Mga nadagdag:
- Kakayahang ipaliwanag kung paano natukoy at nauuri ang mga depekto sa ibabaw ng tela ayon sa pagproseso ng imahe at machine learning.
- Kakayahang mag-interpret ng maling positibo/negatibong balanse, 4-point na sistema ng pagmamarka, at mga sukatan ng pagganap ng modelo
- Kakayahang magdisenyo ng setup ng pag-verify na sumusubok sa output ng awtomatikong pag-detect ng depekto gamit ang inspeksyon ng tao at pisikal na inspeksyon
Sa loob ng maraming taon, ang kontrol sa kalidad ng tela ay umaasa sa mata ng tao: ang isang operator ay nanonood ng tela nang maraming oras sa isang maliwanag na talahanayan ng inspeksyon, pagmamarka at pagmamarka ng anumang mga depekto na kanyang nakikita. Ang gawaing ito ay nakakapagod, subjective, at madaling kapitan ng pagkapagod at pagkakamali; Ang atensyon ay hindi kasing talas sa dulo ng isang shift tulad ng sa simula. Nangangako ang computer vision at machine learning na i-automate ang inspeksyon na ito: ini-scan ng high-speed camera ang tela, nakakakita at nag-uuri ng pattern ng mga depekto sa loob ng ilang segundo. Sa yunit na ito, tatalakayin natin kung paano gumagana ang sistemang ito, ang pamantayan kung saan ito sinusuri, at kung bakit kailangan pa rin ang kontrol ng tao.
Mga Depekto sa Tela at ang Wika ng Inspeksyon
Upang maunawaan ang awtomatikong pagtuklas, kailangan munang malaman ang pangalan ng mga depekto. Karaniwang mga depekto sa pinagtagpi na tela: pagkabasag ng warp (kawalan ng longitudinal thread), depekto/interfacing ng weft (transverse line), butas, mantsa, makapal/manipis na lugar, warp bounce. Sa niniting na tela: marka ng karayom (paayon na linya, mula sa malfunction ng karayom), stray stitch, butas, pagkakaiba sa kapal. Sa pag-print at pagtitina: pagkakaiba ng kulay, abrage (pagtitina iregularidad), pagdulas, splashing.
Ang mga resulta ng inspeksyon ay kadalasang binibigyan ng score gamit ang four-point system: ang bawat depekto ay binibigyan ng 1-4 na puntos ayon sa longitudinal na haba nito (hal. 1 punto hanggang 8 cm, 4 na puntos sa 15 cm) at ang kabuuang iskor sa bawat 100 m² ay kinakalkula. Sa ibaba ng threshold (hal. 40 puntos/100 m²) ay itinuturing na "pagtanggap", sa itaas ay itinuturing na "pagtanggi". Ang awtomatikong pagmamarka gamit ang AI ay dapat tularan ang pamantayang ito; Hindi ito dapat gumawa ng sarili nitong di-makatwirang marka.
Tip: Ang output ng automated system ay dapat palaging ma-convert sa iyong tinatanggap na pamantayan ng pagmamarka (tulad ng 4-point) at pagpapaubaya ng kliyente. "Ang modelo ay nakakita ng 12 anomalya" lamang ay hindi gumagawa ng desisyon sa negosyo; Dapat itong i-convert sa mga punto at desisyon.
Paano Gumagana ang Automatic Flaw Detection?
Ang mga modernong sistema ay madalas na pinagsasama ang dalawang diskarte. Ang pinangangasiwaang pag-uuri ay kapag ang isang artipisyal na neural network (lalo na ang naaangkop sa imahe na convolutional neural network, English CNN) na sinanay na may libu-libong mga dating may label na halimbawa ng depekto ay hinuhulaan kung may depekto sa bagong larawan at sa uri nito. Ang pagtuklas ng anomalya, sa kabilang banda, ay natututo sa "normal" na tela at minarkahan ang anumang bagay na lumihis mula sa normal bilang isang depektong kandidato; Gumagana ito para sa mga bihirang, hindi pa nakikitang mga depekto dahil hindi kinakailangang lagyan ng label nang maaga ang bawat uri ng depekto.
Binabasa namin ang pagganap ng system na may dalawang pangunahing pamantayan. Sensitivity (recall): ilang porsyento ng mga totoong depekto ang nakita nito? Katumpakan: Ilang porsyento ng sinabi nilang isang kapintasan ang talagang isang kapintasan? May balanse sa pagitan ng dalawang ito. Ang maling negatibo (nawawala ang depekto) ay nangangahulugan na ang mga may sira na kalakal ay inihahatid sa customer; Ang maling positibo (pagmarka ng perpekto bilang may depekto) ay nangangahulugang hindi kinakailangang basura at pagbagal. Sa kritikal na kalidad na aplikasyon, karaniwang pinipili ang isang threshold upang mapanatiling mababa ang mga maling negatibo, habang ang tumaas na mga maling positibo ay sumasailalim sa isang mabilis na pangalawang pagsusuri ng isang operator ng tao.
