Прибуток:
- Здатність пояснити, як дефекти на поверхні тканини виявляються та класифікуються за допомогою обробки зображень і машинного навчання.
- Можливість інтерпретувати хибно позитивний/негативний баланс, 4-бальну систему оцінки та показники ефективності моделі
- Можливість розробити установку перевірки, яка перевіряє результати автоматичного виявлення дефектів за допомогою перевірки людиною та фізичної перевірки
Протягом багатьох років контроль якості тканини покладався на людське око: оператор годинами спостерігає за тканиною на освітленому оглядовому столі, позначаючи та оцінюючи будь-які дефекти, які він бачить. Ця робота виснажлива, суб'єктивна, схильна до втоми та помилок; Наприкінці зміни увага не така загострена, як на початку. Комп’ютерний зір і машинне навчання обіцяють автоматизувати цю перевірку: високошвидкісна камера сканує тканину, виявляючи та класифікуючи візерунок дефектів за секунди. У цьому розділі ми обговоримо, як працює ця система, критерії, за якими вона оцінюється, і чому людський контроль все ще необхідний.
Дефекти тканини та мова перевірки
Щоб зрозуміти автоматичне виявлення, спочатку необхідно знати назву дефектів. Типові дефекти тканого полотна: розрив основи (відсутність поздовжньої нитки), дефект качка/сполучення (поперечна лінія), отвір, пляма, товсте/тонке місце, відскок основи. У трикотажному полотні: слід голки (поздовжня лінія, від несправності голки), блукаючий стібок, отвір, різниця товщини. Під час друку та фарбування: різниця кольорів, абраже (нерівномірність фарбування), ковзання, бризки.
Результати перевірки часто оцінюють за чотирибальною системою: кожен дефект отримує 1-4 бали відповідно до його поздовжньої довжини (наприклад, 1 бал до 8 см, 4 бали понад 15 см) і розраховується загальна оцінка на 100 м². Нижче порогового значення (наприклад, 40 балів/100 м²) вважається «прийнятним», вище — «відхиленням». Автоматизоване підрахунок балів за допомогою ШІ має імітувати цей стандарт; Він не повинен створювати власну довільну оцінку.
Порада. Вихідні дані автоматизованої системи завжди мають бути конвертовані у ваш прийнятний стандарт оцінки (наприклад, 4 бали) і допуск клієнта. «Модель виявила 12 аномалій» сама по собі не означає прийняття бізнес-рішення; Це потрібно конвертувати в бали і рішення.
Як працює автоматичне виявлення дефектів?
Сучасні системи часто поєднують обидва підходи. Контрольована класифікація — це коли штучна нейронна мережа (особливо відповідна згорткова нейронна мережа, англ. CNN), навчена тисячам попередньо позначених прикладів дефектів, передбачає, чи є дефект у новому зображенні та його тип. Виявлення аномалій, з іншого боку, вивчає «нормальну» структуру та позначає все, що відхиляється від норми, як кандидат на дефект; Це працює для рідкісних дефектів, які раніше не зустрічалися, оскільки немає необхідності заздалегідь позначати кожен тип дефекту.
Ми читаємо продуктивність системи за двома основними критеріями. Чутливість (відкликання): який відсоток реальних дефектів він виявив? Точність: який відсоток того, що вони назвали недоліком, насправді є недоліком? Між цими двома є баланс. Помилковий негатив (відсутність дефекту) означає, що клієнту доставлено неякісні товари; Хибний результат (позначення ідеального як дефектного) означає непотрібні витрати та сповільнення. У критично важливому для якості застосуванні поріг, як правило, вибирається для підтримки низького рівня хибно-негативних результатів, тоді як кількість хибно-позитивних результатів проходить швидку повторну перевірку людиною-оператором.
Тут криється критична пастка: сама по собі точність вводить в оману. На виробничій лінії, можливо, 2% тканини є дефектними. Дурна модель, яка називає все «ідеальним», повідомляє про 98% точності, але не вловлює жодного недоліку. Тому в незбалансованих даних враховується не чутливість і точність класу дефекту, а точність.
Крок за кроком: Оцінка системи виявлення
- Зберіть репрезентативні дані. Зображення, що охоплюють фактичну різноманітність тканини (колір, текстура, освітлення), яку система бачитиме; Включаючи рідкісні дефекти.
- Перевірте якість етикетки. Якщо навчальні мітки неправильні, модель також навчається неправильно; Випробуйте етикетки експертним оком.
- Виміряйте чутливість/точність. Окремо для класу дефектності; Не дивіться лише на загальну точність.
- Вивчіть помилкові негативи. Чи мають пропущені дефекти спільну ознаку (певний колір, певне освітлення)?
- Налаштувати людину в петлі. Дозвольте оператору підтвердити те, що позначено моделлю; спрямовувати непевне на людей.
- Контролювати та перенавчати. Оновлюйте набір даних у міру появи нових типів дефектів (дрейф концепції).
Три міні-кейси: у цифрах
Випадок 1 — точність, що вводить в оману. Постачальник продав систему, заявивши, що "наша модель точна на 97%". Повернення клієнтів зросли в полі. Аналіз показав, що чутливість класу дефектів становила лише 61%, тобто 39 із кожних 100 справжніх дефектів були пропущені. Точність була високою, оскільки більша частина тканини вже була бездоганною. Переналаштовано поріг і додано керування людиною; чутливість підвищилася до 92%, помилкові спрацьовування були усунені оператором.
