Kontrol sa kalidad ng linya ng produksyon: pagtuklas ng depekto sa paningin

Mga nadagdag:

• Pag-unawa sa daloy ng trabaho ng surface, welding at pag-detect ng depekto sa pagpupulong sa linya ng produksyon ng automotive na may machine vision
• Kakayahang gumamit ng artificial intelligence sa isang structured na paraan sa pagbuo ng isang dataset ng imahe, pag-label, pagsasanay sa modelo at pagtukoy ng threshold
• Kakayahang i-verify ang kalidad ng desisyon sa pamamagitan ng pagsasaalang-alang sa pagtakas at maling rate ng pagtanggi, bilis ng linya at kumpiyansa ng operator

Ang isang kotse ay binubuo ng libu-libong bahagi, at bawat isa ay dumadaan sa linya sa loob ng ilang segundo. Ito ay parehong nakakapagod at hindi pare-pareho upang siyasatin ang bawat hinang, bawat ibabaw ng pintura, bawat pagpupulong nang walang anumang mga pagkakamali sa mata ng tao; napapagod ang mga mata, naagaw ang atensyon. Dito pumapasok ang machine vision at artificial intelligence: kinukunan ng camera ang mga bahagi, isang modelo ng AI ang nag-flag ng depekto sa loob ng isang segundo. Sa yunit na ito, tatalakayin natin kung paano itinatag ang kontrol sa kalidad ng imahe sa paggawa ng sasakyan, ang papel ng AI at ang pinaka-kritikal na isyu, ang balanse ng error.

Mga tipikal na visual na depekto sa automotive

Ang mga pangunahing uri ng mga depekto na sinuri ng biswal:

• Mga depekto sa ibabaw/pintura: balat ng orange (magaspang na pintura), mga bula ng alikabok, pagdurugo, mga gasgas, pagkakaiba ng kulay.
• Mga depekto sa weld: hindi kumpletong weld, spatter, porosity, mispositioned spot weld.
• Mga depekto sa pagpupulong: nawawalang bolt, hindi wastong pagkaka-install ng clip, reverse seal, maluwag na connector.
• Label/marka: illegible VIN, maling label, nawawalang stamp.

Ang ilan sa mga depektong ito ay aesthetic lamang (maliit na mga gasgas), habang ang iba ay kritikal sa kaligtasan (ang hindi kumpletong welding ay maaaring humantong sa isang nakakapagod na crack sa isang joint ng katawan). Tinutukoy ng pagkakaibang ito ang lahat ng kasunod na desisyon.

Tip: Huwag ituring ang bawat kapintasan nang may parehong kaseryosohan. Ang pagdaragdag ng tag na "aesthetic/functional/safety-critical" kapag nag-uuri ng isang depekto ay susi sa tamang threshold at lohika ng desisyon.

Dalawang pangunahing diskarte: pinangangasiwaang pag-uuri at pagtuklas ng anomalya

Mayroong dalawang pangunahing diskarte para sa pagtukoy ng visual na depekto:

1. Pinangangasiwaang pag-uuri/pagtukoy: Itinuturo mo ang modelo sa pamamagitan ng pagpapakita dito ng maraming may label na larawan na nagsasabing "narito ang mga may sira na halimbawa, narito ang mga perpektong halimbawa." Ito ay makapangyarihan kung alam mo ang mga uri ng mga depekto at may sapat na mga halimbawa. Hamon: mahirap mangolekta ng sapat na mga sample ng mga bihirang depekto (isang linya ay halos palaging gumagawa ng mga solidong bahagi).
2. Pagtuklas ng anomalya: Nagpapakita ka lang ng mga "normal/matatag" na larawan sa modelo; natutunan ng modelo kung ano ang hitsura ng normal at minarkahan ang anumang bagay na lumihis mula sa normal bilang isang "anomalya." Maaari itong makakuha ng bago/hindi inaasahang mga depekto kahit na hindi mo alam ang uri ng depekto nang maaga. Pinagkakahirapan: maaaring ipagkamali ang anumang paglihis bilang isang fault (tulad ng pagbabago sa ilaw).

