Kiểm soát chất lượng dây chuyền sản xuất: Phát hiện khiếm khuyết trực quan

Lợi nhuận:

• Hiểu quy trình phát hiện lỗi bề mặt, hàn và lắp ráp trong dây chuyền sản xuất ô tô bằng thị giác máy
• Khả năng sử dụng trí tuệ nhân tạo một cách có cấu trúc trong việc thiết lập bộ dữ liệu hình ảnh, ghi nhãn, đào tạo mô hình và xác định ngưỡng
• Khả năng xác minh quyết định chất lượng bằng cách tính đến tỷ lệ thoát và từ chối sai, tốc độ đường truyền và độ tin cậy của người vận hành

Một chiếc ô tô bao gồm hàng nghìn bộ phận và mỗi bộ phận sẽ đi qua dây chuyền trong vài giây. Việc kiểm tra từng mối hàn, từng bề mặt sơn, từng cụm lắp ráp mà không có bất kỳ sai sót nào bằng mắt thường vừa mệt mỏi vừa thiếu nhất quán; mắt mỏi, mất tập trung. Đây là lúc thị giác máy và trí tuệ nhân tạo phát huy tác dụng: camera chụp ảnh các bộ phận, mô hình AI phát hiện lỗi trong vòng chưa đầy một giây. Trong phần này, chúng ta sẽ thảo luận về cách thiết lập việc kiểm soát chất lượng hình ảnh trong sản xuất ô tô, vai trò của AI và vấn đề quan trọng nhất là cân bằng lỗi.

Khiếm khuyết thị giác điển hình trong ô tô

Các loại khuyết tật chính được kiểm tra bằng mắt:

• Khuyết tật bề mặt/sơn: vỏ cam (sơn thô), bong bóng bụi, chảy máu, trầy xước, sai màu.
• Khuyết tật mối hàn: mối hàn không hoàn chỉnh, vết hàn, vết rỗ, mối hàn điểm sai vị trí.
• Lỗi lắp ráp: thiếu bu lông, kẹp lắp không đúng, phớt bị đảo ngược, đầu nối lỏng.
• Nhãn/dấu: số VIN khó đọc, sai nhãn, thiếu tem.

Một số khiếm khuyết này chỉ mang tính thẩm mỹ (những vết xước nhỏ), trong khi những khiếm khuyết khác lại rất nghiêm trọng về mặt an toàn (hàn không hoàn chỉnh có thể dẫn đến vết nứt do mỏi ở khớp cơ thể). Sự khác biệt này quyết định mọi quyết định tiếp theo.

Mẹo: Đừng coi mọi khuyết điểm đều ở mức độ nghiêm trọng như nhau. Việc thêm thẻ "thẩm mỹ/chức năng/an toàn quan trọng" khi phân loại lỗi là chìa khóa để đạt được ngưỡng và logic quyết định đúng đắn.

Hai phương pháp cơ bản: phân loại có giám sát và phát hiện bất thường

Có hai chiến lược chính để phát hiện khiếm khuyết thị giác:

1. Phân loại/phát hiện có giám sát: Bạn dạy mô hình bằng cách cho nó xem nhiều hình ảnh được gắn nhãn cho biết "đây là ví dụ bị lỗi, đây là ví dụ hoàn hảo". Sẽ rất hữu ích nếu bạn biết các loại lỗi và có đủ ví dụ. Thách thức: khó thu thập đủ mẫu các khuyết tật hiếm gặp (một dây chuyền hầu như luôn tạo ra các bộ phận chắc chắn).
2. Phát hiện bất thường: Bạn chỉ hiển thị hình ảnh "bình thường/mạnh mẽ" cho mô hình; mô hình này tìm hiểu xem bình thường trông như thế nào và đánh dấu bất kỳ điều gì khác biệt so với bình thường là “bất thường”. Nó có thể phát hiện các lỗi mới/không mong muốn ngay cả khi bạn không biết trước loại lỗi. Khó khăn: có thể nhầm bất kỳ sai lệch nào là lỗi (chẳng hạn như thay đổi ánh sáng).

Trong thực tế, cả hai được sử dụng cùng nhau: phát hiện bất thường cho biết "có điều gì đó kỳ lạ ở đây", phân loại cho biết "đây là tài nguyên bị trả lại".

