Uveljavljanje modela za vid: od 3000 označenih slik do proizvodne linije

Pregled

Projekt videnja je pogosto opisan kot vaja za usposabljanje modela. V proizvodnji pa gre za podatkovno nalogo, ki ji sledi namestitev, pri čemer je model majhen del na sredini. Projekti, ki spodletijo, običajno spodletijo na enem od obeh koncov, ne pa pri usposabljanju.

Težava z naborom podatkov je v tem, da so resnične napake redke. Proizvodna linija, ki ves dan proizvaja dobre dele, zagotovi zelo malo primerov napak, ki jih naj bi zaznala, poleg tega so ti primeri neoznačeni in neenotno opisani. Težava z namestitvijo je v tem, da mora model, ki dobro deluje na preveritvenem naboru, delovati na strojni opremi v celici, znotraj časovnega cikla in na slikah, ki se malce razlikujejo od tistih, na katerih je bil usposobljen.

Ta članek opisuje zaporedje od prvega nabora podatkov do delujoče postaje, vključno z delom, ki ga večina projektov podcenjuje: kaj se dogaja v mesecih po zagonu. Big Bird Industrial (nekdanja Shimada Big Bird Industrial) gradi sisteme za čiščenje in odstranjevanje ostankov z avtomobilskih komponent za pogonske sklope že od leta 2001, številke v tem članku pa izvirajo iz programov proizvodnje in nadzora, ne pa iz referenčnih naborov podatkov.

1. Nabor podatkov je projekt

Praktična omejitev pri projektu za zaznavanje napak je število označenih primerov vsake vrste napake, kar je omejitev, ki je ne moremo odpraviti z izbiro boljše arhitekture.

Zakaj so dejanske napake redke

Proces, ki je pod nadzorom, proizvede le malo napak – kar je tudi njegova glavna naloga. Zbiranje tisoč primerov določene poroznosti na določeni površini lahko traja mesece, med tem pa se lahko spremenijo orodja, dobavitelj litin ali konstrukcija dela, kar starejše primere naredi manj predstavnimi.

Kaj sinteza lahko in ne more storiti

Algoritmi za ustvarjanje napak postavljajo verjetne napake na slike brezhibnih delov in ustvarjajo natančne oznake, saj generator ve, kaj je dodal in kje. Nabor trih tisoč slik, ki ga ročno ustvariti in označiti traja tedne, se na ta način ustvari v nekaj minutah, kar skrajša pot do prve delujoče modela z mesecev na tedne.

Sinteza ne more nadomestiti preverjanja na resničnih napakah. Resnične napake vsebujejo kontekst površine, različice osvetlitve in obnašanje materiala, ki jih generator le približno simulira; model, ki je videl le sintetične pore, bo zaznal le sintetične pore. Sintetični nabor omogoči prvi model; resnični nabor pa dokaže njegovo učinkovitost.

2. Učenje je kratek del

Ko obstaja nabor podatkov, trajanje učenja znaša le nekaj ur na sodobni strojni opremi. Dalj časa traja dogovor o pomenu oznak.

Določitev oznak je odločitev o kakovosti

Dva izkušena pregledovalca se bosta razhajala v mnenju, ali je oznaka reža ali pa oznaka orodja, ter tudi v tem, kje poteka meja napake. To razhajanje mnenj je treba razrešiti pred usposabljanjem, saj model, usposobljen na neusklajenih oznakah, nauči neusklajenosti. Zapis definicije skupaj z referenčnimi slikami za mejni primeri je korak, ki se najpogosteje izpusti in ki najpogosteje odloča o sprejetju postaje.

Validacijska množica mora biti drugačna

Validacijska množica, izpeljana iz iste zbirke kot učna množica, meri spomin, ne pa sposobnosti. Uporabna razdelitev je po delu, po izmeni ali po obdobju proizvodnje, tako da izvirajo validacijske slike iz pogojev, ki jih model še ni videl.

3. Vdelava spremeni problem

Premik z delovne postaje v celico uvede tri omejitve, ki jih učno okolje nima.

Računska moč in zakasnitev

Celica ima časovni cikel, zato mora sklepanje potekati znotraj tega časa skupaj z zajemom slik, gibanjem robota in logiko odločanja. Model, ki za vsako sliko potrebuje dve sekundi, je primeren za delovno postajo, vendar nezahteven za postajo, ki mora v dvanajstih sekundah pregledati osem pogledov. Običajna rešitev je kvantizacija ali izrezovanje modela oziroma premik sklepanja na robno napravo; vsaka od teh spremembe pa zahteva ponovno veljavnostno preverjanje, saj rahlo spreminja izhodne rezultate.

Kamera ni ista kamera

Slike s trenirne naprave in slike s proizvodne kamere se razlikujejo po barvnem odzivu, šumu in ostrosti. Model, ki je bil usposobljen na enih podatkih, vendar se uporablja na drugih, običajno deluje slabše; zato bi optiko za proizvodnjo bilo treba določiti že pred zbiranjem podatkov, ne pa šele po tem.

