Lợi nhuận:
- Khả năng giải thích cách phát hiện và phân loại các khuyết tật trên bề mặt vải bằng cách xử lý hình ảnh và học máy.
- Khả năng diễn giải số dư dương/âm sai, hệ thống tính điểm 4 điểm và số liệu hiệu suất mô hình
- Khả năng thiết kế thiết lập xác minh để kiểm tra đầu ra phát hiện lỗi tự động bằng sự kiểm tra của con người và kiểm tra thực tế
Trong nhiều năm, việc kiểm soát chất lượng vải dựa vào mắt người: người vận hành quan sát vải hàng giờ trên bàn kiểm tra được chiếu sáng, đánh dấu và ghi điểm bất kỳ lỗi nào mà anh ta nhìn thấy. Công việc này mệt mỏi, chủ quan, dễ gây mệt mỏi và sai sót; Sự chú ý không còn rõ ràng vào cuối ca làm việc như lúc bắt đầu. Thị giác máy tính và học máy hứa hẹn sẽ tự động hóa quá trình kiểm tra này: một camera tốc độ cao sẽ quét vải, phát hiện và phân loại mẫu lỗi trong vài giây. Trong phần này, chúng ta sẽ thảo luận về cách thức hoạt động của hệ thống này, các tiêu chí đánh giá hệ thống và tại sao sự kiểm soát của con người vẫn không thể thiếu.
Khiếm khuyết về vải và ngôn ngữ kiểm tra
Để hiểu được tính năng phát hiện tự động, trước tiên cần phải biết tên của lỗi. Các khuyết tật điển hình của vải dệt thoi: đứt sợi dọc (thiếu sợi dọc), khuyết tật/giao thoa của sợi ngang (đường ngang), lỗ, vết ố, chỗ dày/mỏng, độ nảy dọc. Trong vải dệt kim: dấu kim (đường dọc, do kim bị trục trặc), mũi khâu lạc, lỗ, chênh lệch độ dày. Trong in và nhuộm: lệch màu, mài mòn (nhuộm không đều), trượt, bắn tung tóe.
Kết quả kiểm tra thường được tính điểm bằng hệ thống bốn điểm: mỗi khuyết tật được cho 1-4 điểm theo chiều dài dọc của nó (ví dụ: 1 điểm tối đa 8 cm, 4 điểm trên 15 cm) và tính tổng điểm trên 100 m2. Dưới ngưỡng (ví dụ: 40 điểm/100 m2) được coi là "chấp nhận", trên ngưỡng được coi là "từ chối". Tính năng chấm điểm tự động bằng AI nên mô phỏng tiêu chuẩn này; Nó không nên tạo ra điểm số tùy ý của riêng mình.
Mẹo: Đầu ra của hệ thống tự động phải luôn có thể chuyển đổi theo tiêu chuẩn chấm điểm được chấp nhận của bạn (chẳng hạn như 4 điểm) và mức độ chấp nhận của khách hàng. Chỉ riêng “Mô hình tìm thấy 12 điểm bất thường” không đưa ra quyết định kinh doanh; Nó phải được chuyển đổi thành điểm và quyết định.
Tự động phát hiện lỗ hổng hoạt động như thế nào?
Các hệ thống hiện đại thường kết hợp cả hai cách tiếp cận. Phân loại được giám sát là khi một mạng lưới thần kinh nhân tạo (đặc biệt là mạng lưới thần kinh tích chập phù hợp với hình ảnh, tiếng Anh CNN) được đào tạo với hàng nghìn ví dụ lỗi được gắn nhãn trước đó để dự đoán liệu có lỗi trong hình ảnh mới và loại của nó hay không. Mặt khác, tính năng phát hiện bất thường sẽ tìm hiểu kết cấu "bình thường" và đánh dấu bất kỳ thứ gì khác với mức bình thường là ứng cử viên khiếm khuyết; Nó có tác dụng đối với các lỗi hiếm gặp, chưa từng thấy trước đây vì không cần thiết phải dán nhãn trước cho từng loại lỗi.
Chúng tôi đọc hiệu suất của hệ thống với hai tiêu chí cơ bản. Độ nhạy (thu hồi): nó đã phát hiện được bao nhiêu phần trăm lỗi thực sự? Độ chính xác: Bao nhiêu phần trăm những gì họ nói là sai sót thực sự là sai sót? Có sự cân bằng giữa hai điều này. Âm tính giả (thiếu khuyết tật) có nghĩa là hàng hóa bị lỗi được giao cho khách hàng; Tích cực sai (đánh dấu sự hoàn hảo là khiếm khuyết) có nghĩa là lãng phí và chậm lại không cần thiết. Trong ứng dụng quan trọng về chất lượng, một ngưỡng thường được chọn để giữ mức âm tính giả ở mức thấp, trong khi mức dương tính giả tăng lên sẽ được người vận hành kiểm tra nhanh lần thứ hai.