Từng bước: thiết lập hệ thống kiểm tra trực quan

1. Danh mục lỗi và tiêu chí chấp nhận: Cùng các kỹ sư chất lượng xác định lỗi nào được chấp nhận/từ chối. Đây là "sự thật" của mô hình.
2. Thu thập hình ảnh: Ánh sáng liên tục, nhất quán và vị trí camera là rất quan trọng. Ánh sáng kém/không ổn định là nguyên nhân phổ biến nhất dẫn đến hư hỏng.
3. Ghi nhãn: Các chuyên gia đánh dấu các khuyết điểm; Hướng dẫn ghi nhãn là cần thiết để đảm bảo tính nhất quán.
4. Huấn luyện mô hình: Một mô hình có giám sát và/hoặc bất thường được huấn luyện.
5. Ngưỡng: Mô hình đưa ra “xác suất sai sót”; Đó là ngưỡng trên mà xác suất bạn sẽ coi là "bị từ chối". Đây là quyết định kinh doanh quan trọng nhất (bên dưới).
6. Tích hợp đường truyền: Mô hình đưa ra quyết định, các phần nghi ngờ được chuyển đến người vận hành/trạm.
7. Giám sát và đào tạo lại: Mô hình được cập nhật khi các loại lỗi mới, thay đổi theo mùa, các bộ phận mới có sẵn.

Vấn đề quan trọng nhất: cân bằng rò rỉ và loại bỏ sai

Có hai lỗi trong việc phát hiện lỗi và chi phí của chúng rất khác nhau trong ô tô:

• Leak (thoát/âm tính giả): Mảnh bị lỗi được coi là “tốt” và đi qua dây chuyền. Về mặt an toàn, điều này có nghĩa là một chiếc xe bị lỗi sẽ được đưa vào hiện trường, một lời phàn nàn của khách hàng hoặc thậm chí là một cuộc thu hồi. Sai lầm đắt giá nhất.
• Từ chối sai (từ chối sai/dương tính giả): Phần còn nguyên vẹn được coi là "khiếm khuyết" và bị từ chối. Nó có nghĩa là lãng phí, làm lại không cần thiết, làm chậm dây chuyền; Nó đau, nhưng nó không gây ra rủi ro an toàn.

ngưỡng quyết định

kẻ chạy trốn

từ chối sai

Khi nào?

Lỏng lẻo (ngưỡng cao)

Tăng (nguy hiểm)

giảm

Không bao giờ đi theo hướng an ninh

Nghiêm ngặt (ngưỡng thấp)

giảm

Tăng (tốn kém)

Trên các bộ phận quan trọng về an toàn

cân bằng

trung bình

trung bình

Trong khiếm khuyết thẩm mỹ

Thận trọng: Trên các bộ phận quan trọng về an toàn (phanh, lái, mối hàn thân xe), ngưỡng cửa luôn được giữ chặt để giảm thiểu rò rỉ; Phần đáng ngờ hướng đến con người. Việc nới lỏng ngưỡng vì "từ chối sai là tốn kém" là không thể chấp nhận được trong phần bảo mật.

Phân công lao động người-máy

Trong một hệ thống được thiết lập tốt, mô hình không phải là người đưa ra quyết định cuối cùng; Đó là một "sàng lọc trước". Mô hình phát hiện những sai sót rõ ràng và gửi lại cho con người những điều họ không chắc chắn. Điều này cho phép người vận hành tập trung vào 30 bộ phận đáng ngờ thay vì xem xét 1.000 bộ phận. Sự tự tin của người vận hành cũng rất quan trọng: nếu mô hình tạo ra quá nhiều cảnh báo sai, người vận hành sẽ ngừng xem xét các cảnh báo một cách nghiêm túc (“cảnh báo mệt mỏi”). Đó là lý do tại sao tỷ lệ từ chối sai cũng được theo dõi.

