Dyb læring eller regelbaseret vision: 3.000 billeder og 10 minutter

Oversigt

Industriel fejlinspektion har to metodefamilier, og debatten mellem dem formuleres normalt som gammelt mod nyt. Denne opfattelse er uhensigtsmæssig. Regelsbaseret vision og dybt læring løser forskellige problemer, og en produktionsstation, der kun anvender én af dem, vil enten være upålidelig ved variable fejl eller unødigt dyr ved simple fejl.

Et regelsbaseret system måler noget eksplicit: en tærskel for gråtoneniveau, en kantposition, en blobareal, en gradientretning. En model baseret på dybt læring udleder et mønster ud fra eksempler. Den første er forudsigelig og forklarlig, den anden er fleksibel, men afhænger af data. Det tekniske spørgsmål er, hvilken af disse egenskaber fejlklassen kræver.

Big Bird Industrial (tidligere Shimada Big Bird Industrial) har bygget rengørings- og afgrædningssystemer til bilers drivlinjekomponenter siden 2001, og de detektionsdata, der anvendes her, stammer fra stationer, der kører på produktionslinjer, og ikke fra benchmarkdatasæt.

1. Hvad regelbaseret syn gør godt

Regelbaseret syn er en måling, og måling er det, det skal bruges til. Når fejlen har en geometrisk definition, udtrykker en regel den præcist.

Geometriske og dimensionelle fejl

Et manglende hul, en forhøjning, der er 2 mm for høj, et gevind, der er skråskåret, en tætningsrille, der er forkert placeret: dette er geometriske fakta. En regelbaseret måling returnerer et tal med en tolerance, og afgørelsen er en sammenligning. Der er ingen træningsmængde, ingen tvetydighed og ingen afdrift, når delpopulationen ændrer sig.

Forklarbarhed under revision

En regelbaseret afgørelse kan beskrives for en revisor i én sætning, fordi den er en grænseværdi på en målt værdi. Ved sikkerhedskritiske egenskaber og ved kunderevisioner, hvor inspektionsmetoden skal dokumenteres, er denne egenskab mere værdifuld end en marginal forbedring af detekteringsrate.

2. Hvor regelbaseret syn svigter

En regel virker, når fejlen ser ud på samme måde hver gang. Den ophører med at virke, når fejlen varierer i udseende eller når baggrunden omkring den varierer.

Variabelt udseende

Støbeporøsitet, kolde lukninger, sandinklusioner og strømningsmærker ændrer form, størrelse, kontrast og farve fra emne til emne. At skrive en regel for hver variation resulterer i et regelsæt, der vokser, indtil det kommer i konflikt med sig selv, og disse konflikter vises som forkerte alarmopkald på gode emner.

Tekstur- og belysningsvariation

Maskinerede overflader har værktøjsmærker, støbte overflader har kornstruktur, og begge ændrer sig med værktøjsslid samt med emnets position under lyset. En tærskel, der er afstemt mandag, udløser falske alarmopkald på hele populationen fredag efter en værktøjsudskiftning – ikke fordi processen er forringet, men fordi tekturen er ændret.

3. Hvad dyb læring ændrer

En model for dyb læring måler ikke en egenskab; den lærer fordelingen af udseender, der hører til en klasse. Det gør den tolerant over for variationer, der bryder tærsklerne, men til prisen af at kræve eksempler og at være sværere at forklare.

Detektionshastigheder i produktionen

På støbte aluminiumscylinderhoveder opnår en overfladeinspektionsstation baseret på dybt læring en udeladelseshastighed på omkring 0,1 procent med en falsk-alarm-hastighed på 3 til 5 procent, ved en cyklus på 36 sekunder og på tværs af fem delevarianter. På gearkasser opnås samme størrelsesorden for udeladelseshastigheden med en falsk-alarm-hastighed på 5 procent, ved 58 sekunder for et endelåg og 112 sekunder for for- og baghuse. Disse tal beskriver et system, der er afstemt mod et specifikt kriterium, ikke en generisk kapacitet.

Overvåget, delvist overvåget og ikke-overvåget

Overvåget træning kræver mærkede eksempler på fejl og giver den bedste nøjagtighed pr. klasse. Delvist overvåget træning bruger en lille mærket mængde sammen med en stor umærket mængde, hvilket passer til programmer, hvor fejl er sjældne. Uovervåget træning lærer, hvordan normalt ser ud, og markerer afvigelser, hvilket er det rigtige valg, når fejlen er sjælden eller når dens udseende endnu ikke er kendt. En stempelingslinje, der inspicerer med mere end tyve kameraer ved en cyklus på fem sekunder, kan køre uovervåget, fordi normale variationer er velkarakteriserede, og fejleksempler er sjældne.

4. Problemet med træningsdata

Den praktiske flaskehals i dyb læring til inspektion er ikke modellen, men datasættet. At indsamle reelle fejleksempler tager måneder, fordi fejl er sjældne, og at annotere dem tager uger, fordi grænsen for en fejl ofte er et skøn.

