Τεχνητή νοημοσύνη στον ποιοτικό έλεγχο από ανοξείδωτο χάλυβα: Αυτοματοποιημένη ανίχνευση ελαττωμάτων

Τι είναι η ανίχνευση ελαττωμάτων βάσει τεχνητής νοημοσύνης;

Η παραδοσιακή επιθεώρηση επιφανειών από ανοξείδωτο χάλυβα βασίζεται σε εκπαιδευμένους ανθρώπινους επιθεωρητές, μερικές φορές με τη βοήθεια βασικής μηχανικής όρασης που επισημαίνει οτιδήποτε πιο φωτεινό, πιο σκούρο ή μεγαλύτερο από ένα σταθερό όριο pixel. Και οι δύο προσεγγίσεις έχουν καλά-τεκμηριωμένα όρια: οι ανθρώπινοι επιθεωρητές κουράζονται κατά τη διάρκεια μιας βάρδιας 8- ή 12- ωρών και δεν μπορούν να διατηρήσουν την πλήρη προσοχή σε κάθε μέτρο ενός κινούμενου πηνίου, ενώ τα απλά συστήματα όρασης που βασίζονται σε κατώφλι-παράγουν μεγάλους αριθμούς ψευδώς θετικών - δεν μπορούν να διακρίνουν 1 ψευδώς θετικά - βιομηχανικές πηγές 5-positive γνήσιο ελάττωμα από μια αβλαβή παραλλαγή επιφάνειας όπως μια αντανάκλαση, ένα σημάδι κύλισης εντός ανοχής ή ένα τεχνούργημα φωτισμού.

Η ανίχνευση ελαττωμάτων τεχνητής νοημοσύνης, που βασίζεται συνήθως σε συνελικτικά νευρωνικά δίκτυα (CNN) ή νεότερες αρχιτεκτονικές Vision Transformer (ViT), εκπαιδεύεται σε χιλιάδες έως εκατομμύρια ετικέτες εικόνων, ώστε να μαθαίνει τα οπτικά χαρακτηριστικά που διαχωρίζουν ένα πραγματικό ελάττωμα από την κανονική διακύμανση της επιφάνειας. Αφού εκπαιδευτεί, το μοντέλο εκτελεί συμπεράσματα σε εικόνες ζωντανής κάμερας με ταχύτητα γραμμής παραγωγής, επισημαίνει και ταξινομεί ελαττώματα και μπορεί να μεταβιβάσει αυτές τις πληροφορίες απευθείας στα συστήματα ελέγχου γραμμής για-ταξινόμηση, σήμανση ή απόρριψη σε πραγματικό χρόνο - χωρίς ο άνθρωπος να χρειάζεται να ελέγξει κάθε καρέ.

Ποιους τύπους ελαττωμάτων μπορούν να εντοπίσουν τα συστήματα AI σε επιφάνειες από ανοξείδωτο χάλυβα;

Κατηγορίες ελαττωμάτων που συγκεντρώθηκαν από τη βάση δεδομένων ελαττωμάτων επιφάνειας NEU (το τυπικό ακαδημαϊκό σημείο αναφοράς για την ταξινόμηση ελαττωμάτων επιφανειών χάλυβα) και δημοσιευμένους οδηγούς ελαττωμάτων παραγωγού ανοξείδωτου χάλυβα. Τα κριτήρια αποδοχής για οποιονδήποτε συγκεκριμένο τύπο και σοβαρότητα ελαττώματος θα πρέπει να αναφέρονται στις απαιτήσεις φινιρίσματος επιφάνειας ASTM A480 και στην ισχύουσα εντολή αγοράς.