Mayroong isang kritikal na bitag dito: ang katumpakan lamang ay nakaliligaw. Sa isang linya ng produksyon, marahil 2% ng tela ay may depekto. Ang isang hangal na modelo na tumatawag sa lahat ng bagay ay "perpekto" ay nag-uulat ng 98% katumpakan ngunit hindi nakakakuha ng isang depekto. Samakatuwid, sa hindi balanseng data, ang sensitivity at katumpakan ng klase ng depekto ay hindi isinasaalang-alang, ngunit ang katumpakan.
Hakbang sa Hakbang: Pagsusuri ng Detection System
- Kolektahin ang data ng kinatawan. Mga larawang sumasaklaw sa aktwal na iba't ibang tela (kulay, texture, liwanag) na makikita ng system; Kabilang ang mga bihirang depekto.
- Suriin ang kalidad ng label. Kung mali ang mga label ng pagsasanay, mali rin ang natututunan ng modelo; Sample ang mga label gamit ang isang ekspertong mata.
- Sukatin ang sensitivity/precision. Hiwalay para sa klase ng depekto; Huwag lamang tumingin sa pangkalahatang katumpakan.
- Suriin ang mga maling negatibo. Ang mga napalampas na depekto ba ay may isang karaniwang katangian (tiyak na kulay, tiyak na liwanag)?
- I-set up ang human-in-the-loop. Hayaang kumpirmahin ng operator kung ano ang minarkahan ng modelo; idirekta ang hindi tiyak sa mga tao.
- Subaybayan at sanayin muli. I-update ang dataset habang lumalabas ang mga bagong uri ng depekto (concept drift).
Tatlong Mini Case: Sa pamamagitan ng Mga Numero
Kaso 1 — Mapanlinlang na katumpakan. Nagbenta ang isang supplier ng system na nagsasabing "97% tumpak ang aming modelo." Nadagdagan ang pagbabalik ng customer sa field. Ang pagsusuri ay nagpakita na ang sensitivity ng klase ng depekto ay 61% lamang, ibig sabihin, 39 sa bawat 100 totoong depekto ang napalampas. Mataas ang katumpakan dahil ang karamihan sa tela ay flawless na. Muling inayos ang threshold at idinagdag ang kontrol ng tao; ang sensitivity ay tumaas sa 92%, ang mga maling positibo ay inalis ng operator.
Kaso 2 — Paglipat ng ilaw. Sa isang linya, ang mga maling positibo ay triple nang tumama ang sikat ng araw sa lugar ng inspeksyon; Inakala ng modelo na ang mga anino ay mantsa. Ang problema ay nalutas kapag ang kondisyon ng pagtingin (sarado na cabinet, pare-pareho ang LED lighting) ay na-standardize. Aralin: ang pag-setup ng imaging ay tungkol sa kalidad ng modelo.
Kaso 3 — Oras at paggawa. Ang isang negosyo ay gumugol ng average na 9 na minuto nang manu-mano sa pag-inspeksyon ng 100 metro ng tela. Gamit ang camera pre-scanning + operator confirmation model, ang oras ay nabawasan sa 4 na minuto at ang pagtagas ay nabawasan dahil ang operator ay nagbigay pansin lamang sa mga minarkahang lugar. Ang kritikal ay ang pag-automate ang nagpatalas hindi ang operator, ngunit ang mata ng operator.
Mahina Prompt / Malakas na Prompt
Tandaan: Ang mga nakatalagang system na direktang sinusuri ang depektong imahe ay hiwalay; dito ginagamit namin ang AI para sa disenyo ng proseso, pagsusuri ng data at ulat.
Mahinang prompt:
Sabihin mo sa akin, maganda ba ang aming defect detection model?
Napakahusay na prompt:
Ang iyong tungkulin: Textile quality engineer at data analyst. Nasa ibaba ang mga resulta ng pagsubok ng defect detection model (confusion matrix:true positive, false positive, false negative, true negative).Gawain:1) Kalkulahin ang sensitivity at precision para sa depektong klase, ipakita ang formula.2) Ipaliwanag sa mga numerong ito kung bakit ang pangkalahatang katumpakan ay maaaring mapanlinlang.3) Magkomento sa panganib na ito ng negatibong epekto ng negosyo4. setting ng threshold at inspeksyon ng tao.Mga Numero: [matrix]
Mga Kopyadong Template
1) Pagkalkula at interpretasyon ng panukat:
Kalkulahin ang sensitivity, precision at F1 na marka mula sa sumusunod na confusion matrix, isulat ang bawat formula at bigyang-katwiran kung alin ang mas kritikal sa mga tuntunin ng kalidad. Matrix: [TP, FP, FN, TN]
2) Maling negatibong ugat na sanhi:
Nasa ibaba ang listahan ng tampok ng mga napalampas na (false negatibo) na mga depekto (uri ng depekto, kulay, liwanag, bilis). Bumuo ng mga karaniwang hypothesis ng pattern at magmungkahi ng pagsubok sa pag-verify para sa bawat hypothesis. Data: [listahan]
3) Conversion sa 4-point na puntos:
I-convert ang sumusunod na detection output sa isang 4-point system: markahan ang bawat depekto ayon sa haba nito, kalkulahin ang kabuuang iskor sa bawat 100 m², ihambing sa marka ng [threshold] at magrekomenda ng pagtanggap/pagtanggi. Listahan ng depekto: [listahan]
4) Draft ng ulat ng inspeksyon:
Kumuha ng executive summary mula sa sumusunod na shift defect data: nangungunang 3 depekto, posibleng pinagmulan ng proseso (hypothesis), kabuuang rate ng pagtanggi, at mga inirerekomendang aksyon. Huwag gumawa ng mga numero, gamitin lamang ang ibinigay. Data: [talahanayan]
Chart ng Paghahambing ng Sukatan
pamantayan
Anong mga sukat
Masarap ba maging mataas?
