آموزش سیستم بازرسی بینایی برای خطوط تولید جدید.

اجازه دهید با صداقت شروع کنم. افزودن یک خط تولید جدید یک نقطه عطف خوب است، اما می‌تواند منجر به سردرد شدیدی نیز شود. سیستم بازرسی بینایی شما از قطعات جدید اطلاعی ندارد و همچنین هیچ ایده‌ای درباره اینکه کدام قطعه خوب و کدام بد است، ندارد. شما باید آن را آموزش دهید. اگر این کار را به‌صورت نادرست انجام دهید، با ردکردن نادرست قطعات، تشخیص نکردن عیوب و ناراحتی زیاد اپراتورها مواجه خواهید شد. خبر خوب این است که آموزش سیستم بازرسی بینایی می‌تواند سریع و بدون دردسر باشد، به‌شرط اینکه مراحل درست را دنبال کنید.

آماده‌سازی با جمع‌آوری نمونه‌ها آغاز می‌شود

قبل از اینکه حتی دست به سیستم بزنید، باید نمونه‌های خود را جمع‌آوری کنید. این مهم‌ترین مرحله است و با این حال، مرحله‌ای است که افراد بیشترین عجله را در انجام آن دارند. شما نباید این شخص باشید.

شما به انواع مختلفی از نمونه‌ها نیاز دارید. ابتدا نمونه‌های خوب را جمع‌آوری کنید. شما به بیش از چند تصویر از محصولاتی که معیارهای کیفی شما را برآورده می‌کنند، نیاز دارید. ممکن است به ده‌ها یا حتی صدها تصویر نیاز داشته باشید. هرچه تعداد تصاویر بیشتر باشد، سیستم بهتر متوجه می‌شود که «قابل قبول بودن» چگونه به نظر می‌رسد. این نمونه‌های خوب باید تنوع‌های عادی که انتظار دارید مشاهده کنید را نیز پوشش دهند؛ مانند تفاوت‌های جزئی در رنگ، جابجایی‌های کوچک در موقعیت یا تغییرات جزئی در بافت. اگر آموزش سیستم فقط شامل نمونه‌های کاملاً بی‌نقص باشد، سیستم بازرسی بینایی همه چیزهایی را که کمی متفاوت به نظر برسند، رد می‌کند — حتی اگر از نظر کیفی کاملاً قابل قبول باشند.

دوم، قطعات معیوب را جمع‌آوری کنید. برای هر نوع عیبی که از اهمیت خاصی برای شما برخوردار است، فهرستی جامع تهیه کنید. این فهرست ممکن است شامل خراش‌ها، ترک‌ها، قطعات از دست رفته، رنگ‌های نادرست یا برچسب‌های نامتعادل باشد. هرچه تنوع نمونه‌های عیب بیشتر باشد، سیستم بهتر یاد می‌گیرد که چه چیزی را جستجو کند. یک مطالعه نشان داد که یک مدل پیش‌آموزش‌دیده برای تشخیص عیوب می‌تواند پس از دریافت تعداد متوسطی نمونه جدید و مقدار کمی تنظیم دقیق (Fine Tuning)، با محصولات جدید نیز سازگار شود. اما «متوسط» به معنای «حداقل» نیست. یک مجموعه داده ضعیف همچنان منجر به نتایج ضعیف می‌شود؛ بنابراین مطمئن شوید که نمونه‌های خود را به‌خوبی تعریف و آماده کرده‌اید.

از ویژگی «آموزش سریع» برای شروع سریع استفاده کنید

پس از آماده‌شدن مجموعه نمونه‌های شما، زمان آن رسیده است که سیستم را آموزش دهید. خوشبختانه تقریباً تمامی سیستم‌های امروزی بازرسی بصری دارای ویژگی‌ای داخلی به نام «آموزش سریع» یا «آموزش با یک دکمه» هستند. این ویژگی کار شما را هنگام افزودن خط تولید جدید بسیار آسان‌تر می‌کند.