Synthetiske fejl som en genvej

Fejlgenereringsalgoritmer skaber troværdige fejl på billeder af gode dele. For et sæt på 3.000 billeder tager manuel fejlindførelse og mærkning henholdsvis ca. 20 dage og 5 dage; det samme sæt genereret af algoritmen tager ca. 10 minutter og 1 minut, og de syntetiske mærkater er præcise, fordi genereringsprocessen kender placeringen af fejlen. Resultatet er ikke en erstatning for reelle fejlvalideringer, men det forkorter tiden til en fungerende første model fra måneder til uger.

Valideringstrinnet kræver stadig reelle fejl, og det kræver dem fra produktionsprocessen snarere end fra en prøveindsamling, fordi reelle fejl indeholder overfladekonteksten, som syntetiske fejl kun approksimerer. En station er ikke godkendt, før den har kørt på dele, der mislykkedes nedstrøms.

5. Valg pr. fejlklasse

Den produktive tilgang er at tildele hver defektklasse i inspektionsbeskrivelsen til den metode, der passer bedst, fremfor at vælge én metode til hele stationen. En station kan køre en reglemotor til kontroller af tilstedeværelse og position samt en dyb-læring-model til udseende-defekter på samme komponent, hvor resultaterne kombineres til én beslutning.

Denne tildeling præciserer også accepttesten. Geometriske klasser kan verificeres med en måleindretning eller en koordinatmåling; udseende-klasser kræver et defekt-panel med aftalte eksempler. Ved at skrive de to verifikationsmetoder separat i specifikationsfasen undgås situationen, hvor en leverandør demonstrerer en detektionsrate for én klasse og anvender den på alle klasser.

6. Datainfrastruktur og modelvedligeholdelse

En dyb-læring-station producerer kontinuerligt billeder og træffer kontinuerligt beslutninger. Begge skal gemmes, fordi det første spørgsmål efter en kundeklage er, hvilke billeder stationen så og hvad den besluttede. En station, der kun gemmer de billeder, den afviste, kan ikke besvare dette spørgsmål for den del, der blev godkendt.

Bevar de rigtige billeder

Den praktiske politik er at gemme alle billeder i et kort tidsrum, alle afviste billeder i et længere tidsrum og alle billeder, der er knyttet til en sporbarehedskode, i hele produktionsbevaringsperioden. Denne kombination dækker revisioner, årsagssøgning og træningsdatasættet uden ubegrænset lagerpladsforbrug.

Modelversioner og genvalidering

Hver omtræning producerer en ny model, og en ny model kan ændre fejlalarmraten for klasser, den ikke blev omtrænet på. Versionskontrol, en fast valideringsmængde og en sammenligning med den forrige version før implementering er det mindste krav til disciplin. Uden disse kan en forbedring for én defektklasse stille og roligt forringe en anden, og ændringen tilskrives så processen i stedet for modellen.

Ofte stillede spørgsmål

Erstatte dybe læringssystemer fuldstændigt regelbaserede visionssystemer?

Nej. Geometriske kontroller forbliver billigere, hurtigere og mere gennemsigtige, når de implementeres som regler. Dyb læring udvider kapaciteten ved udseende-defekter, hvor regler bliver skrøbelige, og de to metoder kombineres ofte på samme station.

Hvor mange defektbilleder kræves der for at træne en model?

Det afhænger af variabiliteten i fejlklassen. Et par hundrede vel-annoterede eksempler kan være tilstrækkeligt til en konsekvent fejl på en konsekvent baggrund, mens variable gysningsfejl kræver flere tusinde. Synthetisk generering bruges til at nå det påkrævede antal hurtigere, efterfulgt af validering på reelle fejl.

Hvilken misse-rate er realistisk i produktionen?

Omkring 0,1 procent for gysnings- og maskineringsfejl, med falsk-positive-rater mellem 2 og 7 procent, afhængigt af overfladen og fejlklassen. At angive en misse-rate uden den tilsvarende falsk-positive-rate beskriver kun halvdelen af systemet.

Hvad sker der, når en ny fejl opstår?

Modellen skal trænes på ny med eksempler på den nye klasse, hvilket er grunden til, at platformen er lige så vigtig som modellen. En station, der ikke kan tilføje en klasse uden et softwareprojekt, vil stille og rolig akkumulere falsk-negative resultater.

Konklusion

Regelbaseret syn besvarer spørgsmål, der har et geometrisk svar. Dyp læring besvarer spørgsmål om udseende, som ingen tærskel kan fange. At tildele hver defektklasse den rigtige metode er en specifikationsbeslutning, og at træffe den eksplicit er det, der adskiller en station, der opretholder sin ydelse, fra én, der justeres igen hver måned.

Datamaterialet – ikke algoritmen – er normalt den begrænsende faktor, hvilket er grunden til, at tiden til det første fungerende model er en bedre målestok for en leverandør end den arkitektur, de nævner. Det andet spørgsmål, man skal stille, er, hvordan en ny defektklasse tilføjes, fordi hver produktionslinje frembringer en defekt, som ingen forudså i det første år.