Обучение вашей системы визуального контроля для новых производственных линий.

Начну с честности. Запуск новой производственной линии — это, безусловно, важная веха, однако он может также доставить немало хлопот. Ваша система визуального контроля не распознаёт новые детали и не знает, какая деталь считается годной, а какая — бракованной. Её необходимо обучить. Если вы выберете неправильный подход к обучению, это приведёт к ложным отбраковкам, пропуску дефектов и разочарованию операторов. Хорошая новость заключается в том, что обучение системы визуального контроля может быть быстрым и беспроблемным, если следовать правильной методике.

Подготовка начинается со сбора образцов

Прежде чем приступить к работе с системой, необходимо собрать образцы. Это самый важный этап, и при этом именно его чаще всего выполняют поспешно. Не будьте таким человеком.

Вам потребуется несколько типов образцов. Во-первых, соберите исправные детали. Вам понадобится больше, чем лишь несколько изображений изделий, соответствующих вашим стандартам качества. Возможно, потребуется десятки или даже сотни изображений. Чем их больше, тем лучше система поймёт, как выглядят допустимые изделия. Эти исправные детали также должны охватывать нормальные вариации, которые вы ожидаете увидеть: незначительные различия в цвете, небольшие смещения положения или незначительные изменения текстуры. Если в обучающей выборке присутствуют только идеальные детали, система машинного зрения будет отклонять всё, что выглядит хоть немного иначе, даже если такие изделия полностью пригодны к использованию.

Во-вторых, соберите бракованные детали. Составьте исчерпывающий список для каждого типа дефекта, имеющего значение для вас. В этот список могут входить царапины, трещины, отсутствующие компоненты, неверные цвета или неправильно расположенные этикетки. Чем шире разнообразие примеров дефектов у вас есть, тем лучше система научится распознавать то, что следует искать. Одно исследование показало, что предварительно обученная модель обнаружения дефектов способна адаптироваться к новым изделиям после получения умеренного количества новых образцов и небольшой дообучаемой настройки. Однако «умеренное» не означает «минимальное». Некачественный набор данных по-прежнему даст некачественные результаты, поэтому убедитесь, что вы подготовили чётко определённые образцы.

Используйте функцию быстрого обучения для быстрого старта

Как только ваш набор образцов будет готов, наступает время обучить систему. Вам повезло: почти все современные системы визуального контроля оснащены встроенной функцией под названием «Быстрое обучение» или «Обучение одной кнопкой». Это значительно упрощает вашу задачу при внедрении новой производственной линии.

Функция быстрого обучения работает путем получения опорного изображения детали без дефектов и автоматической настройки параметров системы на основе этого изображения. Система анализирует опорное изображение, измеряет ключевые характеристики и применяет допуски. Вам не нужно вручную вводить числовые значения или угадывать, где должны располагаться пороговые значения. Вся сложная работа выполняется системой за вас.

Этот метод хорошо подходит для быстрого контроля партии деталей, имеющих одинаковый внешний вид. Например, при контроле идентичных штампованных металлических деталей или литых пластиковых компонентов функция быстрого обучения позволяет выполнить настройку за несколько минут вместо нескольких часов. Некоторые современные камеры сокращают время настройки с часов до нескольких минут за счёт автоматического обучения по нескольким образцовым изображениям. Ключевое условие — обеспечить, чтобы опорное изображение точно отражало внешний вид тех деталей, которые вы ожидаете увидеть в партии.

Перейдите к стандартному обучению, когда детали различаются

У функции «Быстрое обучение» есть недостаток. Если внешний вид ваших деталей демонстрирует значительную изменчивость, функция «Быстрое обучение» будет чаще отклонять исправные детали. В этом случае системе необходимо обучиться на основе нескольких итераций деталей.

Функция «Стандартное обучение» работает по-другому. Вместо использования одного эталонного изображения вы пропускаете через систему целую партию исправных деталей. Система машинного зрения анализирует их все, измеряет естественную изменчивость и устанавливает допуски таким образом, чтобы охватить весь диапазон приемлемых результатов. Таким образом, система учится распознавать, как выглядят исправные детали в реальных условиях вашего производства, а не только в идеальных лабораторных условиях.

Ограничений на количество образцов, которые можно использовать в процессе обучения (Teach), нет. Чем больше исправных деталей вы покажете системе, тем лучше она поймёт, какие параметры считаются допустимыми. И вот профессиональный совет: при стандартном обучении используйте только исправные детали. Если по ошибке включить бракованную деталь, система воспримет этот дефект как допустимый, и вы столкнётесь с серьёзными проблемами.

Ручная корректировка при необходимости

Иногда автоматическое обучение оказывается недостаточным. У ваших деталей могут быть сложные конструктивные особенности, с которыми система не справляется. В таких случаях требуется ручная корректировка параметров.