آموزش سریع با گرفتن یک تصویر مرجع از قطعه‌ای بدون عیب و تنظیم خودکار پارامترهای سیستم بر اساس آن تصویر انجام می‌شود. سیستم به تصویر مرجع نگاه کرده، ویژگی‌های کلیدی را اندازه‌گیری کرده و تلرانس‌ها را اعمال می‌کند. شما نیازی به وارد کردن دستی اعداد یا حدس زدن محل آستانه‌ها ندارید؛ سیستم تمام کارهای سنگین را به جای شما انجام می‌دهد.

این روش برای بازرسی سریع دسته‌ای از قطعات که همه ظاهر یکسانی دارند، بسیار مؤثر است. به عنوان مثال، اگر در حال بازرسی قطعات فلزی مشابه تولیدشده با فرесс (Stamping) یا اجزای پلاستیکی قالب‌گیری‌شده باشید، روش آموزش سریع می‌تواند این کار را در عرض چند دقیقه — نه چند ساعت — انجام دهد. برخی از دوربین‌های مدرن، زمان راه‌اندازی را از چند ساعت به تنها چند دقیقه کاهش می‌دهند، زیرا به‌صورت خودکار از چند تصویر نمونه یاد می‌گیرند. نکته کلیدی این است که مطمئن شوید تصویر مرجع شما نماینده مناسبی از ظاهر قطعاتی باشد که انتظار دارید در دسته مورد بازرسی قرار گیرند.

هنگامی که قطعات متغیر هستند، به روش آموزش استاندارد منتقل شوید

آموزش سریع یک معایب دارد. اگر قطعات شما در ظاهر خود تغییرات قابل‌توجهی نشان دهند، آموزش سریع تمایل دارد تعداد بیشتری از قطعات سالم را رد کند. در این حالت، سیستم نیاز دارد که از طریق چندین تکرار عبور قطعات، یاد بگیرد.

آموزش استاندارد به‌صورت متفاوتی عمل می‌کند. به‌جای استفاده از یک تصویر مرجع تنها، شما یک دسته کامل از قطعات سالم را از سیستم عبور می‌دهید. سیستم بازرسی بینایی تمام این قطعات را بررسی کرده، تغییرات طبیعی موجود در آن‌ها را اندازه‌گیری می‌کند و محدوده‌های تحمل خود را به‌گونه‌ای تنظیم می‌کند که کل این دامنه از نتایج قابل‌قبول را پوشش دهد. این روش باعث می‌شود سیستم بداند «سالم بودن» در شرایط واقعی تولید شما چگونه است، نه صرفاً در یک محیط آزمایشگاهی ایده‌آل.

محدودیتی برای تعداد نمونه‌هایی که می‌توانید در فرآیند آموزش (Teach) استفاده کنید وجود ندارد. هرچه قطعات سالم‌تری را به سیستم نشان دهید، درک بهتری از آنچه قابل قبول است پیدا می‌کند. و اینجا یک نکته حرفه‌ای برای شماست: در هنگام انجام آموزش استاندارد، تنها از قطعات سالم استفاده کنید. اگر به‌اشتباه قطعه نامطلوبی را نیز در آموزش بگنجانید، سیستم یاد می‌گیرد که آن عیب قابل قبول است و در نتیجه با مشکل جدی مواجه خواهید شد.

در صورت نیاز، به‌صورت دستی تنظیم کنید

گاهی اوقات آموزش خودکار کافی نیست. قطعات شما ممکن است ویژگی‌های پیچیده‌ای داشته باشند که سیستم در تشخیص آن‌ها دچار مشکل می‌شود. در این موارد، باید پارامترها را به‌صورت دستی تنظیم کنید.

