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 контроля, 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 применения в сталелитейной промышленности. Разбивая процесс контроля на отдельные этапы, мы стремимся понять, как системы, основанные на искусственном интеллекте, могут точно обнаруживать и классифицировать дефекты поверхности.

Проблемы в обнаружении дефектов поверхности

Разнообразие осложнений в обнаружении дефектов поверхности для отраслей, включая производство, автомобильную, электронику и текстиль, может привести к дефектам качества продукции. Сложность производственных дефектов представляет значительный барьер для организаций, потенциально приводящий к компрометации целостности продукции и недовольству клиентов. Быстрое темп производственных линий требует быстрого выявления дефектов, подчеркивая необходимость реального времени обнаружения решений. Некоторые из ключевых препятствий для эффективного обнаружения дефектов являются:

• Разнообразие и сложность дефектов: Процессы производства могут привести к разнообразию дефектов, различающихся по размеру и сложности. Например, в автомобильном производстве дефекты могут варьироваться от незначительных дефектов лакокрасочного покрытия до структурных аномалий, что делает постоянное обнаружение и классификацию 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 реального времени обнаружения для обеспечения безопасности и соответствия продукции. Обнаружение дефектов в покрытии таблеток, например, предотвращает компрометацию качества лекарств и потенциальные проблемы с регулирующими органами.
• Ручной визуальный контроль: Включает в себя тщательный осмотр продукции на наличие дефектов поверхности и аномалий. Из-за ручного процесса это может быть время-consuming, особенно для больших количеств, что приводит к задержкам в рабочем процессе. Это также склонно к пропуску дефектов или неправильной классификации во время длительных периодов осмотра. Ручной контроль сильно зависит от индивидуальной экспертизы, которая может не иметь масштабируемости и доступности.

Преимущества использования искусственного интеллекта

Системы визуального контроля на основе искусственного интеллекта предлагают перспективное решение для преодоления проблем, с которыми сталкивается ручной визуальный контроль в производственной промышленности.

• Используя искусственный интеллект и модели распознавания изображений, системы на основе искусственного интеллекта могут обеспечить постоянное и объективное обнаружение дефектов, минимизируя влияние человеческой субъективности.
• Эти системы имеют возможность анализировать большие объемы данных с замечательной скоростью и точностью, что приводит к значительному сокращению времени контроля и улучшению общей эффективности.
• Модели искусственного интеллекта могут быть обучены для обнаружения даже незначительных или трудно выявляемых дефектов, которые могут остаться незамеченными человеческими инспекторами, превосходя ограничения человеческого визуального восприятия и повышая общую точность выявления дефектов.
• В отличие от ручных осмотров, которые сильно зависят от навыков и экспертизы отдельных инспекторов, визуальный контроль на основе искусственного интеллекта не зависит от индивидуальной квалификации, что делает его масштабируемым и адаптируемым для различных сценариев контроля.
• С постоянным обучением и совершенствованием эти системы могут эволюционировать для решения сложных закономерностей дефектов и обеспечения все более надежного и эффективного контроля качества.

Три этапа обработки дефектов

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

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

Следующее поколение визуального контроля на основе искусственного интеллекта

В Sigmoid мы разработали решение, которое использует передовые алгоритмы глубокого обучения, специально созданные для обработки изображений. Критически важным компонентом является его тщательная оптимизация каждого этапа в процессе 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 ограниченные данные, специфичные для конкретного случая. Чтобы еще больше обеспечить надежность и эффективность нашей структуры, используются различные методы аугментации, повышающие ее эффективность в реальных сценариях.

Локализация: Этот этап использует специализированную архитектуру глубокого обучения, разработанную 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, каждому отдельному типу дефекта принадлежит его индивидуальная модель локализации, способная к захвату характерных признаков, присущих 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, основанные на искусственном интеллекте, предлагают постоянное и 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, и увеличивает конкурентоспособность, отмечая значительный шаг вперед в эффективности и совершенстве производства.