Πώς λειτουργεί στην πραγματικότητα ένα Σύστημα Επιθεώρησης Οράματος AI Παραγωγής;

Φωτισμός και λήψη εικόνας

Ο συνεπής, καλά-ελεγχόμενος φωτισμός είναι προαπαιτούμενο, όχι εκ των υστέρων. Η ανακλαστική επιφάνεια του ανοξείδωτου χάλυβα καθιστά το σχεδιασμό του φωτισμού πραγματικά δύσκολο: ο ανομοιόμορφος ή μη{2}}ομοιόμορφος φωτισμός είναι ένας από τους πιο συχνά αναφερόμενους λόγους για τους οποίους οι εικόνες επιφανειών από χάλυβα είναι δύσκολο να ταξινομηθούν αξιόπιστα, μαζί με τους κραδασμούς, το θάμπωμα κίνησης και τον θόρυβο από την κλίμακα της επιφάνειας. Οι κάμερες σάρωσης-γραμμής υψηλής ταχύτητας-σάρωσης ή περιοχής- καταγράφουν εικόνες της κινούμενης ταινίας ή του φύλλου, συχνά από πολλές γωνίες ή με πολλαπλές γεωμετρίες φωτισμού για να εντοπίσουν ελαττώματα που γίνονται ορατά μόνο σε συγκεκριμένες γωνίες ανάκλασης.

Προεπεξεργασία και το μοντέλο βαθιάς μάθησης

Οι εικόνες που τραβήχτηκαν υποβάλλονται σε προεπεξεργασία - αλλάζουν μέγεθος, κανονικοποιούνται, μερικές φορές φιλτράρονται για μείωση του θορύβου ή διορθώνονται για μη-ομοιόμορφο φωτισμό - πριν περάσουν στο εκπαιδευμένο μοντέλο. Η δημοσιευμένη έρευνα δείχνει ότι αυτό το βήμα προεπεξεργασίας από μόνο του μπορεί να βελτιώσει ουσιαστικά την ακρίβεια ταξινόμησης ακόμη και σε μια καλά{4}}συντονισμένη αρχιτεκτονική CNN. Το ίδιο το μοντέλο εκτελεί μία ή περισσότερες από τρεις εργασίες: ταξινόμηση (τι είδους ελάττωμα είναι αυτό), εντοπισμός (που βρίσκεται στην εικόνα) και τμηματοποίηση (ποιο είναι το ακριβές όριο του ελαττώματος).

Επίπεδο απόφασης και ενοποίηση γραμμής

Το τελικό επίπεδο μετατρέπει την έξοδο του μοντέλου σε μια ενέργεια: επισήμανση θέσης ελαττώματος για μεταγενέστερο χειρισμό, ενεργοποίηση αυτόματης απόρριψης, καταγραφή του τύπου και της σοβαρότητας του ελαττώματος σε μια ποιοτική βάση δεδομένων ή σε πιο ώριμες αναπτύξεις, τροφοδοσία συχνότητας ελαττωμάτων και δεδομένων μοτίβου σε ανάντη συστήματα ελέγχου και συντήρησης διεργασιών (ένα όλο και πιο κοινό σημείο ενσωμάτωσης με μηχανογραφικά συστήματα διαχείρισης εξοπλισμού ή CMMS).

Ποιες αρχιτεκτονικές βαθιάς μάθησης χρησιμοποιούνται για την ανίχνευση ελαττωμάτων χάλυβα;

Στοιχεία που συλλέγονται από δημοσιευμένη έρευνα από ομοτίμους-αναθεώρηση και προεκτύπωση χρησιμοποιώντας τα σύνολα δεδομένων NEU και τα σχετικά ελαττώματα επιφανειών χάλυβα. Αυτά είναι ερευνητικά-αποτελέσματα συγκριτικής αξιολόγησης, χωρίς εγγυημένη απόδοση παραγωγής - οι πραγματικές αναπτύξεις απαιτούν επικύρωση σε σχέση με το συγκεκριμένο προϊόν, τη ρύθμιση της κάμερας και τον πληθυσμό ελαττωμάτων της εν λόγω γραμμής.

Ένα πρακτικό πλεονέκτημα των σύγχρονων ελαφρών αρχιτεκτονικών CNN είναι η ταχύτητα συμπερασμάτων: αρκετές δημοσιευμένες υλοποιήσεις εκτελούνται με πολύ πάνω από 100 καρέ ανά δευτερόλεπτο σε μία βιομηχανική GPU, η οποία είναι αρκετά γρήγορη ώστε να συμβαδίζει με μια κινούμενη γραμμή πηνίου ή φύλλου χωρίς να γίνεται το σημείο συμφόρησης στη διαδικασία.

