Duboko učenje ili vid zasnovan na pravilima: 3.000 slika i 10 minuta

Prikaz

Inspekcija industrijskih mana ima dvije porodice metoda, a argument između njih se obično oblikuje kao stari protiv novog. To okruženje nije od pomoći. Vizija zasnovana na pravilima i duboko učenje rešavaju različite probleme, a proizvodna stanica koja koristi samo jedan od njih će biti ili nepouzdana za varijabilne nedostatke ili nepotrebno skupa za jednostavne.

Sistem zasnovan na pravilima mjeri nešto eksplicitno: prag na nivou sive, položaj rubova, područje mrlje, smjer nagib. Model dubokog učenja zaključuje obrazac iz primera. Prvi je predvidljiv i objasnjiv, a drugi je fleksibilan, ali zavisi od podataka. Inženjersko pitanje je koja od ovih osobina treba klasi defekta.

Big Bird Industrial (ranije Shimada Big Bird Industrial) proizvodi sisteme za čišćenje i deburing za komponente pogonskih sklopova automobila od 2001. godine, a podaci o detekciji koji se koriste ovdje dolaze iz stanica koje rade na proizvodnim linijama, a ne iz referentnih skupova podataka.

1. da se Šta dobro čini vizija zasnovana na pravilima

Vid zasnovan na pravilima je mjerenje, a mjerenje je ono za šta bi trebalo da se koristi. Kada defekt ima geometrijsku definiciju, pravilo ga tačno izražava.

Geometrijski i dimenzionalni defekti

Rupa koja nedostaje, čvor koji je 2 mm previsok, nit koja je ukrižena, žlijezdo koje nije u redu: to su geometrijske činjenice. Merenje zasnovano na pravilima vraća broj sa tolerancijom, a odluka je poređenje. Nema skupa obuke, nema dvosmislenosti i nema pomicanja kako se dio populacije mijenja.

Objašnjivost pod revizijom

Odluka zasnovana na pravilima može se opisati revizoru u jednoj rečenici, jer je prag za mjerenu vrijednost. U pogledu karakteristika povezanih sa sigurnošću i u pogledu revizija korisnika u kojima se metoda inspekcije mora dokumentovati, ta imovina vrijedi više od marginalnog poboljšanja stope otkrivanja.

2. - Šta? Gdje se propada vizija zasnovana na pravilima

Pravila rade kada defekt izgleda isto svaki put. Prestane da radi kada se defekt menja u izgledu ili kada se pozadina menja oko njega.

Promjenljiv izgled

Poroznost odlijevanja, hladne zatvore, inkluzije peska i oznake protoka menjaju oblik, veličinu, kontrast i boju od dela do dela. Pisanje pravila za svaku varijaciju stvara skup pravila koji raste dok ne dođe u sukob sa samim sobom, a sukobi se pojavljuju kao lažni pozivi na dobre dijelove.

Varijacija teksture i osvetljenja

Obrane površine imaju oznake alata, lijene površine imaju zrno, i obje se menjaju sa nošenjem alata i sa položajem dijela pod svjetlom. Pražnji broj podešen u ponedjeljak označava cijelu populaciju u petak nakon promjene alata, ne zato što se proces pogoršao, već zato što se tekstura promenila.

3. - Šta? Šta duboko učenje mijenja

Model dubokog učenja ne meri karakteristiku; uči se raspodjeli pojava koje pripadaju klasi. To ga čini tolerantnim prema varijaciji koja prekida pragove, po cijenu potrebe za primjerima i teže objašnjenja.

Stopa otkrivanja u proizvodnji

Na livenim aluminijumskim glavacima cilindara, stanica za inspekciju površine sa dubokim učenjem postiže stopu propusta oko 0,1 posto sa stopom lažnog poziva od 3 do 5 posto, na ciklusu od 36 sekundi i u pet varijanti dijelova. Na kućištima menjača postiže se isti red propusta sa stopom 5 posto lažne pozive, 58 sekundi za kraj pokrića i 112 sekundi za prednje i stražnje kućišta. Ove cifre opisuju sistem koji je prilagođen određenom kriteriju, a ne generičkoj sposobnosti.

Nadzorno, polu-nadzorno i bez nadzora

Nadzorna obuka zahteva označene primere mana i daje najbolju tačnost po klasi. Poluprovidano obuku koristi mali označen set sa velikim ne-označen set, koji odgovara programima gdje su nedostatci rijetki. Neprirodno obučavanje uči kako izgleda normalno i označava odstupanja, što je pravi izbor kada je nedostatak rijedak ili kada se njegov izgled još ne zna. Procesna linija koja proverava sa više od 20 kamera u ciklusu od 5 sekundi može da radi bez nadzora jer je normalna varijacija dobro karakterizirana i primeri mana su rijetki.

4. - Šta? Problem sa podacima o obuku

Praktično usko grlo u inspekciji dubokog učenja nije model, već skup podataka. Prikupljanje pravih primera defekta traje mjesecima jer su defekti rijetki, a njihovo komentiranje traje nedeljama jer je granica defekta često poziv na presudu.