Có một cái bẫy nghiêm trọng ở đây: chỉ tính chính xác thôi cũng có thể gây hiểu nhầm. Trên dây chuyền sản xuất, có lẽ có khoảng 2% vải bị lỗi. Một mô hình ngu ngốc gọi mọi thứ là "hoàn hảo" báo cáo độ chính xác 98% nhưng không phát hiện được một sai sót nào. Do đó, trong dữ liệu không cân bằng, độ nhạy và độ chính xác của loại khuyết tật không được xem xét mà là độ chính xác.
Từng bước: Đánh giá hệ thống phát hiện
- Thu thập dữ liệu đại diện. Hình ảnh bao gồm nhiều loại vải thực tế (màu sắc, kết cấu, ánh sáng) mà hệ thống sẽ nhìn thấy; Bao gồm cả những khiếm khuyết hiếm gặp.
- Kiểm tra chất lượng nhãn. Nếu nhãn huấn luyện sai thì mô hình cũng học sai; Lấy mẫu nhãn bằng con mắt chuyên gia.
- Đo độ nhạy/độ chính xác. Riêng cho lớp lỗi; Đừng chỉ nhìn vào độ chính xác chung chung.
- Kiểm tra âm tính giả. Những khuyết điểm bị bỏ qua có đặc điểm chung nào không (màu sắc nhất định, ánh sáng nhất định)?
- Thiết lập con người trong vòng lặp. Hãy để người vận hành xác nhận những gì mô hình đã đánh dấu; hướng những điều không chắc chắn đến với mọi người.
- Theo dõi và đào tạo lại. Cập nhật tập dữ liệu khi các loại lỗi mới xuất hiện (sự trôi dạt khái niệm).
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Độ chính xác gây hiểu nhầm. Một nhà cung cấp đã bán một hệ thống với nội dung "mô hình của chúng tôi chính xác tới 97%". Lợi nhuận của khách hàng tăng lên trong lĩnh vực này. Phân tích cho thấy độ nhạy của loại lỗi chỉ là 61%, nghĩa là cứ 100 lỗi thực sự thì có 39 lỗi bị bỏ sót. Độ chính xác cao vì hầu hết vải đều hoàn hảo. Ngưỡng được điều chỉnh lại và thêm sự kiểm soát của con người; độ nhạy tăng lên 92%, người vận hành đã loại bỏ các kết quả dương tính giả.
Trường hợp 2 - Sự thay đổi ánh sáng. Trong một dòng, số lượng dương tính giả tăng gấp ba lần khi ánh nắng chiều chiếu vào khu vực kiểm tra; Người mẫu nghĩ rằng bóng tối là vết bẩn. Vấn đề đã được giải quyết khi điều kiện quan sát (tủ đóng kín, đèn LED chiếu sáng liên tục) được chuẩn hóa. Bài học: thiết lập hình ảnh cũng quan tâm nhiều đến chất lượng như mô hình.
Trường hợp 3 - Thời gian và lao động. Một doanh nghiệp dành trung bình 9 phút để kiểm tra thủ công 100 mét vải. Với mô hình quét trước camera + xác nhận của người vận hành, thời gian giảm xuống còn 4 phút và giảm rò rỉ do người vận hành chỉ chú ý đến các khu vực được đánh dấu. Điều quan trọng là quá trình tự động hóa không làm sắc nét người vận hành mà là con mắt của người vận hành.
Nhắc yếu / Nhắc mạnh
Lưu ý: Các hệ thống chuyên dụng phân tích trực tiếp hình ảnh lỗi là riêng biệt; ở đây chúng tôi sử dụng AI để thiết kế quy trình, đánh giá dữ liệu và báo cáo.
Dấu nhắc yếu:
Hãy cho tôi biết, mô hình phát hiện lỗi của chúng tôi có tốt không?
Lời nhắc mạnh mẽ:
Vai trò của bạn: Kỹ sư chất lượng dệt may và nhà phân tích dữ liệu. Dưới đây là kết quả kiểm tra của mô hình phát hiện khuyết tật (ma trận nhầm lẫn: dương tính thật, dương tính giả, âm tính giả, âm tính thật). Nhiệm vụ:1) Tính toán độ nhạy và độ chính xác cho loại lỗi, hiển thị công thức.2) Giải thích bằng những con số này tại sao độ chính xác tổng thể có thể gây hiểu nhầm.3) Nhận xét về tác động kinh doanh của rủi ro âm tính giả trong quá trình sản xuất này.4) Đưa ra đề xuất cụ thể cho việc thiết lập ngưỡng và kiểm tra con người. Các số: [ma trận]
Mẫu có thể sao chép
1) Tính toán và giải thích số liệu:
Tính toán độ nhạy, độ chính xác và điểm F1 từ ma trận nhầm lẫn sau đây, viết từng công thức và chứng minh công thức nào quan trọng hơn về mặt chất lượng. Ma trận: [TP, FP, FN, TN]
2) Căn nguyên âm tính giả:
Dưới đây là danh sách đặc điểm của các lỗi bị bỏ sót (âm tính giả) (loại lỗi, màu sắc, ánh sáng, tốc độ). Tạo ra các giả thuyết mẫu chung và đề xuất thử nghiệm xác minh cho từng giả thuyết. Dữ liệu: [danh sách]
3) Quy đổi sang điểm 4 điểm:
Chuyển đổi kết quả phát hiện sau thành hệ thống 4 điểm: cho điểm từng lỗi theo chiều dài của nó, tính tổng điểm trên 100 m2, so sánh với điểm [ngưỡng] và đề xuất chấp nhận/từ chối. Danh sách lỗi: [danh sách]
4) Dự thảo báo cáo kiểm tra:
Rút ra bản tóm tắt điều hành từ dữ liệu lỗi thay đổi sau: 3 lỗi hàng đầu, nguồn quy trình có thể xảy ra (giả thuyết), tổng tỷ lệ từ chối và các hành động được đề xuất. Đừng tạo nên những con số, chỉ cần sử dụng những gì được đưa ra. Dữ liệu: [bảng]
Biểu đồ so sánh số liệu
tiêu chí
biện pháp gì
Cao có tốt không?