Πώς συγκρίνεται το AI Vision με τις παραδοσιακές μεθόδους NDT όπως το Dye Penetrant και το Eddy Current Testing;

Συγκεντρώθηκε από δημοσιευμένη βιβλιογραφία NDT και μηχανικής-όρασης. Η επιλογή της μεθόδου θα πρέπει να ακολουθεί το ισχύον πρότυπο επιθεώρησης και τη συγκεκριμένη φόρμα προϊόντος (επίπεδο-ελασμένο φύλλο έναντι συγκόλλησης έναντι σωλήνα) αντί να τηρεί οποιαδήποτε μεμονωμένη μέθοδο.

Ποιοι είναι οι περιορισμοί και οι προκλήσεις εφαρμογής του εντοπισμού ελαττωμάτων AI;

Επιβάρυνση δεδομένων και ετικετών: ένα μοντέλο είναι τόσο καλό όσο το σετ εκπαίδευσής του και η ακριβής επισήμανση χιλιάδων εικόνων ελαττωμάτων - ιδιαίτερα σπάνιων ή ανεπαίσθητων τύπων ελαττωμάτων - είναι μια σημαντική αρχική επένδυση προτού ένα σύστημα φτάσει σε αξιοπιστία παραγωγής-.

Ανισορροπία κατηγορίας: ορισμένοι τύποι ελαττωμάτων (ένα πηνίο-ρωγμή σχισμής) εμφανίζονται πολύ λιγότερο συχνά στα δεδομένα από ό,τι οι συνηθισμένες (μικρές γρατσουνιές), τις οποίες η έρευνα προσδιορίζει με συνέπεια ως βασική πρόκληση στον εντοπισμό ελαττωμάτων επιφάνειας χάλυβα, καθώς ένα μοντέλο που έχει εκπαιδευτεί κυρίως σε κοινά ελαττώματα μπορεί να-εντοπίζει σπάνια αλλά σοβαρά.

Πραγματική-μεταβλητότητα εικόνας στον κόσμο: δόνηση, θόλωση κίνησης, ασυνεπής φωτισμός και θόρυβος κλίμακας επιφάνειας επισημαίνονται συγκεκριμένα στη βιβλιογραφία ως παράγοντες που κάνουν τις πραγματικές εικόνες γραμμής παραγωγής{1} πιο δύσκολο να ταξινομηθούν με ακρίβεια από τις καθαρές εικόνες αναφοράς εργαστηρίου.

Αλλαγές βαθμών και προϊόντων: ένα μοντέλο που έχει εκπαιδευτεί σε μια φόρμα προϊόντος, μετρητή ή φινίρισμα ενδέχεται να μην μεταφέρεται καθαρά σε άλλο χωρίς πρόσθετα δεδομένα εκπαίδευσης ή μεταφορά μάθησης, επομένως η συντήρηση του μοντέλου είναι ένα συνεχές πρόγραμμα και όχι μια-ανάπτυξη εφάπαξ.

Κάλυψη{0}}μόνο επιφανείας: όπως καλύφθηκε παραπάνω, η όραση τεχνητής νοημοσύνης δεν μπορεί να δει υποεπιφανειακά ή ογκομετρικά ελαττώματα, επομένως δεν εξαλείφει την ανάγκη για δοκιμές διείσδυσης, δινορευμάτων ή υπερήχων όπου αυτοί οι τύποι ελαττωμάτων προκαλούν ανησυχία.

Ο άνθρωπος-στην-απαίτηση-βρόχου: τελική διάθεση έναντι προδιαγραφών υλικού όπως το ASTM A480, και κρίσεις για οριακές ή νέες παρουσιάσεις ελαττωμάτων, εξακολουθεί να επωφελείται από έναν εκπαιδευμένο μηχανικό ποιότητας που εξετάζει τα επισημασμένα αποτελέσματα - ιδιαίτερα κατά την πρώιμη περίοδο μετά την ανάπτυξη.