Sintetičke mane kao prečica

Algoritmi za generisanje mana stvaraju vjerodostojne greške na slikama dobrih dijelova. Za skup od 3.000 slika, ručno stvaranje mana i označavanje traje oko 20 dana i 5 dana; isti set generiran algoritmom traje oko 10 minuta i 1 minut, a sintetičke oznake su tačne jer proces generacije zna gdje je stavio mana. Rezultat ne zamjenjuje stvarnu validaciju mana, ali smanjuje vrijeme do prvog radnog modela od mjeseci do nedelja.

Korak validacije još uvijek treba stvarne nedostatke, a to je potrebno iz procesa proizvodnje, a ne iz uzorka, jer stvarne nedostatke nose površinski kontekst koji sintetički približavaju. Stanica se ne dokazuje dok ne bude pokrenuta protiv dijelova koji su propali nizvodno.

5. - Šta? Izbor po defektu klase

Produktivni pristup je da se svaka klasa mana u specifikaciji inspekcije dodijeli metodi koja joj odgovara, umjesto da se za celu stanicu izabere jedna metoda. Stanica može pokrenuti pravilo za provjeru prisutnosti i položaja i model dubokog učenja za nedostatke izgleda na istom dijelu, a rezultati se spoje u jednu odluku.

Taj zadatak takođe razjašnjava kriterij za prihvatanje. Geometrijske klase se mogu provjeriti mjerom ili mjerom koordinata; klase izgleda trebaju panel sa defectima sa dogovorenim primjerima. Napisanje dve metode provjere odvojeno u fazi specifikacije izbjegava situaciju u kojoj dobavljač dokaže stopu detekcije za jednu klasu i primjenjuje je na sve njih.

6. - Šta? Infrastruktura podataka i održavanje modela

Stanica za duboko učenje proizvodi slike neprekidno i odluke neprekidno. Obje treba da se čuvaju, jer prvo pitanje nakon žalbe kupaca je koje slike je stanica vidjela i šta je odlučila. Stanica koja zadrži samo slike koje je odbila ne može odgovoriti na to pitanje za dio koji je prošao.

Održavanje prave slike

Praktična politika je da se sve slike zadrže za kratak period, sve odbijene slike za duži period i sve slike povezane sa identifikatorom sledljivosti za period zadržavanja proizvodnje. Ova kombinacija obuhvata revizije, istrage osnovnih uzroka i skup preobrazbe bez neograničenog rasta skladišta.

Modelne verzije i produženje važnosti

Svaki preobrazba proizvodi novi model, i novi model može promijeniti lažne pozive stopa na razredima nije bio preobrazbe za. Kontrola verzija, fiksni set validacije i poređenje sa prethodnom verzijom prije primene su minimalna disciplina. Bez njih, poboljšanje jedne klase mana može tiho degradirati drugu, a promjena se pripisuje procesu, a ne modelu.

Često postavljana pitanja

Da li duboko učenje u potpunosti zamjenjuje vid zasnovan na pravilima?

-Ne, ne, ne, ne. Geometrijske provjere ostaju jeftinije, brže i objasnjive kada se primenjuju kao pravila. Duboko učenje dodaje sposobnost na nedostatke izgleda gdje pravila postaju krhka, a oboje se obično kombinuju na istoj stanici.

Koliko je slika sa defektom potrebno da bi se model obučavao?

To zavisi od varijabilnosti klase mana. Nekoliko stotina dobro označenih primera može biti dovoljno za dosljedan defekt na dosljednoj pozadini, dok varijabilnim defektima odlijevanja treba nekoliko hiljada. Sintetička generacija se koristi da bi se brže dostigla ta brojka, a zatim validacija na stvarnim defektima.

Koja je stopa gđice realna u produkciji?

Oko 0,1 posto na defekte odlijevanja i obrade, sa stopama lažnih poziva između 2 i 7 posto u zavisnosti od površine i klase mana. Citat o stopi propusta bez odgovarajuće stope lažnih poziva opisuje polovinu sistema.

Šta se dešava kada se pojavi novi nedostatak?

Model mora biti preobražen uz primjere nove klase, zbog čega je platforma važna koliko i model. Stanica koja ne može da doda klasu bez softverskih projekata će tiho gomilati lažne negative.

Zaključak

Vid zasnovan na pravilima odgovara na pitanja koja imaju geometrijski odgovor. Duboko učenje odgovara na pitanja o izgledu koja nijedan prag ne može da uhvati. Pridruživanje svake klase mana pravoj metodi je odluka o specifikaciji, a to je ono što razdvaja stanicu koja održava svoje performanse od one koja se redizajnira svaki mjesec.

Skup podataka, a ne algoritam, je obično ograničavajući faktor, zbog čega je vrijeme do prvog radnog modela bolja mjera dobavljača nego arhitektura koju oni nazivaju. Drugo pitanje koje treba postaviti je kako se dodaje nova klasa defekta, jer svaka linija proizvodi defekt koji niko nije očekivao u prvoj godini.