Tầm quan trọng về chất lượng
Độ chính xác
Tổng tỷ lệ chính xác
Có thể gây hiểu lầm
Ít dữ liệu không cân bằng
Độ nhạy (thu hồi)
Tỷ lệ lỗi thực tế được phát hiện
Có
Giảm âm tính giả (nghiêm trọng)
Độ chính xác
Sự thật của những gì bạn nói là một thiếu sót
Có
Giảm dương tính giả/lãng phí
âm tính giả
thoát khỏi lỗi
Không, nó phải thấp
Rủi ro hàng hóa bị lỗi cho khách hàng
dương tính giả
báo động trống
Không nhưng nó có thể chịu đựng được
Giảm hiệu quả/tốc độ
Lưu ý: Hệ thống tự động là "người sàng lọc trước", không phải là "người phê duyệt". Quyết định nghiệm thu chất lượng cuối cùng cần có sự chấp thuận của cán bộ chất lượng có thẩm quyền, đặc biệt đối với các lô theo hợp đồng với khách hàng. Mô hình này tăng tốc khả năng kiểm soát của con người nhưng không miễn trừ điều đó.
Những lỗi thường gặp
- Để nhìn vào sự công bình và hài lòng. Độ chính xác cao che giấu các hiện tượng trong dữ liệu không cân bằng.
- Bỏ qua điều kiện xem. Nếu không có độ sáng liên tục và tốc độ không đổi thì mô hình sẽ không đáng tin cậy.
- Không kiểm tra chất lượng nhãn. Mô hình được đào tạo với nhãn sai sẽ học không chính xác.
- Quên đi loại khiếm khuyết mới. Nếu dữ liệu không được cập nhật cho các lỗi mới xuất hiện theo thời gian, hiệu suất sẽ âm thầm suy giảm.
- Cắt người ra. Quyết định chấp nhận quan trọng cần có sự chấp thuận của con người.
Tóm lại
Xử lý hình ảnh giúp tăng tốc đáng kể việc kiểm tra vải và bù đắp sự mệt mỏi của con người. Nhưng màn trình diễn của anh ta được đọc không phải với độ chính xác mà bằng độ nhạy và độ chính xác của lớp khuyết điểm; Âm tính giả là lỗi nguy hiểm nhất về chất lượng. Điều kiện hình ảnh ổn định, nhãn chất lượng và hoạt động kiểm tra của con người trong vòng lặp là ba trụ cột tạo nên độ tin cậy của hệ thống. Đầu ra tự động là sàng lọc sơ bộ; Quyết định nghiệm thu cuối cùng vẫn phải được sự chấp thuận của kỹ sư.
Nhiệm vụ ứng dụng
Xác định ma trận nhầm lẫn ví dụ cho hệ thống phát hiện lỗi (ví dụ: 100 mẫu bị lỗi, 4900 mẫu hoàn hảo). Có độ nhạy, độ chính xác và F1 được tính bằng mẫu "tính toán số liệu" trong đơn vị này; sau đó kiểm tra kết quả bằng tay. Thảo luận trong một đoạn văn điều gì sẽ xảy ra với kết quả dương tính giả khi bạn thay đổi ngưỡng để giảm một nửa kết quả âm tính giả trong cùng một ma trận và quyết định số dư nào phù hợp với sản phẩm của bạn.
danh sách kiểm tra
- [ ] Tôi đánh giá hiệu suất bằng độ nhạy/độ chính xác chứ không phải độ chính xác.
- [ ] Tôi giải thích nguy cơ âm tính giả cùng với tác động kinh doanh.
- [ ] Tôi đã chuẩn hóa các điều kiện xem (ánh sáng, tốc độ).
- [ ] Tôi thường xuyên kiểm tra chất lượng nhãn và các loại lỗi mới.
- [ ] Tôi đặt sự chấp thuận của con người vào quyết định chấp nhận cuối cùng; Mô hình này chỉ có bộ lọc trước.