Випадок 2 — Зсув освітлення. В одному рядку кількість помилкових спрацьовувань потроїлася, коли післяобіднє сонячне світло потрапляло на зону перевірки; Модель вважала тіні плямами. Проблема була вирішена, коли стандартизувалися умови перегляду (закрита шафа, постійне світлодіодне освітлення). Урок: налаштування зображення так само важливі для якості, як і модель.
Кейс 3 — Час і праця. Підприємство витрачало в середньому 9 хвилин на ручну перевірку 100 метрів тканини. За допомогою моделі попереднього сканування камерою + підтвердження оператором час скоротився до 4 хвилин, а витік зменшився, оскільки оператор звертав увагу лише на позначені ділянки. Важливим було те, що автоматизація відточувала не оператора, а око оператора.
Слабка підказка / Сильна підказка
Примітка. Спеціалізовані системи, які безпосередньо аналізують зображення дефекту, є окремими; тут ми використовуємо штучний інтелект для проектування процесу, оцінки даних і звітування.
Слабка підказка:
Скажіть, чи хороша наша модель дефектоскопії?
Потужна підказка:
Ваша роль: інженер із якості текстилю та аналітик даних. Нижче наведено результати тестування моделі виявлення дефектів (матриця плутанини: істинний позитивний результат, хибний позитивний результат, хибний негативний результат, справжній негативний результат). Завдання: 1) Обчисліть чутливість і точність для класу дефекту, покажіть формулу. 2) Поясніть за допомогою цих чисел, чому загальна точність може вводити в оману. 3) Прокоментуйте вплив на бізнес ризику помилкових негативи в цьому виробництві. 4) Надайте конкретну пропозицію щодо встановлення порогу та перевірки людиною. Числа: [матриця]
Шаблони, які можна копіювати
1) Розрахунок і інтерпретація показників:
Обчисліть чутливість, точність і оцінку F1 за наступною матрицею помилок, запишіть кожну формулу та обґрунтуйте, яка з них є більш критичною з точки зору якості. Матриця: [TP, FP, FN, TN]
2) Хибно негативна першопричина:
Нижче наведено список пропущених (помилково негативних) дефектів (тип дефекту, колір, світло, швидкість). Створіть загальні шаблонні гіпотези та запропонуйте перевірку для кожної гіпотези. Дані: [список]
3) Перетворення на 4 бали:
Перетворіть наступні результати виявлення в 4-бальну систему: оцініть кожен дефект відповідно до його довжини, обчисліть загальний бал на 100 м², порівняйте з [пороговим] балом і порекомендуйте прийняти/відхилити. Список дефектів: [список]
4) Проект акта перевірки:
Отримайте підсумковий підсумок із таких даних про дефекти зміни: 3 найпоширеніші дефекти, можливе джерело процесу (гіпотеза), загальний рівень відмов і рекомендовані дії. Не придумуйте цифри, просто використовуйте те, що вам дано. Дані: [таблиця]
Діаграма порівняння показників
критерій
Які заходи
Чи добре бути високим?
Важливість якості
Точність
Загалом правильний курс
Може ввести в оману
Мало незбалансованих даних
Чутливість (відкликання)
Виявлено фактичну кількість дефектів
так
Скидає помилкові негативні (критичні)
Точність
Правда того, що ви говорите, є недоліком
так
Зменшує помилкові спрацьовування/відходи
помилково негативний
униклий дефект
Ні, має бути низьким
Ризик неякісного товару для клієнта
помилково спрацьовує
порожня сигналізація
Ні, але це терпимо
Втрата ефективності/швидкості
Увага: автоматизована система є «попередньою перевіркою», а не «затверджувачем». Остаточне рішення щодо якості вимагає схвалення компетентного спеціаліста з якості, особливо для партій, що підлягають контракту із замовником. Модель прискорює контроль людини, але не звільняє його.
Поширені помилки
- Щоб дивитися на справедливість і бути задоволеним. Висока точність приховує артефакти в незбалансованих даних.
- Нехтування умовою перегляду. Без постійного освітлення і постійної швидкості модель ненадійна.
- Не перевіряється якість етикетки. Модель, навчена з неправильною міткою, навчається неправильно.
- Забуття нового типу дефекту. Якщо дані не оновлюються для виявлення нових дефектів, які з’являються з часом, продуктивність мовчки знизиться.
- Вирізання людей. Важливе рішення про прийняття вимагає схвалення людини.
Підсумовуючи
Обробка зображення значно прискорює перевірку тканини та компенсує втому людини. Але його виконання читається не з точністю, а з чутливістю і точністю класу недоліків; Помилковий негатив - найнебезпечніша помилка якості. Стабільний стан зображення, етикетка якості та перевірка людиною в циклі є трьома стовпами надійності системи. Автоматичний вихід - попередній відбір; Остаточне рішення про прийняття залишається за схваленням інженера.
Аплікаційне завдання
Визначте приклад матриці плутанини для системи виявлення дефектів (наприклад, 100 дефектних, 4900 ідеальних зразків). Мати чутливість, точність і F1, обчислені за допомогою шаблону «обчислення метрики» в цьому пристрої; потім перевірте результати вручну. Обговоріть в абзаці, що відбувається з хибно-позитивними результатами, коли ви змінюєте поріг, щоб зменшити хибно-негативні результати вдвічі в тій самій матриці, і вирішіть, який баланс підходить для вашого продукту.
контрольний список
- [ ] Я оцінюю продуктивність за чутливістю/точністю, а не за точністю.
- [ ] Я розумію ризик хибних негативних результатів разом із впливом на бізнес.
- [ ] Я стандартизував умови перегляду (світло, швидкість).
- [ ] Я регулярно перевіряю якість етикеток і нові типи дефектів.
- [ ] Я схвалюю остаточне рішення про прийняття; У моделі лише попередній сит.