Контроль якості виробничої лінії: візуальне виявлення дефектів

Прибуток:

• Розуміння робочого процесу виявлення дефектів поверхні, зварювання та складання на автомобільній виробничій лінії за допомогою машинного бачення
• Здатність використовувати штучний інтелект у структурований спосіб для створення набору даних зображення, маркування, навчання моделі та визначення порогу
• Можливість перевірити якісне рішення, враховуючи частоту втечі та помилкових відмов, швидкість лінії та впевненість оператора

Автомобіль складається з тисяч частин, і кожна з них проходить через лінію за секунди. Перевіряти людським оком кожен зварний шов, кожну поверхню фарби, кожну збірку без будь-яких помилок – це і втомливо, і непослідовно; очі втомлюються, увага розсіюється. Ось де на допомогу приходять машинне зір і штучний інтелект: камери знімають деталі, модель AI позначає дефект менш ніж за секунду. У цьому розділі ми обговоримо, як налагоджено контроль якості зображення в автомобільному виробництві, роль штучного інтелекту та найважливіше питання – баланс помилок.

Типові візуальні дефекти в автомобілях

Основні види дефектів, що перевіряються візуально:

• Дефекти поверхні/фарби: апельсинова кірка (груба фарба), бульбашки пилу, кровотечі, подряпини, різниця кольорів.
• Дефекти зварювання: неповне зварювання, бризки, пористість, неправильне розташування точкового зварювання.
• Дефекти збірки: відсутній болт, неправильно встановлений затиск, перевернуте ущільнення, ослаблений роз'єм.
• Етикетка/марка: нерозбірливий VIN, неправильна етикетка, відсутня печатка.

Деякі з цих дефектів є просто естетичними (дрібні подряпини), а інші критичні для безпеки (неповне зварювання може призвести до втомної тріщини в з’єднанні корпусу). Це розрізнення визначає всі подальші рішення.

Порада: не ставтеся до кожного недоліку з однаковою серйозністю. Додавання тега «естетичний/функціональний/важливий для безпеки» під час класифікації дефекту є ключовим для правильного порогового значення та логіки прийняття рішень.

Два основних підходи: контрольована класифікація та виявлення аномалій

Існує дві основні стратегії виявлення візуальних дефектів:

1. Контрольована класифікація/виявлення: ви навчаєте модель, показуючи їй багато зображень із мітками: «ось дефектні приклади, ось ідеальні приклади». Це потужно, якщо ви знаєте типи дефектів і маєте достатньо прикладів. Проблема: важко зібрати достатню кількість зразків рідкісних дефектів (лінія майже завжди виробляє суцільні деталі).
2. Виявлення аномалій: ви показуєте моделі лише "нормальні/надійні" зображення; модель дізнається, як виглядає норма, і позначає все, що відхиляється від норми, як «аномалію». Він може виявляти нові/несподівані дефекти, навіть якщо ви заздалегідь не знаєте тип дефекту. Складність: може прийняти будь-яке відхилення за помилку (наприклад, зміна освітлення).

На практиці обидва використовуються разом: виявлення аномалії каже, що "тут є щось дивне", класифікація говорить, що це відмова ресурсу.

Крок за кроком: налаштування системи візуального контролю

1. Каталог дефектів і критерії прийнятності: визначте з інженерами з якості, який дефект прийнято/відхилено. Це «правда» моделі.
2. Отримання зображення: постійне, рівномірне освітлення та положення камери є критичними. Погане/нестабільне освітлення є найпоширенішою причиною несправності.
3. Маркування: Експерти маркують дефекти; Вказівки щодо маркування є важливими для узгодженості.
4. Навчання моделі: навчається модель під наглядом та/або модель аномалії.
5. Порогове значення: модель дає «ймовірність дефекту»; Це поріг, вище якого ймовірність буде розглядатися як "відмова". Це найважливіше бізнес-рішення (нижче).
6. Лінійна інтеграція: модель приймає рішення, підозрілі частини направляються оператору/станції.
7. Моніторинг і перенавчання: Модель оновлюється в міру появи нових типів дефектів, сезонних змін, нових деталей.