Πώς πρέπει ένας κατασκευαστής να αξιολογεί την απόδοση επένδυσης (ROI) πριν εφαρμόσει την επιθεώρηση AI;

Τα στοιχεία ακρίβειας από ερευνητικές εργασίες αποτελούν σημείο εκκίνησης και όχι επιχειρηματική υπόθεση. Οι πιο σχετικές ερωτήσεις-απόφασης είναι: πόσα παράπονα ή επιστροφές πελατών εντοπίζονται αυτήν τη στιγμή σε χαμένα ελαττώματα επιφάνειας και τι θα άξιζε η εξάλειψη των περισσότερων από αυτά. πόση εργασία επιθεώρησης αφιερώνεται επί του παρόντος σε οπτικούς ελέγχους επιφάνειας και θα μπορούσε αυτή η ομάδα να αναδιαταχθεί σε μηχανολογικές εργασίες υψηλότερης ποιότητας-; Η χειροκίνητη επιθεώρηση περιορίζει αυτήν τη στιγμή την ταχύτητα γραμμής και πόσο αξίζει αυτή η χωρητικότητα εάν αφαιρεθεί; και μπορούν η ταξινόμηση ελαττωμάτων και τα δεδομένα τοποθεσίας που δημιουργούνται από το σύστημα να συνδεθούν με παραμέτρους της διαδικασίας ανάντη (κατάσταση ρολού, ρυθμίσεις γραμμής αποστράγγισης, προφίλ θερμοκρασίας) για να μειωθεί ο ρυθμός ελαττωμάτων στην πηγή και όχι απλώς να εντοπιστεί πιο γρήγορα στο τέλος της γραμμής.

Ένα πιλοτικό πρόγραμμα σε μια μεμονωμένη γραμμή ή οικογένεια προϊόντων, συγκριτικά με τα υπάρχοντα αποτελέσματα χειροκίνητης επιθεώρησης για μια καθορισμένη περίοδο, είναι ο πιο αξιόπιστος τρόπος για την επικύρωση τόσο των ισχυρισμών ακρίβειας όσο και των υποθέσεων απόδοσης και εργασίας πριν από τη δέσμευση για πλήρη διάθεση.

Συχνές Ερωτήσεις

Ε: Μπορεί ο εντοπισμός ελαττωμάτων AI να αντικαταστήσει πλήρως τους ανθρώπινους επιθεωρητές ποιότητας;

Α: Όχι εντελώς. Τα συστήματα τεχνητής νοημοσύνης χειρίζονται-με μεγάλη ταχύτητα, πλήρη-διαλογή επιφάνειας κάλυψης πολύ πιο σταθερά από τους κουρασμένους ανθρώπινους επιθεωρητές, αλλά η τελική διάθεση σε σχέση με τις προδιαγραφές υλικού, η κρίση για οριακά ή νέα ελαττώματα και η επίβλεψη του ίδιου του μοντέλου απαιτούν ακόμη έναν εκπαιδευμένο μηχανικό ποιότητας. Οι περισσότερες αναπτύξεις παραγωγής είναι ανθρώπινες-στον--βρόχο και όχι πλήρως αυτόνομες.

Ε: Τι είναι η βάση δεδομένων ελαττωμάτων επιφάνειας NEU και γιατί εμφανίζεται τόσο συχνά σε αυτόν τον τομέα;

Α: Η βάση δεδομένων επιφανειακών ελαττωμάτων NEU (Βορειοανατολικό Πανεπιστήμιο) είναι ένα ευρέως χρησιμοποιούμενο, δημοσίως διαθέσιμο σύνολο εικόνων επιφανειών από χάλυβα που καλύπτουν έξι κατηγορίες ελαττωμάτων - τσούξιμο, συμπερίληψη, μπαλώματα, επιφάνεια με κουκούτσι, έλαση-σε κλίμακα και γρατσουνιές. Έχει γίνει το τυπικό ακαδημαϊκό σημείο αναφοράς για την εκπαίδευση και τη σύγκριση μοντέλων ανίχνευσης ελαττωμάτων επιφανειών χάλυβα, γι' αυτό το αναφέρουν τόσα δημοσιευμένα δεδομένα ακρίβειας.