Большинство систем машинного зрения позволяют войти в инструменты и вручную изменить настройки. Вы можете скорректировать область интереса (ROI), изменить пороговые значения допусков, а также тонко настроить логику принятия решения «годно/не годно». Этот подход требует больше времени и определённого опыта, однако обеспечивает максимальный контроль. Для высокоточных задач, где даже незначительные отклонения имеют значение, ручная корректировка оправдывает затраченные усилия.

Если вы работаете с новым продуктом, похожим на уже существующий, вы можете сэкономить значительное количество времени, используя существующий контрольный процесс в качестве отправной точки. Исследование по переносу обучения показало, что модель, обученная на данных старых продуктов, может быть адаптирована для новых продуктов при относительно небольшом объёме новых обучающих данных и при этом сохраняет точность выше 98 процентов. Это означает, что вам не всегда нужно начинать с нуля: вы можете строить новые решения на основе уже существующих моделей.

Использование ИИ для сложных проверок

Традиционные системы машинного зрения полагаются на фиксированные правила. Например: «Длина царапины превышает X миллиметров?», «Цвет выходит за пределы диапазона Y?». Такой подход хорошо работает при простых проверках. Однако при наличии дефектов неправильной формы, нестабильных или трудноописуемых с помощью фиксированных правил традиционные системы, как правило, испытывают затруднения.

Инспекция с помощью компьютерного зрения на основе ИИ меняет правила игры. Вместо того чтобы следовать заранее заданному набору правил, система учится на примерах. Вы предоставляете ей сотни или тысячи изображений как исправных, так и дефектных изделий, и она самостоятельно выявляет закономерности. Инспекция с помощью компьютерного зрения на основе ИИ особенно выгодна для производителей, стремящихся сохранить качество продукции и свести к минимуму отходы. Кроме того, такая система чрезвычайно гибко адаптируется к изменениям в продукции. Некоторые платформы объединяют контролируемое и неконтролируемое обучение ИИ с инструментами, основанными на правилах, чтобы снизить количество ложноположительных срабатываний и предотвратить попадание бракованных изделий к заказчикам.

Преимущество современных систем заключается в их удобстве для пользователя. Некоторые камеры теперь оснащены встроенным искусственным интеллектом, который автоматически обучается на основе всего лишь нескольких образцов изображений, что устраняет необходимость длительной ручной настройки. Удобные для пользователя интерфейсы направляют операторов на каждом этапе процесса настройки — от регулировки освещения до регистрации опорных изображений. Даже операторы с ограниченным опытом визуального контроля могут создавать надёжные процессы контроля.

Тестирование и валидация являются обязательными

Именно на этом этапе большинство людей допускают критические ошибки. Они обучают систему, проводят быстрое тестирование и сразу же запускают её в производство. Это грубая ошибка.

Прежде чем запускать систему визуального контроля в автономном режиме, необходимо правильно выполнить её валидацию. Пропустите через систему партию заведомо исправных и заведомо дефектных деталей. Проверьте, выявляет ли система все дефекты. Проверьте, отбраковывает ли она какие-либо исправные детали. Если доля ложноотклонённых деталей слишком высока, вернитесь к настройке допусков. Если доля пропущенных дефектов слишком высока, добавьте в обучающий набор больше образцов дефектных деталей.

Здесь хорошо работает подход «доказательства концепции». Вместо того чтобы пытаться автоматизировать всё сразу, начните с одного критически важного пункта контроля на новой линии. Соберите эталонный набор данных из исправных и дефектных образцов, проверьте техническую осуществимость решения, а затем уже переходите к масштабированию. Правильное выполнение этого этапа в конечном счёте позволит вам сэкономить значительные средства.

Планируйте непрерывное совершенствование

Обучение системы визуального контроля — это не разовое мероприятие. Ваши изделия будут меняться. Будут меняться ваши поставщики. Будут меняться условия производства. Ваша система контроля должна постоянно адаптироваться к этим изменениям.

Создайте процесс постоянного обучения. Каждый раз, когда вы обнаруживаете новый тип дефекта, который ваша система пропустила, добавляйте соответствующие изображения в обучающий набор и проведите повторное обучение. При каждом изменении конструкции изделия обновляйте эталонные изображения. Некоторые передовые системы обладают возможностями непрерывного обучения и адаптируются к изменениям изделий со временем. Чем больше вы обучаете свою систему, тем умнее она становится.

Производители, которые грамотно реализуют этот подход, получают ощутимые результаты. Визуальный контроль на основе ИИ обеспечивает более раннее выявление дефектов, ускоряет анализ первопричин и предоставляет оперативные практические рекомендации, повышающие эффективность и снижающие потери. Компания YIHUI проектирует оборудование для визуального контроля с учётом этих принципов обучения, помогая производителям из таких отраслей, как машиностроение, электроника, аэрокосмическая промышленность и автомобилестроение, быстрее запускать новые производственные линии. В конечном счёте, система визуального контроля настолько эффективна, насколько качественно она обучена. При правильной организации обучения она будет защищать ваш бренд на протяжении многих лет.