Обучаване на вашата система за визуална инспекция за нови продуктови линии.

Нека започна с малко откровеност. Въвеждането на нова производствена линия е приятен етап, но може да създаде и сериозни трудности. Вашата система за инспекция чрез компютърно зрение не познава новите компоненти и няма представа какво се счита за добро или лошо изделие. Трябва да я обучите. Ако го направите по неправилен начин, ще получите фалшиви отхвърляния, пропуснати дефекти и много разстроени оператори. Добрата новина е, че обучаването на система за инспекция чрез компютърно зрение може да стане бързо и безболезнено, стига да следвате правилните стъпки.

Подготовката започва със събирането на проби

Преди да докоснете системата, трябва да съберете своите проби. Това е най-важният етап, а все пак той е този, през който хората най-често бързат. Не бъдете такъв човек.

Имате нужда от няколко типа проби. Първо, съберете добри части. Ще ви трябват повече от няколко изображения на продукти, които отговарят на вашите стандарти за качество. Може да ви потрябват десетки или дори стотици изображения. Колкото повече изображения имате, толкова по-добре системата ще разбере как изглежда приемливото. Тези добри части също така трябва да обхващат нормалните вариации, които очаквате да видите, като например леки разлики в цвета, малки промени в положението или незначителни промени в текстурата. Ако обучението ви включва само перфектни части, системата за визуална инспекция ще отхвърля всичко, което изглежда леко различно, дори ако това е напълно приемливо.

Второ, съберете дефектни части. Съставете изчерпателен списък за всеки тип дефект, който има значение за вас. Този списък може да включва драскотини, пукнатини, липсващи компоненти, неправилни цветове или неправилно подравнени етикети. Колкото по-голямо е разнообразието от примери на дефекти, които имате, толкова по-добре системата ще научи какво да търси. Едно проучване показа, че предварително обучена модел за откриване на дефекти може да се адаптира към нови продукти след получаване на умерен брой нови примери и малко количество донастройка. Но „умерен“ не означава „минимален“. Некачествен набор от данни все още ще доведе до некачествени резултати, затова се уверете, че сте подготвили добре дефинирани примери.

Използвайте функцията Бързо обучение за бърз старт

След като сте подготвили своя примерен набор от данни, е дошъл моментът да обучите системата. Имате късмет, тъй като почти всички съвременни системи за визуална инспекция притежават вградена функция, наречена Бързо обучение или Обучение с един бутон. Това значително улеснява вашата работа при добавяне на нова производствена линия.

Бързото обучение работи, като взема референтно изображение на част без дефекти и автоматично задава параметрите на системата въз основа на това изображение. Системата анализира референтното изображение, измерва ключовите характеристики и прилага допуски. Няма нужда да въвеждате ръчно числа или да предполагате къде трябва да бъдат праговете. Системата извършва тежката работа вместо вас.

Този метод работи добре за бързо инспектиране на партида части, които изглеждат еднакво. Например, ако инспектирате идентични штамповани метални части или формовани пластмасови компоненти, бързото обучение може да изпълни задачата за няколко минути вместо за няколко часа. Някои съвременни камери намаляват времето за настройка от часове до само няколко минути, като автоматично учат от няколко примерни изображения. Ключовото е да се уверите, че вашето референтно изображение е добро представяне на вида на частите, които очаквате да видите в партидата.

Превключете към стандартното обучение, когато частите се различават

Бързото обучение има недостатък. Ако вашите части показват значителна вариабилност във външния си вид, бързото обучение обикновено ще отхвърля по-голям брой доброкачествени части. В този случай системата трябва да се учи чрез няколко итерации с части.

Стандартното обучение работи по различен начин. Вместо да използва едно-единствено референтно изображение, вие пропускате цяла партида доброкачествени части през системата. Системата за визуална инспекция анализира всички тях, измерва естествената вариация и задава допуските си така, че да включват целия диапазон от приемливи резултати. По този начин системата учи как изглежда доброкачественият продукт при вашите реални производствени условия, а не само в идеална лабораторна обстановка.

Няма ограничение за броя на пробите, които можете да използвате по време на процеса на обучение (Teach). Колкото повече доброкачествени части покажете на системата, толкова по-добре тя ще разбере какво е приемливо. Ето и един професионален съвет: използвайте само доброкачествени части при стандартното обучение. Ако случайно включите дефектна част, системата ще научи, че дефектът е приемлив, и ще се окажете пред истински хаос.

Ръчна корекция при нужда

Понякога автоматичното обучение не е достатъчно. Вашите части може да имат сложни характеристики, с които системата се затруднява да се справи. В такива случаи трябва да коригирате параметрите ръчно.