Найбільш критична проблема: баланс витоку та хибного відхилення

Існує дві помилки у виявленні дефектів, вартість яких дуже різна в автомобільній промисловості:

• Витік (вихід/хибний негатив): дефектний шматок вважається «хорошим» і проходить через лінію. Щодо запобіжної частини це означає несправний автомобіль, який виїжджає на поле, скаргу клієнта або навіть відкликання. Найдорожча помилка.
• Помилкове відхилення (помилкове відхилення / помилкове спрацьовування): непошкоджена частина вважається «дефектною» та відхиляється. Це означає марнотратство, непотрібну переробку, сповільнення лінії; Це боляче, але це не становить загрози безпеці.

поріг прийняття рішення

втікач

помилкова відмова

коли?

Вільний (високий поріг)

Збільшується (небезпечно)

зменшується

Ніколи не на шляху безпеки

Строгий (низький поріг)

зменшується

Збільшується (дорого)

На деталях, важливих для безпеки

збалансований

середній

середній

В естетичних дефектах

Застереження: у критично важливих для безпеки частинах (гальмо, рульове керування, зварювання кузова) пороги завжди тримаються щільно, щоб мінімізувати витік; Підозрілий предмет спрямований на людину. Пом’якшення порогу, оскільки «помилкова відмова коштує дорого», є неприйнятним у частині безпеки.

Людино-машинний поділ праці

У добре налагодженій системі модель не є тим, хто приймає остаточне рішення; Це «попередній скринінг». Модель вловлює очевидні недоліки та повертає людині те, у чому вона не впевнена. Це дозволяє оператору зосередитися на 30 підозрілих частинах замість того, щоб дивитися на 1000 деталей. Впевненість оператора також важлива: якщо модель видає занадто багато помилкових тривог, оператор перестає сприймати тривоги серйозно («втома від тривоги»). Тому відсоток помилкових відмов також контролюється.

Міні кейси

Випадок 1 - Освітлювальна пастка. Хоча модель перевірки фарби успішна в лабораторії на 98%, вона навіть падає до 80%. Огляд: стельове освітлення на лінії змінюється протягом дня, різницю в яскравості модель вважає «дефектом». Коли додається фіксоване освітлення тунелю, успіх зростає до 97%. Висновок: якість зображення може бути більш вирішальною, ніж модель.

Випадок 2 - Вартість витоку. Під час огляду зварних швів корпусу поріг трохи пом’якшений «для ефективності»; Помилкове відбраковування впало з 6% до 3%, але через місяць у двох транспортних засобах у полі були зареєстровані тріщини зварних швів. Аналіз першопричин показує, що рівень витоків збільшився. Поріг знову посилюється, а підозрілі частини переходять під 100% контроль людини. Висновок: Зменшення витоку в частині безпеки завжди має перевагу над помилковим відхиленням.

Випадок 3 - Рідкісний дефект. Іноді на новій формі для лиття під тиском з’являється дуже невеликий дефект задирок, але під час навчання моделі під наглядом майже немає прикладів цього дефекту, тому він промахується. Коли модель виявлення аномалії активована, вона визначає це як «відхилення від норми». Висновок: виявлення аномалій для рідкісних/нових дефектів доповнює контрольовану модель.

шаблони підказок

Шаблон 1 – Каталог дефектів і класифікація серйозності:

Посада: Ви інженер з якості автомобіля. Завдання: відсортуйте наступний список дефектів за класами серйозності. Контекст: лінія зварювання корпусу; дефекти: бризки, пори, відсутність плями, невелика різниця кольору, подряпина на поверхні. Обмеження: позначте кожен дефект як естетичний/функціональний/важливий для безпеки та запропонуйте рішення (прийняття/перевірка людиною/відхилення). Результат: дефект | значення | запропоноване рішення | таблиця обґрунтування.

Шаблон 2 - Керівництво з маркування:

Роль: керівник якості маркування зображень. Завдання: Написати правила узгодженості маркування дефектів фарби. Контекст: апельсинова кірка, біг, пилова бульбашка; Є зображення, зроблені при різному освітленні. Вихідні дані: правило | приклад | граничний стан | теггер примітка.