Nghiên cứu trường hợp nhỏ

Trường hợp 1 - Bẫy đèn. Trong khi mô hình kiểm tra sơn có tỷ lệ thành công 98% trong phòng thí nghiệm, thậm chí tỷ lệ này còn giảm xuống còn 80%. Đánh giá: hệ thống đèn trần trên dây thay đổi trong ngày, người mẫu coi sự chênh lệch về độ sáng là một "khuyết điểm". Khi thêm hệ thống chiếu sáng đường hầm cố định, tỷ lệ thành công tăng lên 97%. Kết luận: Chất lượng hình ảnh có thể quyết định hơn so với mô hình.

Trường hợp 2 - Chi phí rò rỉ. Trong kiểm tra mối hàn thân tàu, ngưỡng này được nới lỏng một chút "để đạt hiệu quả"; Tỷ lệ loại bỏ sai giảm từ 6% xuống 3%, nhưng một tháng sau, hai phương tiện được ghi nhận có vết nứt hàn tại hiện trường. Phân tích nguyên nhân gốc rễ cho thấy tỷ lệ rò rỉ đã tăng lên. Ngưỡng được thắt chặt trở lại và các bộ phận đáng ngờ được đặt dưới sự kiểm soát 100% của con người. Kết luận: Việc giảm rò rỉ ở phần an toàn luôn được ưu tiên hơn việc loại bỏ sai.

Trường hợp 3 - Khiếm khuyết hiếm gặp. Đôi khi, một khiếm khuyết lưỡi dao rất nhỏ xuất hiện từ khuôn phun mới, nhưng hầu như không có ví dụ nào về khiếm khuyết này trong quá trình huấn luyện mô hình được giám sát nên đã bỏ sót. Khi mô hình phát hiện sự bất thường được kích hoạt, nó sẽ phát hiện đó là "sự khác biệt so với bình thường". Kết luận: Việc phát hiện bất thường đối với các lỗi hiếm/mới sẽ bổ sung cho mô hình được giám sát.

mẫu lời nhắc

Mẫu 1 - Danh mục khuyết tật và phân loại mức độ nghiêm trọng:

Vai trò: Bạn là kỹ sư chất lượng ô tô. Nhiệm vụ: Sắp xếp danh sách các lỗi sau đây thành các mức độ nghiêm trọng. Bối cảnh: Đường hàn thân xe; khuyết điểm: vết bắn tung tóe, lỗ rỗ, vết thiếu, chênh lệch màu nhẹ, vết xước bề mặt. Ràng buộc: Dán nhãn cho từng khuyết điểm là thẩm mỹ/chức năng/quan trọng về an toàn và đề xuất quyết định (chấp nhận/kiểm tra/từ chối của con người).Đầu ra: Khiếm khuyết | tầm quan trọng | quyết định đề xuất | bảng biện minh.

Mẫu 2 - Hướng dẫn ghi nhãn:

Vai trò: Hình ảnh ghi nhãn chất lượng. Nhiệm vụ: Viết quy tắc nhất quán khi ghi nhãn khuyết tật sơn. Bối cảnh: Vỏ cam, chạy trốn, bong bóng bụi; Có những hình ảnh được chụp dưới ánh sáng khác nhau.Đầu ra: Quy tắc | ví dụ | trạng thái giới hạn | ghi chú gắn thẻ.

Mẫu 3 - Giải thích quyết định về ngưỡng/số liệu:

Vai trò: Người đánh giá thị giác máy. Nhiệm vụ: Giải thích bảng ngưỡng quyết định sau. Bối cảnh: Tài nguyên quan trọng về bảo mật; ở ngưỡng A, rò rỉ là 0,3%, loại bỏ sai là 5%; rò rỉ ở ngưỡng B 1,2% từ chối sai 2%.Ràng buộc: Tuân thủ mức độ ưu tiên bảo mật; Giải thích ngưỡng nào bạn đề xuất và lý do, đồng thời thêm bước kiểm soát của con người. Đầu ra: Khuyến nghị + luận cứ + rủi ro còn lại.

Mẫu 4 - Phân tích nguyên nhân gốc rễ:

Vai trò: Bạn là một kỹ sư chất lượng. Nhiệm vụ: Liệt kê các nguyên nhân gốc rễ có thể gây ra các khuyết tật bắn tóe đã gia tăng trong 3 ca vừa qua. Bối cảnh: Hàn điểm bằng robot; Việc thay điện cực đã được thực hiện cách đây 2 ngày; cài đặt hiện tại đã được sửa.Đầu ra: Nguyên nhân có thể | kiểm tra xác nhận | sự ưu tiên.