اغلب سیستم‌های بازرسی بینایی امکان ورود به ابزارها و تنظیم دستی پارامترها را فراهم می‌کنند. شما می‌توانید ناحیه مورد علاقه (ROI) را تنظیم کنید، آستانه‌های تحمل را تغییر دهید و منطق «قبول» یا «رد» را با دقت بیشتری تنظیم نمایید. این کار زمان بیشتری می‌برد و نیازمند تجربه‌ای است، اما بیشترین کنترل را در اختیار شما قرار می‌دهد. برای کاربردهای با دقت بالا که حتی خطاهای بسیار جزئی نیز اهمیت دارند، انجام تنظیمات دستی ارزش زحمت اضافی را دارد.

اگر شما با محصول جدیدی کار می‌کنید که شبیه به محصول قدیمی است، گاهی اوقات می‌توانید با استفاده از یک بازرسی موجود به‌عنوان نقطه شروع، زمان زیادی صرفه‌جویی کنید. یک مطالعه در زمینه یادگیری انتقالی نشان داد که مدلی که روی محصولات قدیمی آموزش دیده است، می‌تواند با تنها مقدار متوسطی از داده‌های جدید آموزشی برای محصولات جدید تطبیق داده شود و دقتی بیش از ۹۸ درصد را حفظ کند. این بدان معناست که همیشه لازم نیست از صفر شروع کنید. بلکه می‌توانید بر اساس مدل‌های موجود ساختار خود را بسازید.

استفاده از هوش مصنوعی برای بازرسی‌های پیچیده

سیستم‌های سنتی بازرسی بینایی بر قوانین ثابتی متکی هستند. آیا خراش طولانی‌تر از X میلی‌متر است؟ آیا رنگ خارج از محدوده Y است؟ این روش برای بازرسی‌های ساده کاملاً مناسب است. اما وقتی عیوب نامنظم، ناسازگان یا توصیف‌شدن آن‌ها با قوانین ثابت دشوار است، سیستم‌های مرسوم معمولاً با مشکل مواجه می‌شوند.

بازرسی بصری مبتنی بر هوش مصنوعی بازی را تغییر می‌دهد. به جای پیروی از مجموعه‌ای از قوانین پیش‌تعیین‌شده، این سیستم از نمونه‌ها یاد می‌گیرد. شما صدها یا هزاران تصویر از محصولات خوب و بد به آن نشان می‌دهید و سیستم به‌صورت خودکار الگوها را شناسایی می‌کند. بازرسی بصری مبتنی بر هوش مصنوعی به‌ویژه برای تولیدکنندگانی که در پی حفظ کیفیت محصول و حداقل‌سازی ضایعات هستند، مزایای قابل‌توجهی دارد. همچنین این سیستم بسیار انعطاف‌پذیر در برابر تغییرات محصول است. برخی از پلتفرم‌ها یادگیری هوش مصنوعی تحت نظارت و بدون نظارت را با ابزارهای مبتنی بر قاعده ترکیب می‌کنند تا تعداد موارد مثبت کاذب کاهش یابد و از رسیدن محصولات معیوب به مشتریان جلوگیری شود.

نکتهٔ عالی در مورد سیستم‌های امروزی این است که کاربرپسند هستند. برخی از دوربین‌ها اکنون دارای هوش مصنوعی تعبیه‌شده هستند که به‌صورت خودکار از تنها چند نمونهٔ تصویری یاد می‌گیرند و نیاز به پیکربندی دستی طولانی را از بین می‌برند. رابط‌های کاربرپسند، اپراتورها را در هر مرحله از فرآیند راه‌اندازی — از تنظیم نورگیری تا ثبت تصاویر مرجع — راهنمایی می‌کنند. حتی اپراتورهایی که تجربهٔ محدودی در بازرسی بصری دارند نیز می‌توانند فرآیندهای بازرسی قوی ایجاد کنند.

آزمون و اعتبارسنجی ضروری هستند

اینجا جایی است که اکثر افراد اشتباهات حیاتی ارتکاب می‌دهند. آن‌ها سیستم را آموزش می‌دهند، یک آزمون سریع انجام می‌دهند و سپس آن را مستقیماً در تولید به کار می‌برند. این امر اشتباهی بزرگ است.