Sa pagsasagawa, ang dalawa ay ginagamit nang magkasama: ang pagtuklas ng anomalya ay nagsasabing "may kakaiba dito", sabi ng pag-uuri na "ito ay isang mapagkukunang bounce".

Hakbang-hakbang: pag-set up ng isang visual na sistema ng inspeksyon

1. Catalog ng depekto at pamantayan sa pagtanggap: Tukuyin kasama ng mga de-kalidad na inhinyero kung aling depekto ang tinatanggap/tinanggihan. Ito ang "katotohanan" ng modelo.
2. Pagkuha ng larawan: Ang pare-pareho, pare-parehong pag-iilaw at posisyon ng camera ay kritikal. Ang mahina/hindi matatag na pag-iilaw ay ang pinakakaraniwang sanhi ng pagkabigo.
3. Pag-label: Ang mga eksperto ay nagmamarka ng mga depekto; Ang gabay sa pag-label ay mahalaga para sa pagkakapare-pareho.
4. Pagsasanay sa modelo: Sinanay ang isang pinangangasiwaang modelo at/o anomalya.
5. Thresholding: Ang modelo ay nagbibigay ng "probability ng depekto"; Ito ay ang threshold sa itaas kung saan ang posibilidad ay isasaalang-alang mo bilang "pagtanggi". Ito ang pinakamahalagang desisyon sa negosyo (sa ibaba).
6. Pagsasama ng linya: Ang modelo ay gumagawa ng desisyon, ang mga kahina-hinalang bahagi ay nakadirekta sa operator/istasyon.
7. Pagsubaybay at muling pagsasanay: Ang modelo ay ina-update habang ang mga bagong uri ng depekto, pana-panahong pagbabago, mga bagong bahagi ay magagamit.

Ang pinaka-kritikal na isyu: balanse ng pagtagas at maling pagtanggi

Mayroong dalawang mga error sa pagtukoy ng depekto at ang kanilang mga gastos ay ibang-iba sa automotive:

• Leak (escape / false negative): Ang may sira na piraso ay itinuturing na "mabuti" at dumadaan sa linya. Sa piraso ng kaligtasan, nangangahulugan ito ng isang may sira na sasakyan na papunta sa field, isang reklamo ng customer, o kahit isang pagpapabalik. Ang pinakamahal na pagkakamali.
• Maling pagtanggi (false reject / false positive): Ang buo na bahagi ay itinuturing na "depekto" at tinanggihan. Nangangahulugan ito ng basura, hindi kinakailangang muling paggawa, pagbagal ng linya; Masakit, ngunit hindi ito nagdudulot ng panganib sa kaligtasan.

hangganan ng desisyon

takas

maling pagtanggi

kailan?

Maluwag (mataas na threshold)

Tumataas (mapanganib)

bumababa

Huwag kailanman sa track ng seguridad

Mahigpit (mababang threshold)

bumababa

Tumataas (mahal)

Sa mga bahaging kritikal sa kaligtasan

balanse

daluyan

daluyan

Sa mga aesthetic na depekto

Pag-iingat: Sa isang kritikal na bahagi sa kaligtasan (preno, pagpipiloto, hinang ng katawan) ang sill ay palaging pinananatiling mahigpit upang mabawasan ang pagtagas; Ang kahina-hinalang piraso ay nakadirekta sa tao. Ang pag-relax sa threshold dahil "mahal ang maling pagtanggi" ay hindi katanggap-tanggap sa bahagi ng seguridad.

Dibisyon ng paggawa ng tao-machine

Sa isang mahusay na itinatag na sistema, ang modelo ay hindi ang panghuling gumagawa ng desisyon; Ito ay isang "pre-screener". Nahuhuli ng modelo ang mga halatang bahid at ibinabalik sa tao ang hindi nila sigurado. Nagbibigay-daan ito sa operator na tumuon sa 30 kahina-hinalang bahagi sa halip na tumingin sa 1,000 bahagi. Mahalaga rin ang kumpiyansa ng operator: kung ang modelo ay gumagawa ng napakaraming maling alarma, hihinto ang operator na seryosohin ang mga alerto ("pagkapagod ng alarm"). Kaya naman sinusubaybayan din ang false rejection rate.