Dấu nhắc yếu / Dấu nhắc mạnh

Dấu nhắc yếu:

Tạo một mô hình tìm thấy các bộ phận bị lỗi.

Không rõ khuyết điểm nào, tầm quan trọng nào, ngưỡng nào, quyết định nào; Kết quả là vô ích.

Lời nhắc mạnh mẽ:

Vai trò: Bạn là kỹ sư thị giác máy và chất lượng ô tô. Nhiệm vụ: Tạo danh sách kiểm tra thiết kế cho hệ thống quan sát mối hàn trên thân xe. Bối cảnh: Hàn điểm quan trọng về an toàn; tốc độ đường truyền cao; Có những khiếm khuyết hiếm gặp; biến chiếu sáng.Ràng buộc: Ưu tiên giảm thiểu rò rỉ; chỉ định cách kết hợp phát hiện bất thường với phân loại có giám sát và bước kiểm soát của con người; đảm bảo 'không có lỗi'.Đầu ra: Giai đoạn | gợi ý | rủi ro | bảng xác minh.

Những lỗi thường gặp

• Bỏ qua chất lượng ánh sáng/hình ảnh. Hình ảnh xấu làm hỏng ngay cả mô hình tốt nhất.
• Xem xét rò rỉ và từ chối sai bằng nhau. Rò rỉ trong các bộ phận an toàn của ô tô tốn kém hơn nhiều.
• Chỉ dựa vào mô hình được giám sát đối với những khiếm khuyết hiếm gặp. Phát hiện bất thường là bổ sung.
• Làm cho mô hình trở thành người ra quyết định cuối cùng. Những phần đáng ngờ nên được hướng tới con người.
• Quên đào tạo lại. Các bộ phận mới, khuôn mẫu mới và sự thay đổi theo mùa khiến mẫu xe trở nên cũ kỹ.

Tóm lại

• Thị giác máy và AI kiểm tra nhanh chóng và nhất quán các lỗi bề mặt, mối hàn và lắp ráp trên dây chuyền ô tô.
• Phân loại được giám sát mạnh mẽ đối với các lỗi đã biết, khả năng phát hiện bất thường mạnh mẽ đối với các lỗi hiếm/mới; cả hai đều được sử dụng cùng nhau.
• Quyết định quan trọng nhất là ngưỡng: rò rỉ (âm tính giả) được giảm thiểu ở phần quan trọng về an toàn, phần đáng ngờ thuộc về con người.
• Chất lượng hình ảnh và ánh sáng thường quyết định hơn so với mẫu.
• Mô hình này là một bộ sàng lọc trước; Quyết định cuối cùng về chất lượng và trách nhiệm an toàn thuộc về con người.

Nhiệm vụ ứng dụng

Chọn một bộ phận/trạm (ví dụ: cụm cản trước). (1) Liệt kê các khiếm khuyết có thể xảy ra và dán nhãn cho từng khiếm khuyết là thẩm mỹ/chức năng/quan trọng về an toàn. (2) Với Mẫu 3, so sánh hai tùy chọn ngưỡng về rò rỉ/từ chối sai và biện minh cho khuyến nghị. (3) Giải thích liệu bạn sẽ sử dụng tính năng phát hiện có giám sát hay phát hiện bất thường đối với một lỗi hiếm gặp. (4) Xác định bước kiểm soát con người và kích hoạt đào tạo lại.

danh sách kiểm tra

• [ ] Tôi chia các khiếm khuyết thành các mức độ nghiêm trọng (thẩm mỹ/chức năng/quan trọng về an toàn).
• [ ] Tôi đã đánh giá sự cân bằng giữa việc từ chối bất hợp pháp và sai lầm trong quyết định ngưỡng.
• [ ] Tôi ưu tiên rò rỉ ở phần quan trọng về bảo mật.
• [ ] Tôi đã đặt các phương pháp tiếp cận có giám sát và bất thường vào vị trí thích hợp.
• [ ] Tôi đã chỉ định yêu cầu về chất lượng hình ảnh/ánh sáng.
• [ ] Tôi đã xác định bước kiểm soát con người và kế hoạch đào tạo lại.