Zavrnjena izdelka je treba nekam dati

Razvijanje ni končano, ko model teče. Končano je, ko je zavrnjen del usmerjen na določeno pozicijo, rezultat je zabeležen glede na identiteto dela in proizvodna linija ve, kaj naj naredi naprej. Postaja, ki prikazuje le rdečo okvirčko, je le predstavitev.

4. Kaj se zgodi po zagonu

Mesece po vzpostavitvi odločajo, ali postaja ohrani svojo učinkovitost, in so najpogosteje izpuščeni iz načrtov projekta.

Odhajanje

Svetilke starajo, leče se nabirajo s prahom, pritrdilni elementi se obrabljajo in del leži milimeter drugače. Vsaka sprememba je majhna, a vsaka premakne slike stran od porazdelitve, na kateri je bil model usposobljen. Videlna posledica je počasno naraščajoča stopnja lažnih pozivov, s katerimi operaterji učinkovito ravnajo, postaja pa, ki jo operaterji »obhajajo«, več ne zagotavlja zaščite.

Nove vrste napak

Sprememba dobavitelja ali orodja povzroči napako, ki jo model še nikoli ni videl. Postaja ne more najti tega, na čemer ni bila usposobljena, in ne bo sporočila napake. Edina zaščita je obdobjen pregled delov, ki so spodaj odpovedali, ter preverjanje, ali jih je postaja videla in jih je pustila mimo.

5. Predaja

Postaja je pravilno predana, ko rastlina lahko izvede ponovno usposabljanje brez dobavitelja. To pomeni, da so slike ohranjene, oznake dokumentirane, konvej za usposabljanje ponovljiv in da je nekdo na kraju že enkrat zagnal ta konvej.

Brez tega vsak nov razred napak postane storitveni klic, pokritost postaje pa se zmanjšuje, ker jo nihče ne more razširiti. Vrednost platforme se meri ravno tu, ne pa v natančnosti prvega modela.

6. Neuspeh, ki izgleda kot uspeh

Najbolj zavajajoč rezultat je postaja, ki uspe pri sprejemnem testu, a tiho preneha biti uporabljena. To se zgodi, kadar je delež lažnih pozitivov sprejemljiv le v prvem mesecu, kadar je položaj za pregled podzaposlen ali kadar je delež zavrnjenih izdelkov dovolj nizek, da operaterji postajo ob strani namesto, da bi popravili proces.

Zaščita je v merjenju delujoče postaje namesto ob predaji: koliko delov je prešlo, koliko jih je označilo, koliko teh označb je bilo potrjeno in koliko napak je prišlo do naslednje postaje. Te štiri številke povejo, ali postaja opravlja svojo nalogo.

Vredno je spremljati tudi peto številko: kako pogosto se postaja izogiba. Vsaka postaja ima stikalo za vzdrževanje in ročni nadzor, pogostost njune uporabe pa je najbolj iskrena merila zaupanja operaterjev v rezultate. Postaja, ki se izogiba dvakrat na izmeni, zagotavlja dokumentacijo namesto zaščite.

Te številke je smiselno pregledovati mesečno namesto letno, saj je trend, ki se premika, cenejše popraviti v zgodnji fazi. Stopnja lažnih pozivov, ki se je v četrtletju povečala s 3 % na 8 %, kaže na okvaro svetilke ali pritrdilne naprave, medtem ko pojav napake v nadaljnjem pregledu pomeni novo klaso napak. Obe sta odpravljivi, če ju opazimo, dokler postaja še vsakodnevno deluje.

Pogosto zastavljena vprašanja

Koliko slik je potrebnih za začetek?

Prvi model se lahko zgradi iz nekaj tisoč slik pravilnih delov ter sintetičnega nabora napak, kar je dovolj za dokaz koncepta in določitev optike. Za sprejem v proizvodnji so potrebne dejanske napake iz procesa.

Ali se model lahko izvaja neposredno na kameri?

Na nekaterih pametnih kamerah – za preproste razrede. Za zapleteno večrazredno zaznavanje se model običajno izvaja na robni napravi ali majhnem industrijskem računalniku, saj je njegova velikost večja od tiste, ki jo kamera lahko gosti.

Kako pogosto je treba model ponovno učiti?

Ne glede na določen časovni interval. Ponovno učenje je potrebno, ko se pojavi nov razred napak, ko se delež napačnih pozitivnih ugotovitev poveča nad mejo, ki jo proizvodna linija še dopušča, ali ko se spremenita optika ali pritrdilna naprava.

Kaj se zgodi, ko je model negotov?

Naj zavrne sliko in jo usmeri v pregled namesto, da bi samodovoljno odločil. Prag zaupanja, ki prisili odločitev pri dvoumnih slikah, pretvori nalogo zaznavanja v napačno odločitev.

Zaključek

Razvoj vidovne aplikacije je na začetku projekt zbiranja podatkov, v sredini inženirski projekt in kasneje projekt vzdrževanja. Model je del, ki zahteva najmanj časa.

Projekti, ki ohranjajo svojo učinkovitost, so tisti, pri katerih so bile oznake določene pred usposabljanjem, proizvodne optične naprave so bile določene pred zbiranjem podatkovnega nabora in obrat lahko ponovno usposabi model brez poklica dobavitelja. Vse ostalo običajno uspe pri sprejemu, nato pa tiho preneha biti uporabljeno.