Mini case study

Kaso 1 - Bitag sa pag-iilaw. Habang ang isang modelo ng inspeksyon ng pintura ay 98% matagumpay sa laboratoryo, bumaba pa ito sa 80%. Repasuhin: ang pag-iilaw sa kisame sa linya ay nagbabago sa araw, isinasaalang-alang ng modelo ang pagkakaiba sa liwanag bilang isang "depekto". Kapag idinagdag ang fixed tunnel lighting, tataas ang tagumpay sa 97%. Konklusyon: Ang kalidad ng imahe ay maaaring maging mas mapagpasyahan kaysa sa modelo.

Kaso 2 - Halaga ng pagtagas. Sa isang hull weld inspeksyon ang threshold ay bahagyang nakakarelaks "para sa kahusayan"; Ang maling pagtanggi ay bumaba mula 6% hanggang 3%, ngunit makalipas ang isang buwan, ang mga weld crack ay naiulat sa dalawang sasakyan sa field. Ang pagsusuri sa ugat ay nagpapakita na ang rate ng pagtagas ay tumaas. Ang threshold ay muling hinihigpitan at ang mga kahina-hinalang bahagi ay dinadala sa ilalim ng 100% kontrol ng tao. Konklusyon: Ang pagbabawas ng pagtagas sa bahaging pangkaligtasan ay palaging inuuna kaysa sa maling pagtanggi.

Kaso 3 - Pambihirang depekto. Paminsan-minsan ay lumalabas ang napakaliit na burr defect mula sa isang bagong injection mol, ngunit halos walang mga halimbawa ng depektong ito sa pagsasanay ng pinangangasiwaang modelo, kaya nakakaligtaan ito. Kapag ang modelo ng pagtuklas ng anomalya ay na-activate, ito ay nakikita bilang isang "paglihis mula sa normal". Konklusyon: Ang pagtuklas ng anomalya para sa mga bihirang/bagong mga depekto ay umaakma sa pinangangasiwaang modelo.

agarang mga template

Template 1 - Catalog ng depekto at pag-uuri ng kalubhaan:

Tungkulin: Ikaw ay isang automotive quality engineer. Gawain: Pagbukud-bukurin ang sumusunod na listahan ng mga depekto sa mga klase ng kalubhaan. Konteksto: Body weld line; mga depekto: splatter, pores, nawawalang spot, bahagyang pagkakaiba ng kulay, scratch surface.Constraint: Lagyan ng label ang bawat depekto bilang aesthetic/functional/safety-critical at magmungkahi ng desisyon (acceptance/human check/rejection).Output: Defect | kahalagahan | iminungkahing desisyon | talahanayan ng pagbibigay-katwiran.

Template 2 - Gabay sa pag-label:

Tungkulin: Lead ng kalidad ng pag-label ng larawan. Gawain: Sumulat ng mga tuntunin sa pagkakapare-pareho para sa pag-label ng depekto ng pintura. Konteksto: Balatan ng kahel, run, bula ng alikabok; May mga larawang kinunan sa ilalim ng iba't ibang ilaw.Output: Panuntunan | halimbawa | estado ng limitasyon | tala ng tagger.

Template 3 - Pagbibigay-kahulugan sa threshold/metric na desisyon:

Tungkulin: Machine vision evaluator.Gawain: Bigyang-kahulugan ang sumusunod na talahanayan ng threshold ng desisyon.Konteksto: Resource na kritikal sa seguridad; sa threshold A, ang pagtagas ay 0.3%, ang maling pagtanggi ay 5%; pagtagas sa threshold B 1.2% maling pagtanggi 2%.Pagpigil: Sundin ang priyoridad sa seguridad; Ipaliwanag kung aling threshold ang inirerekomenda mo at kung bakit, at idagdag ang hakbang ng kontrol ng tao. Output: Rekomendasyon + katwiran + natitirang panganib.