Шаблон 3 – Інтерпретація порогового/метричного рішення:

Роль: Оцінювач машинного зору. Завдання: Інтерпретувати наступну таблицю порогових значень прийняття рішення. Контекст: критично важливий для безпеки ресурс; при пороговому значенні А витік становить 0,3%, помилкове відбраковування 5%; витік на порозі B 1,2% помилкове відхилення 2%. Обмеження: дотримуватись пріоритету безпеки; Поясніть, який поріг ви рекомендуєте та чому, а також додайте етап керування людиною. Результат: Рекомендація + обґрунтування + залишковий ризик.

Шаблон 4 – Аналіз першопричини:

Роль: Ви інженер з якості. Завдання: Перелічіть можливі першопричини дефектів бризок, які збільшилися протягом останніх 3 змін. Контекст: Роботизоване точкове зварювання; Заміна електрода 2 дні тому; поточне налаштування виправлено. Результат: можлива причина | перевірка валідації | пріоритет.

Слабка підказка / Сильна підказка

Слабка підказка:

Зробіть модель, яка знаходить дефектні деталі.

Незрозуміло, який недолік, яка важливість, який поріг, яке рішення; Результат марний.

Потужна підказка:

Посада: Ви інженер з якості автомобіля та машинного зору. Завдання: Створити контрольний список для системи огляду зварного шва кузова. Контекст: критичне для безпеки точкове зварювання; швидкість лінії висока; Є рідкісні дефекти; змінна освітленості. Обмеження: пріоритет мінімізації витоку; вказати, як поєднати виявлення аномалії з контрольованою класифікацією та етапом контролю людини; гарантуючи «нуль помилок». Результат: етап | пропозиція | ризик | таблиця перевірки.

Поширені помилки

• Нехтування освітленням/якістю зображення. Поганий імідж псує навіть найкращу модель.
• Вважаючи витік і помилкове відхилення рівними. Витік у автомобільних захисних частинах обходиться набагато дорожче.
• Покладайтеся лише на модель під наглядом щодо рідкісних дефектів. Виявлення аномалій є додатковим.
• Перетворення моделі на особу, яка приймає остаточні рішення. Підозрілі частини повинні бути спрямовані на людей.
• Забувши про перенавчання. Нові деталі, нові форми та сезонні зміни роблять модель старою.

Підсумовуючи

• Машинний зір і штучний інтелект швидко та послідовно перевіряють поверхню, зварні шви та дефекти збірки на автомобільній лінії.
• Контрольована класифікація сильна щодо відомих дефектів, виявлення аномалій сильна щодо рідкісних/нових дефектів; обидва використовуються разом.
• Найважливішим рішенням є поріг: витік (хибнонегативний) мінімізується у критичній для безпеки частині, підозріла частина переходить до людини.
• Якість зображення та освітлення часто є більш вирішальними, ніж модель.
• Модель попереднього сита; Остаточне рішення щодо якості та відповідальність за безпеку лежить на людині.

Аплікаційне завдання

Виберіть деталь/станцію (наприклад, вузол переднього бампера). (1) Перелічіть можливі дефекти та позначте кожен як естетичний/функціональний/важливий для безпеки. (2) За шаблоном 3 порівняйте два варіанти порогових значень для витоку/помилкового відхилення та обґрунтуйте рекомендацію. (3) Поясніть, чи використовуватимете ви для виявлення рідкісних дефектів контрольоване чи виявлення аномалій. (4) Визначте етап керування людиною та тригер повторного навчання.

контрольний список

• [ ] Я розділив дефекти на класи серйозності (естетичні/функціональні/критичні для безпеки).
• [ ] Я оцінив баланс між незаконною та помилковою відмовою в пороговому рішенні.
• [ ] Я віддав пріоритет витоку в критично важливу для безпеки частину.
• [ ] Я розмістив контрольовані та аномальні підходи у відповідному місці.
• [ ] Я вказав вимоги до якості зображення/освітлення.
• [ ] Я визначив етап керування людиною та план перепідготовки.