Дубоко учење или визија заснована на правилима: 3.000 слика и 10 минута

Преглед

Инспекција индустријских дефекта има две породице метода, а аргумент између њих се обично уграђује као стари против новог. То оквирање није корисно. Визија заснована на правилима и дубоко учење решавају различите проблеме, а производња која користи само један од њих ће бити или непоуздана за променљиве дефекте или непотребно скупа за једноставне.

Системи засновани на правилима мере нешто експлицитно: праг на низу сивог, положај ивице, површина буке, правцу нагиба. Модел дубоког учења закључује образац из примера. Први је предвидљив и објашњаван, други је флексибилан, али зависи од података. Инжењерско питање је које од тих особина треба класи дефеката.

Биг Бирд Индустриал (раније Шимада Биг Бирд Индустриал) изграђује системе за чишћење и дебурирање компоненти аутомобилског погонског система од 2001. године, а подаци за детекцију који се овде користе долазе из станица које раде на производњим линијама, а не

1. у вези са Шта добро чини видљење засновано на правилима

Визија заснована на правилима је мерење, а мерење је оно за шта би требало да се користи. Када дефект има геометријску дефиницију, правило га тачно изражава.

Геометријски и димензионални дефекти

Недостаје дупка, гума која је 2 мм виша, нита која је прекривена, жлеб за запечатање који није на месту: ово су геометријске чињенице. Мерење засновано на правилима враћа број са толеранцијом, а одлука је поређење. Нема сета обуке, нема двосмислености и нема дрифта како се мења део популације.

Објашњељивост под ревизијом

Одлуку засновану на правилима ревизору се може описати у једној реченици, јер је то праг мерене вредности. У погледу карактеристика везаних за безбедност и у погледу ревизија клијената у којима се метод инспекције мора документовати, та имовина вреди више од граничног побољшања стопе откривања.

2. Уколико је потребно. Где се нарушава визија заснована на правилима

Правило функционише када дефект сваки пут изгледа исто. Престаје да ради када се дефект мења у изгледу или када се позадина око њега мења.

Променљив изглед

Порозност ливења, хладни затвор, инклузије песка и обележје проток мењају облик, величину, контраст и боју од делова до делова. Пишење правила за сваку варијацију ствара сет правила који расте док не буде у сукобу са собом, а сукоби се појављују као лажни позиви на добре делове.

Разлике текстуре и осветљења

Машинске површине имају трагове алата, ливене површине имају зрно, и оба се мењају са знојем алата и положајем делова под светлошћу. Праг који се подешава у понедељак означава целу популацију у петак након промене алата, не зато што се процес погоршао већ зато што се текстура променила.

3. Уколико је потребно. Шта се мења у дубокој студирања

Модел дубоког учења не мере карактеристике; он учи дистрибуцију појава које припадају класи. То га чини толерантним према варијацијама које крше прагове, на цену потребе за примерима и тешкоће објашњења.

Стопе откривања у производњи

На ливеним алуминијумским цилиндрским главама, станица за инспекцију површине дубоког учења постиже стопу пропуста око 0,1 одсто са стопом лажних позива од 3 до 5 одсто, на циклусу од 36 секунди и преко пет варијанти делова. На кућиштима трансмисије постигнут је исти редослед пропусте са 5 посто стопе лажног позива, 58 секунди за крајњу покривцу и 112 секунди за предње и задње кућишта. Ове цифре описују систем који је подешен према одређеном критеријуму, а не појединим могућностима.

Надгледано, полунадзоравано и без надзора

Надзорна обука захтева означене примере недостатака и даје најбољу тачност по класи. Полунадзорна обука користи мали означен комплет са великим неозначеним комплетом, који је погодан за програме у којима су дефекти ретки. Без надзора, обука учи како изгледа нормално и примећује одступања, што је прави избор када је дефект реткост или када се његов изглед још није познат. Линија за штампање која инспектира са више од двадесет камера у циклусу од 5 секунди може да ради без надзора јер је нормална варијација добро карактеризована и примере недостатака су ретке.

4. Уколико је потребно. Проблем са подацима о обуци

Практично уплитно угло у инспекцији дубоког учења није модел, већ скуп података. Прикупљање стварних примера о дефектима траје месецима јер су дефекти ретки, а анотирање њих траје недељама јер је граница дефекта често судски позив.