Template 4 - Pagsusuri ng ugat na sanhi:

Tungkulin: Ikaw ay isang de-kalidad na inhinyero.Gawain: Ilista ang mga posibleng ugat ng mga depekto sa spatter na tumaas sa nakalipas na 3 shift.Konteksto: Robotic spot welding; Ang pagpapalit ng elektrod ay ginawa 2 araw ang nakalipas; naayos ang kasalukuyang setting.Output: Posibleng dahilan | pagsusuri ng pagpapatunay | priority.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Gumawa ng isang modelo na nakakahanap ng mga may sira na bahagi.

Hindi malinaw kung aling kapintasan, kung aling kahalagahan, aling threshold, aling desisyon; Walang silbi ang resulta.

Napakahusay na prompt:

Tungkulin: Ikaw ay isang automotive quality at machine vision engineer. Gawain: Gumawa ng checklist ng disenyo para sa isang body weld vision system. Konteksto: Safety-critical spot welding; mataas ang bilis ng linya; May mga bihirang depekto; illumination variable.Constraint: Unahin ang pagliit ng leakage; tukuyin kung paano pagsamahin ang pagtuklas ng anomalya sa pinangangasiwaang pag-uuri at hakbang sa pagkontrol ng tao; ginagarantiyahan ang 'zero errors'.Output: Stage | mungkahi | panganib | talahanayan ng pagpapatunay.

Mga karaniwang pagkakamali

• Pagpapabaya sa liwanag/kalidad ng larawan. Ang masamang imahe ay sumisira kahit na ang pinakamahusay na modelo.
• Isinasaalang-alang ang pagtagas at maling pagtanggi ay pantay. Ang pagtagas sa mga bahagi ng kaligtasan ng sasakyan ay mas mahal.
• Umaasa lamang sa pinangangasiwaang modelo para sa mga bihirang depekto. Ang pagtuklas ng anomalya ay pantulong.
• Gawing panghuling gumagawa ng desisyon ang modelo. Ang mga kahina-hinalang bahagi ay dapat idirekta sa mga tao.
• Nakakalimutan ang muling pagsasanay. Ginagawang luma ang modelo dahil sa mga bagong bahagi, bagong hulma, at pana-panahong pagbabago.

Sa buod

• Ang machine vision at AI ay mabilis at tuluy-tuloy na nag-inspeksyon para sa surface, weld at assembly na mga depekto sa linya ng sasakyan.
• Malakas ang pinangangasiwaang pag-uuri sa mga kilalang depekto, malakas ang pagtuklas ng anomalya sa mga bihirang/bagong depekto; pareho silang ginagamit.
• Ang pinaka-kritikal na desisyon ay ang threshold: ang pagtagas (false negatibo) ay pinaliit sa bahaging kritikal sa kaligtasan, ang kahina-hinalang bahagi ay napupunta sa tao.
• Ang kalidad ng imahe at pag-iilaw ay kadalasang mas mapagpasyahan kaysa sa modelo.
• Ang modelo ay isang pre-sifter; Ang huling desisyon sa kalidad at responsibilidad sa kaligtasan ay nasa tao.

Gawain ng aplikasyon

Pumili ng bahagi/istasyon (hal. front bumper assembly). (1) Ilista ang mga posibleng depekto at lagyan ng label ang bawat isa bilang aesthetic/functional/safety-critical. (2) Sa Template 3, ihambing ang dalawang opsyon sa threshold para sa pagtagas/maling pagtanggi at bigyang-katwiran ang isang rekomendasyon. (3) Ipaliwanag kung gagamit ka ng pinangangasiwaang pagtukoy o anomalya para sa isang pambihirang depekto. (4) Tukuyin ang hakbang sa pagkontrol ng tao at ang trigger ng muling pagsasanay.

checklist

• [ ] Hinati ko ang mga depekto sa mga klase ng kalubhaan (aesthetic/functional/safety-critical).
• [ ] Sinuri ko ang balanse ng ilegal at maling pagtanggi sa desisyon ng threshold.
• [ ] Inuna ko ang pagtagas sa bahaging kritikal sa seguridad.
• [ ] Inilagay ko ang pinangangasiwaan at anomalya na mga approach sa naaangkop na lugar.
• [ ] Tinukoy ko ang kalidad ng imahe/kailangan sa pag-iilaw.
• [ ] Tinukoy ko ang hakbang sa pagkontrol ng tao at ang plano sa muling pagsasanay.