Kahalagahan sa kalidad
Katumpakan
Pangkalahatang tamang rate
Maaaring nakaliligaw
Mababa sa hindi balanseng data
Sensitivity (recall)
Nahuli ang aktwal na rate ng depekto
Oo
Nagbaba ng maling negatibo (kritikal)
Katumpakan
Ang katotohanan ng iyong sinasabi ay isang kapintasan
Oo
Binabawasan ang mga maling positibo/basura
maling negatibo
nakatakas sa depekto
Hindi, ito ay dapat na mababa
Panganib ng mga may sira na kalakal sa customer
maling positibo
walang laman na alarma
Hindi ngunit ito ay kinukunsinti
Kahusayan/bilis ng pagkawala
Pansin: Ang automated system ay isang "pre-screener", hindi isang "approver". Ang panghuling desisyon sa pagtanggap sa kalidad ay nangangailangan ng pag-apruba ng isang karampatang opisyal ng kalidad, lalo na para sa mga batch na napapailalim sa kontrata ng customer. Pinapabilis ng modelo ang kontrol ng tao, ngunit hindi ito pinalalabas.
Mga karaniwang pagkakamali
- Upang tumingin sa katuwiran at masiyahan. Itinatago ng mataas na katumpakan ang mga artifact sa hindi balanseng data.
- Ang pagpapabaya sa kondisyon ng pagtingin. Kung walang patuloy na pag-iilaw at patuloy na bilis ang modelo ay hindi maaasahan.
- Hindi sinusuri ang kalidad ng label. Ang modelong sinanay na may maling label ay hindi natututo nang tama.
- Nakakalimutan ang bagong uri ng depekto. Kung hindi na-update ang data para sa mga bagong depekto na lumilitaw sa paglipas ng panahon, tahimik na bababa ang pagganap.
- Pinutol ang mga tao. Ang kritikal na desisyon sa pagtanggap ay nangangailangan ng pag-apruba ng tao.
Sa buod
Ang pagpoproseso ng imahe ay lubos na nagpapabilis sa pag-inspeksyon ng tela at nagbabayad para sa pagkapagod ng tao. Ngunit ang kanyang pagganap ay hindi binabasa nang may katumpakan, ngunit sa pagiging sensitibo at katumpakan ng klase ng kapintasan; Ang maling negatibo ay ang pinaka-mapanganib na error sa kalidad. Ang matatag na kondisyon ng imaging, kalidad ng label at human-in-the-loop na inspeksyon ay ang tatlong mga haligi ng pagiging maaasahan ng system. Ang awtomatikong output ay isang paunang screening; Ang huling desisyon sa pagtanggap ay nananatili sa pag-apruba ng engineer.
Gawain ng aplikasyon
Tumukoy ng isang halimbawa ng confusion matrix para sa isang defect detection system (hal. 100 defective, 4900 perpektong sample). Magkaroon ng sensitivity, precision at F1 na kalkulahin gamit ang template na "metric calculation" sa unit na ito; pagkatapos ay suriin nang manu-mano ang mga resulta. Talakayin sa isang talata kung ano ang mangyayari sa mga maling positibo kapag binago mo ang threshold upang hatiin ang maling negatibo sa parehong matrix, at magpasya kung aling balanse ang tama para sa iyong produkto.
checklist
- [ ] Sinusuri ko ang pagganap ayon sa pagiging sensitibo/katumpakan, hindi katumpakan.
- [ ] Binibigyang-kahulugan ko ang panganib ng mga maling negatibo kasama ng epekto sa negosyo.
- [ ] Na-standardize ko ang mga kondisyon sa panonood (liwanag, bilis).
- [ ] Regular kong sinusuri ang kalidad ng label at mga bagong uri ng depekto.
- [ ] Inilalagay ko ang pag-apruba ng tao sa huling desisyon sa pagtanggap; Ang modelo ay pre-sifter lamang.