Повечето системи за визуален инспекционен контрол позволяват да влезете в инструментите и да коригирате настройките ръчно. Можете да промените областта от интерес (region of interest), да промените праговете на толерантност и да усъвършенствате логиката за приемане или отхвърляне. Това изисква повече време и известен опит, но ви дава максимален контрол. За високоточни приложения, където дори миниатюрните грешки имат значение, ръчната корекция си заслужава допълнителните усилия.

Ако работите с нов продукт, който е подобен на стар един, понякога можете да спестите много време, като използвате съществуваща инспекция като отправна точка. Проучване върху прехвърлянето на знания (transfer learning) показа, че модел, обучен върху по-стари продукти, може да бъде адаптиран за нови продукти само с умерени количества нови обучащи данни, като запазва точност над 98 процента. Това означава, че не винаги е необходимо да започвате от нулата. Вместо това можете да изграждате върху съществуващи модели.

Използвайте изкуствения интелект за сложни инспекции

Традиционните системи за визуална инспекция се основават на фиксирани правила. Дали драскотината е по-дълга от X милиметра? Дали цветът е извън диапазона Y? Това работи добре за прости инспекции. Но когато дефектите са нерегулярни, непоследователни или трудни за описване чрез фиксирани правила, конвенционалните системи обикновено се затрудняват.

Инспекцията на видимостта, задвижвана от изкуствен интелект, променя правилата на играта. Вместо да следва предварително определен набор от правила, системата учи от примери. Вие й показвате стотици или хиляди добри и лоши изображения, и тя самостоятелно разпознава закономерностите. Инспекцията на видимостта, задвижвана от изкуствен интелект, е особено полезна за производители, които се стремят да запазят качеството на продуктите си и да минимизират отпадъците. Тя също така е изключително адаптивна към промени в продуктите. Някои платформи комбинират контролирано и неконтролирано обучение с изкуствен интелект с инструменти, базирани на правила, за намаляване на фалшивите положителни резултати и предотвратяване на достигането на дефектни продукти до клиентите.

Превъзходното нещо в днешните системи е, че те са удобни за потребителя. Някои камери вече включват вграден изкуствен интелект, който автоматично учи от само няколко примерни изображения, което отстранява необходимостта от продължителна ръчна конфигурация. Удобните за потребителя интерфейси насочват операторите през всеки етап от процеса на настройка — от регулиране на осветлението до регистриране на референтни изображения. Дори оператори с ограничено опит в областта на визуалната инспекция могат да създадат надеждни инспекционни процеси.

Тестването и валидирането са задължителни

Тук повечето хора допускат критични грешки. Те обучават системата, провеждат бързо тестуване и след това я пускат направо в производство. Това е голяма грешка.

Преди да пуснете системата си за визуална инспекция да работи без надзор, трябва да я валидирате правилно. Пуснете през системата партида от известни доброкачествени и известни дефектни части. Проверете дали тя засича всички дефекти. Проверете дали отхвърля някои доброкачествени части. Ако процентът на лъжливо отхвърлени части е твърде висок, върнете се назад и коригирайте допустимите отклонения. Ако процентът на пропуснати дефекти е твърде висок, добавете повече примери на дефекти към обучащия си набор.

Тук добре работи подходът „доказателство за концепция“. Започнете с една критична точка за инспекция на новата си производствена линия, вместо да се опитвате да автоматизирате всичко наведнъж. Съберете своя златен набор от доброкачествени и дефектни проби, проверете възможността за реализация и едва тогава мащабирайте. Правилното изпълнение на този етап ще ви спести значителни суми пари в крайна сметка.

Планирайте непрекъснато подобряване

Обучаването на система за визуална инспекция не е еднократно събитие. Вашите продукти ще се променят. Вашите доставчици ще се променят. Условията ви за производство ще се променят. Вашата инспекционна система трябва да следва тези промени.

Създайте процес за непрекъснато обучение. Винаги когато откриете нов тип дефект, който вашата система е пропуснала, добавяйте тези изображения към набора си за обучение и извършете повторно обучение. Винаги когато промените дизайна на продукт, актуализирайте референтните си изображения. Някои напреднали системи предлагат възможности за непрекъснато учене, които се адаптират към вариациите в продуктите с течение на времето. Колкото повече обучавате системата си, толкова по-умна става тя.

Производителите, които прилагат това правилно, постигат реални резултати. Инспекцията чрез изкуствен интелект и компютърно зрение позволява по-ранно откриване на дефекти, по-бързо установяване на коренните причини и практически насочени, в реално време анализи, които повишават ефективността и намаляват отпадъците. YIHUI проектира оборудване за инспекция чрез компютърно зрение, като има предвид тези принципи на обучение, и помага на производители от машиностроителната, електронната, аерокосмическата и автомобилната индустрия да пускат нови производствени линии в експлоатация по-бързо. В края на краищата, системата за инспекция чрез компютърно зрение е толкова добра, колкото е качеството на обучението, което ѝ предоставяте. Приложете я правилно и тя ще защитава вашия бренд години наред.