پیش از اینکه سیستم بازرسی بینایی خود را به‌صورت خودکار و بدون نظارت اجرا کنید، باید آن را به‌درستی اعتبارسنجی نمایید. یک دسته از قطعات شناخته‌شدهٔ سالم و نامطلوب را از سیستم عبور دهید. بررسی کنید که آیا سیستم تمام نقص‌ها را تشخیص می‌دهد یا خیر. همچنین بررسی کنید که آیا هرگونه قطعهٔ سالمی را نیز رد می‌کند یا خیر. اگر نرخ رد اشتباهی (False Reject Rate) شما بیش از حد بالا باشد، به مرحلهٔ تنظیمات بازگشته و محدوده‌های تحمل خود را اصلاح کنید. اگر نرخ عدم تشخیص (Miss Rate) بیش از حد بالا باشد، نمونه‌های بیشتری از نقص‌ها را به مجموعهٔ آموزشی خود اضافه کنید.

رویکرد «اثبات مفهوم» (Proof of Concept) در اینجا به‌خوبی جواب می‌دهد. به‌جای اینکه سعی کنید همهٔ مراحل بازرسی را یک‌باره خودکار کنید، با یک نقطهٔ حیاتی بازرسی روی خط تولید جدید خود شروع کنید. مجموعهٔ طلایی (Golden Dataset) خود را از نمونه‌های سالم و نامطلوب جمع‌آوری کنید، امکان‌پذیری این روش را آزمایش کنید و سپس تنها در صورت موفقیت، مقیاس آن را افزایش دهید. انجام صحیح این مرحله در نهایت منجر به صرفه‌جویی قابل‌توجهی در هزینه‌ها خواهد شد.

برنامه‌ریزی برای بهبود مستمر

آموزش سیستم بازرسی بینایی یک رویداد تک‌باره نیست. محصولات شما تغییر خواهند کرد. تأمین‌کنندگان شما تغییر خواهند کرد. شرایط تولید شما تغییر خواهند کرد. بنابراین سیستم بازرسی شما نیز باید قادر به پیگیری این تغییرات باشد.

یک فرآیند برای آموزش مداوم ایجاد کنید. هر زمان که نوع جدیدی از عیب را که سیستم شما تشخیص نداده است، کشف کنید، آن تصاویر را به مجموعه آموزشی خود اضافه کرده و سیستم را دوباره آموزش دهید. هر زمان که طراحی محصولی را تغییر می‌دهید، تصاویر مرجع خود را به‌روزرسانی کنید. برخی از سیستم‌های پیشرفته قابلیت یادگیری مداوم را ارائه می‌دهند که به‌مرور زمان با تغییرات محصول سازگار می‌شوند. هرچه بیشتر سیستم خود را آموزش دهید، هوشمندتر می‌شود.

سازندگانی که این امر را به‌درستی انجام می‌دهند، نتایج واقعی مشاهده می‌کنند. بازرسی بصری مبتنی بر هوش مصنوعی امکان تشخیص زودهنگام عیوب، تحلیل سریع‌تر ریشه عیوب و ارائه بینش‌های عملی در زمان واقعی را فراهم می‌کند که منجر به افزایش کارایی و کاهش ضایعات می‌شود. شرکت YIHUI تجهیزات بازرسی بصری را با رعایت این اصول آموزشی طراحی می‌کند و به سازندگان در صنایع ماشین‌آلات، الکترونیک، هوافضا و خودروسازی کمک می‌کند تا خطوط تولید جدید را سریع‌تر راه‌اندازی کنند. در نهایت، سیستم بازرسی بصری تنها به اندازه آموزشی که به آن داده می‌شود خوب است. اگر این کار را به‌درستی انجام دهید، سال‌ها بر نام تجاری شما محافظت خواهد کرد.