซ์ความสับสน: ผลบวกจริง ผลบวกลวง ผลลบลวง ผลลบจริง) งาน: 1) คำนวณความไวและความแม่นยำสำหรับประเภทข้อบกพร่อง แสดงสูตร 2) อธิบายด้วยตัวเลขเหล่านี้ว่าเหตุใดความแม่นยำโดยรวมจึงอาจทำให้เข้าใจผิดได้ 3) แสดงความคิดเห็นเกี่ยวกับผลกระทบทางธุรกิจจากความเสี่ยงของผลลบลวงในการผลิตนี้ 4) ให้คำแนะนำที่เป็นรูปธรรมสำหรับการตั้งค่าเกณฑ์ขั้นต่ำและการตรวจสอบโดยมนุษย์ หมายเลข: [เมทริกซ์]

เทมเพลตที่คัดลอกได้

1) การคำนวณและการตีความเมตริก:

คำนวณความไว ความแม่นยำ และคะแนน F1 จากเมทริกซ์ความสับสนต่อไปนี้ เขียนแต่ละสูตร และหาเหตุผลว่าสูตรใดมีความสำคัญมากกว่าในแง่ของคุณภาพ เมทริกซ์: [TP, FP, FN, TN]

2) สาเหตุหลักที่เป็นลบลวง:

ด้านล่างนี้คือรายการคุณลักษณะของข้อบกพร่องที่พลาด (ลบลวง) (ประเภทข้อบกพร่อง สี แสง ความเร็ว) สร้างสมมติฐานรูปแบบทั่วไปและเสนอการทดลองเพื่อยืนยันสำหรับแต่ละสมมติฐาน ข้อมูล: [รายการ]

3) การแปลงเป็นคะแนน 4 จุด:

แปลงเอาต์พุตการตรวจจับต่อไปนี้เป็นระบบ 4 จุด: ให้คะแนนข้อบกพร่องแต่ละรายการตามความยาว คำนวณคะแนนรวมต่อ 100 ตร.ม. เปรียบเทียบกับคะแนน [เกณฑ์] และแนะนำให้ยอมรับ/ปฏิเสธ รายการข้อบกพร่อง: [รายการ]

4) ร่างรายงานการตรวจสอบ:

รับข้อมูลสรุปสำหรับผู้บริหารจากข้อมูลข้อบกพร่องของกะต่อไปนี้: ข้อบกพร่อง 3 อันดับแรก แหล่งที่มาของกระบวนการที่เป็นไปได้ (สมมติฐาน) อัตราการปฏิเสธทั้งหมด และการดำเนินการที่แนะนำ ไม่ต้องสร้างตัวเลข แค่ใช้สิ่งที่ให้มา ข้อมูล: [ตาราง]

แผนภูมิเปรียบเทียบเมตริก

เกณฑ์

มีมาตรการอะไร

เป็นคนสูงดีมั้ย?

ความสำคัญในด้านคุณภาพ

ความแม่นยำ

อัตราที่ถูกต้องโดยรวม

อาจทำให้เข้าใจผิดได้

ข้อมูลที่ไม่สมดุลเหลือน้อย

ความไว (จำ)

อัตราข้อบกพร่องที่เกิดขึ้นจริงที่จับได้

ใช่

ลดผลลบลวง (วิกฤต)

ความแม่นยำ

ความจริงของสิ่งที่คุณพูดคือข้อบกพร่อง

ใช่

ลดผลบวกลวง/ของเสีย

ลบเท็จ

หนีข้อบกพร่อง

ไม่ มันควรจะต่ำ

ความเสี่ยงจากความผิดพลาดของสินค้าให้กับลูกค้า

ผลบวกลวง

สัญญาณเตือนว่างเปล่า

ไม่แต่ก็ยอม

การสูญเสียประสิทธิภาพ/ความเร็ว

ข้อควรสนใจ: ระบบอัตโนมัติคือ "ผู้คัดกรองล่วงหน้า" ไม่ใช่ "ผู้อนุมัติ" การตัดสินใจยอมรับคุณภาพขั้นสุดท้ายต้องได้รับอนุมัติจากเจ้าหน้าที่คุณภาพที่มีความสามารถ โดยเฉพาะสำหรับแบทช์ที่อยู่ภายใต้สัญญาของลูกค้า แบบจำลองนี้ช่วยเร่งการควบคุมของมนุษย์ แต่ไม่ได้ยกเว้น