Синтетичке дефекте као пречица

Алгоритми за генерисање дефеката стварају веродостојне дефекте на сликама добрих делова. За сет од 3.000 слика, ручно стварање дефекта и означивање траје око 20 дана и 5 дана; исти сет генерисан алгоритмом траје око 10 минута и 1 минута, а синтетичке ознаке су тачне јер процес генерације зна где је поставио дефект. Резултат не замењује стварну валидацију недостатака, али смањује време до првог радног модела са месеци на недеље.

Корак валидације и даље треба стварне дефекте, а то их треба из процеса производње, а не из прикупљања узорка, јер стварне дефекте носе површински контекст који синтетички приближују. Станица се не доказује док се не поправи са деловима који су пропали дотоком.

5. Појам Избор по дефекту класе

Производни приступ је да се свака класа недостатака у спецификацији за инспекцију додељује методи која јој одговара, уместо да се бира једна метода за целу станицу. Станица може да покреће механизам правила за проверу присутности и позиције и модел дубоког учења за дефекте изгледа на истом делу, а резултати се споју у једну одлуку.

То додељење такође разјашњава тест прихватања. Геометријске класе се могу проверити мерилом или мерењем координата; класе изгледа требају панел за дефекте са договореном примером. Пишење две методе верификације одвојено у фази спецификације избегава ситуацију када добављач показује стопу детекције за једну класу и примењује је на све њих.

6. Уколико је потребно. Инфраструктура података и одржавање модела

Станција за дубоко учење производи слике континуирано и одлуке континуирано. Оба треба да буду складиштена, јер је прво питање након жалбе клијента које су слике станица видела и шта је одлучила. Станица која чува само слике које је одбила не може да одговори на то питање за део који је прошао.

Очување исправних слика

Практична политика је да се све слике задржи за кратак прозор, све одбачене слике за дужи прозор и све слике повезане са идентификатором тражимости за период задржавања производње. Та комбинација обухвата ревизије, истраге коренских узрока и сет преструктурирања без неограниченог раста складишта.

Моделне верзије и поновљење валидације

Свака ретренирање производи нови модел, и нови модел може променити стопу лажних позива на класе није био ретрениран за. Контрола верзија, фиксирани сет валидације и поређење са претходном верзијом пре распоређивања су минимална дисциплина. Без њих, побољшање једне класе дефекта може тихо деградирати другу, а промена се приписује процесу, а не моделу.

Често постављана питања

Да ли дубоко учење потпуно замењује визију засновану на правилима?

Не, не, не. Геометријске проверке остају јефтиније, брже и објашњељивије када се примењују као правила. Дубоко учење додаје способност за дефекте у изгледу где правила постају крхка, а ова два се обично комбинују на истој станици.

Колико је слика са дефектом потребно да би се обучио модел?

Зависи од варијабилности класе недостатка. Неколико стотина добро означених примера може бити довољно за конзистентан дефект на конзистентној позадини, док променљивим дефектима ливења треба неколико хиљада. Синтетичка генерација се користи да би се брже достигло то бројање, а затим валидација на стварне дефекте.

Која је стопа госпођака реална у продукцији?

Око 0,1 посто на дефекте ливења и обраде, са процентом лажних позива између 2 и 7 посто у зависности од површине и класе дефекта. Цитирање стопе пропуштања без одговарајуће стопе лажних позива описује половину система.

Шта се дешава када се појави нови недостатак?

Модел мора бити претрениран примерима нове класе, због чега је платформа важна колико и модел. Станица која не може додати класу без софтвера ће тихо акумулирати лажне негативе.

Закључак

Виђење засновано на правилима одговара на питања која имају геометријски одговор. ДИП ЛАРНГИНГ (деп ЛАРНГИНГ) одговара на питања о изгледу која ниједан праг не може да ухвати. Придавање сваке класе дефекта правилној методи је одлука о спецификацији, а то што је експлицитно је оно што раздваја станицу која држи своју перформансу од оне која се поново подешава сваког месеца.

Детасет, а не алгоритам, обично је ограничавајући фактор, због чега је време до првог радног модела боља мера добављача него архитектуре коју они називају. Друго питање које треба поставити је како се додаје нова класа дефекта, јер свака ређа производи дефект који нико није предвидео у првој години.