Достижение совершенства в производстве с помощью моделей распознавания изображений для обнаружения дефектов поверхности

В среднем, стоимость плохого качества продукции для производственных отраслей составляет около 20% от общего объема продаж. Контроль качества играет решающую роль во многих отраслях, и возможность обнаружения и идентификации дефектов поверхности имеет первостепенное значение. Традиционные методы ручного осмотра, которые полагаются на человеческое восприятие и суждение, часто оказываются недостаточными в плане затрат времени, субъективности и человеческой ошибки.

Однако с развитием искусственного интеллекта и моделей распознавания изображений теперь стало возможным автоматизировать процессы обнаружения дефектов поверхности с большей точностью и эффективностью. В этом блоге мы рассмотрим концепцию использования моделей распознавания изображений для обнаружения дефектов поверхности и обсудим пример использования в сталелитейной промышленности. Разбивая процесс осмотра на отдельные этапы, мы стремимся понять, как системы, работающие на основе искусственного интеллекта, могут точно обнаруживать и классифицировать дефекты поверхности.

Проблемы в обнаружении дефектов поверхности

Различные осложнения в обнаружении дефектов поверхности в отраслях, таких как производство, автомобильная промышленность, электроника и текстиль, могут привести к дефектам качества продукции. Сложность производственных дефектов представляет значительный барьер для организаций, потенциально приводящий к компрометации целостности продукции и недовольству клиентов. Быстрые темпы, с которыми работают производственные линии, требуют быстрых механизмов выявления дефектов, подчеркивая необходимость решений для обнаружения в реальном времени. Некоторые из ключевых препятствий для эффективного обнаружения дефектов являются:

• Разнообразие и сложность дефектов: Процессы производства могут привести к широкому спектру дефектов, различающихся по размеру и сложности. Например, в автомобильной промышленности дефекты могут варьироваться от незначительных дефектов лакокрасочного покрытия до структурных аномалий, что делает постоянное обнаружение и классификацию дефектов сложной задачей.
• Высокие производственные скорости: Отрасли, такие как потребительская электроника, требуют быстрого выявления дефектов, чтобы предотвратить попадание дефектных изделий на рынок. Например, при сборке печатных плат быстрое выявление проблем с пайкой имеет решающее значение для поддержания надежности продукции и удовлетворенности клиентов.
• Обработка в реальном времени: Фармацевтическая промышленность требует обнаружения дефектов в реальном времени, чтобы обеспечить безопасность и соответствие продукции требованиям. Обнаружение дефектов в покрытии таблеток, например, предотвращает компрометацию качества лекарств и потенциальные проблемы с регулирующими органами.
• Ручной визуальный осмотр: Включает в себя тщательный осмотр продукции на наличие дефектов поверхности и аномалий. Из-за ручного характера процесса он может быть длительным, особенно для больших количеств, что приводит к задержкам в рабочем процессе. Он также склонен к пропуску дефектов или неправильной классификации во время длительных периодов осмотра. Ручной осмотр сильно зависит от индивидуальной экспертизы, которая может не быть масштабируемой и доступной.

Преимущества использования искусственного интеллекта

Системы визуального осмотра на основе искусственного интеллекта предлагают перспективное решение проблем, с которыми сталкиваются традиционные методы ручного осмотра в производственной промышленности.

• Используя искусственный интеллект и модели распознавания изображений, системы на основе ИИ могут обеспечить постоянное и объективное обнаружение дефектов, минимизируя влияние человеческой субъективности.
• Эти системы способны анализировать большие объемы данных с замечательной скоростью и точностью, что приводит к значительному сокращению времени осмотра и улучшению общей эффективности.
• Модели ИИ можно обучить для обнаружения даже незначительных или трудно выявляемых дефектов, которые могут остаться незамеченными человеческими инспекторами, превосходя ограничения человеческого восприятия и повышая общую точность выявления дефектов.
• В отличие от ручных осмотров, которые сильно зависят от навыков и экспертизы отдельных инспекторов, осмотр на основе ИИ не зависит от индивидуальной квалификации, что делает его масштабируемым и адаптируемым для различных сценариев осмотра.
• Благодаря непрерывному обучению и совершенствованию эти системы могут эволюционировать для решения сложных моделей дефектов и обеспечивать все более надежный и эффективный контроль качества.

Три этапа обработки дефектов

Модели обнаружения изображений интегрируют силу глубокого обучения и тщательно разработанную структуру для выполнения нескольких задач с высокой точностью. Они превосходно справляются с ключевыми этапами обработки дефектов: обнаружением, классификацией и локализацией, предоставляя лучшее решение по сравнению с традиционными методами.

Используя эти три этапа обработки дефектов, отрасли могут оптимизировать процессы контроля качества и обеспечить эффективные меры по устранению дефектов.

Следующее поколение осмотра на основе ИИ

В Sigmoid мы разработали решение, которое использует передовые алгоритмы глубокого обучения, специально разработанные для обработки изображений. Критически важным компонентом является его тщательная оптимизация каждого этапа процесса обработки дефектов, используя адаптированные архитектуры, которые фокусируются на конкретных аспектах для обеспечения исключительной производительности.

Обнаружение и классификация: Первые два этапа, обнаружение и классификация, используют предварительно обученную архитектуру CNN, разработанную для улучшения эффективности и результативности извлечения признаков. Эта предварительно обученная модель уже прошла обширную подготовку на большом наборе данных, что особенно полезно, когда у нас ограниченный набор данных, специфичный для случая использования. Чтобы еще больше обеспечить надежность и эффективность нашей структуры, используются различные методы аугментации, повышающие ее эффективность в реальных сценариях.

Локализация: Этот этап использует специальную архитектуру глубокого обучения, разработанную специально для семантической сегментации, где целью является не только классификация каждого пикселя, но и определение границ объектов. Она состоит из пути кодирования для захвата контекстной информации и симметричного пути декодирования для восстановления пространственных деталей. Эта структура помогает захватить как глобальные, так и локальные признаки, важные для точной локализации. Кроме того, каждый отдельный тип дефекта имеет свою собственную модель локализации, способную захватить характерные признаки, присущие этому дефекту.

На протяжении всего этого процесса наше решение поддерживает высокий уровень точности на всех трех этапах обработки дефектов. Иллюстрация нашей проприетарной структуры решения представлена ниже:

Заключение

Использование моделей распознавания изображений для обнаружения дефектов поверхности знаменует новую эру в контроле качества. Системы, работающие на основе ИИ, предлагают постоянное, объективное обнаружение, ускоряя процесс и повышая точность. Они выявляют незначительные дефекты, превосходя возможности человека, и являются масштабируемыми в различных сценариях. Принятие этой технологии не только снижает затраты, но и повышает надежность продукции, увеличивает конкурентоспособность, отмечая значительный шаг вперед в производственной эффективности и совершенстве.