ข้อผิดพลาดทั่วไป

• เพื่อดูความชอบธรรมแล้วเกิดความพอใจ ความแม่นยำสูงจะซ่อนอาร์ติแฟกต์ในข้อมูลที่ไม่สมดุล
• ละเลยสภาพการรับชม หากไม่มีแสงสว่างคงที่และความเร็วคงที่ โมเดลจะไม่น่าเชื่อถือ
• ไม่ตรวจสอบคุณภาพฉลาก โมเดลที่ได้รับการฝึกโดยใช้ป้ายกำกับที่ไม่ถูกต้องเรียนรู้อย่างไม่ถูกต้อง
• ลืมข้อบกพร่องชนิดใหม่ หากข้อมูลไม่ได้รับการอัปเดตสำหรับข้อบกพร่องใหม่ที่ปรากฏเมื่อเวลาผ่านไป ประสิทธิภาพจะลดลงอย่างเงียบๆ
• ตัดคนออกไป.. การตัดสินใจยอมรับอย่างมีวิจารณญาณต้องได้รับการอนุมัติจากมนุษย์

โดยสรุป

การประมวลผลภาพช่วยเร่งการตรวจสอบผ้าได้อย่างมากและชดเชยความเหนื่อยล้าของมนุษย์ แต่ประสิทธิภาพของเขาไม่ได้อ่านด้วยความแม่นยำ แต่ด้วยความไวและความแม่นยำของระดับข้อบกพร่อง ผลลบลวงเป็นข้อผิดพลาดที่อันตรายที่สุดในด้านคุณภาพ สภาพภาพที่มีเสถียรภาพ ฉลากคุณภาพ และการตรวจสอบโดยมนุษย์ในวงจรคือเสาหลักสามประการของความน่าเชื่อถือของระบบ เอาต์พุตอัตโนมัติเป็นการคัดกรองเบื้องต้น การตัดสินใจยอมรับขั้นสุดท้ายยังคงต้องได้รับอนุมัติจากวิศวกร

งานสมัคร

กำหนดตัวอย่างเมทริกซ์ความสับสนสำหรับระบบตรวจจับข้อบกพร่อง (เช่น ตัวอย่างที่มีข้อบกพร่อง 100 รายการ ตัวอย่างที่สมบูรณ์แบบ 4900 รายการ) มีความไว ความแม่นยำ และ F1 คำนวณด้วยเทมเพลต "การคำนวณเมตริก" ในหน่วยนี้ จากนั้นตรวจสอบผลลัพธ์ด้วยตนเอง พูดคุยในย่อหน้าว่าจะเกิดอะไรขึ้นกับผลบวกลวงเมื่อคุณเปลี่ยนเกณฑ์เพื่อลดผลลบลวงลงครึ่งหนึ่งในเมทริกซ์เดียวกัน และตัดสินใจว่ายอดคงเหลือใดที่เหมาะกับผลิตภัณฑ์ของคุณ

รายการตรวจสอบ

• [ ] ฉันประเมินประสิทธิภาพตามความไว/ความแม่นยำ ไม่ใช่ความแม่นยำ
• [ ] ฉันตีความความเสี่ยงของผลลบลวงพร้อมกับผลกระทบทางธุรกิจ
• [ ] ฉันกำหนดเงื่อนไขในการรับชมให้เป็นมาตรฐาน (แสง ความเร็ว)
• [ ] ฉันตรวจสอบคุณภาพฉลากและประเภทข้อบกพร่องใหม่ๆ เป็นประจำ
• [ ] ฉันให้ความเห็นชอบจากมนุษย์ในการตัดสินใจยอมรับขั้นสุดท้าย แบบจำลองนี้ใช้เครื่องกรองล่วงหน้าเท่านั้น