Ε: Η επιθεώρηση όρασης με τεχνητή νοημοσύνη αντικαθιστά τη δοκιμή δινορευμάτων ή υπερήχων για συγκολλήσεις;

Α: Όχι. Η όραση με τεχνητή νοημοσύνη είναι μια μέθοδος επιφανειακής-εικόνας και δεν μπορεί να ανιχνεύσει υποεπιφανειακά ή ογκομετρικά ελαττώματα. Η δοκιμή δινορευμάτων παραμένει το πρότυπο για γρήγορη ανίχνευση επιφανειακών ρωγμών και σχεδόν-επιφανειακών ρωγμών σε αγώγιμα υλικά και η δοκιμή υπερήχων παραμένει το πρότυπο για ελαττώματα κάτω από την επιφάνεια, πάχος τοιχώματος και ακεραιότητα συγκόλλησης σε βάθος. Αυτές οι μέθοδοι είναι συμπληρωματικές με το όραμα AI, δεν αντικαθίστανται από αυτό.

Ε: Πόσο ακριβή είναι τα συστήματα ανίχνευσης ελαττωμάτων τεχνητής νοημοσύνης στην πραγματική παραγωγή, όχι μόνο στα ερευνητικά σημεία αναφοράς;

Α: Τα δημοσιευμένα ερευνητικά κριτήρια αναφοράς συνήθως αναφέρουν ακρίβεια 95–99%+, αλλά αυτά τα στοιχεία προέρχονται από επιμελημένα σύνολα δεδομένων. Η πραγματική ακρίβεια παραγωγής εξαρτάται από το πόσο στενά ταιριάζουν η εγκατεστημένη κάμερα, ο φωτισμός και οι συνθήκες προϊόντος με τα δεδομένα εκπαίδευσης και οι προμηθευτές που ειδικεύονται στη βιομηχανική ανάπτυξη αναφέρουν επιτεύξιμη ακρίβεια παραγωγής στο εύρος 95%+ όταν ένα σύστημα συντονιστεί σωστά στη συγκεκριμένη γραμμή -, γι' αυτό ένα επικυρωμένο πιλοτικό πρόγραμμα έχει μεγαλύτερη σημασία από έναν αριθμό αναφοράς μόνο.

Ε: Ποια δεδομένα πρέπει να έχει ένας κατασκευαστής πριν ξεκινήσει ένα έργο επιθεώρησης τεχνητής νοημοσύνης;

Α: Ένα αντιπροσωπευτικό, επακριβώς επισημασμένο σύνολο εικόνων που καλύπτει τους τύπους ελαττωμάτων που παράγει η γραμμή, ιδανικά περιλαμβάνει παραδείγματα σπάνιων τύπων ελαττωμάτων και όχι μόνο κοινών, και εικόνες που έχουν ληφθεί υπό ρεαλιστικές συνθήκες παραγωγής (όχι μόνο καθαρά δείγματα εργαστηρίου), ώστε το μοντέλο να μάθει να χειρίζεται τους κραδασμούς, τον φωτισμό και τον θόρυβο που θα δει στην υπηρεσία.

Περίληψη

Η ανίχνευση ελαττωμάτων βάσει τεχνητής νοημοσύνης{0}}μεταπήδησε από την ακαδημαϊκή έρευνα σε ένα πρακτικό, αναπτυσσόμενο εργαλείο για επιθεώρηση ποιότητας επιφάνειας από ανοξείδωτο χάλυβα, με τα μοντέλα CNN και Vision Transformer να αναφέρουν τώρα ακρίβεια στο εύρος 95–99%+ σε τυπικά σημεία αναφοράς και να τρέχουν αρκετά γρήγορα για να επιθεωρήσουν μια κινούμενη γραμμή σε πραγματικό χρόνο. Αντιμετωπίζει άμεσα τις δύο αδυναμίες των μεθόδων που αντικαθιστά: την κόπωση και την ασυνέπεια του ανθρώπινου επιθεωρητή και τα υψηλά ψευδώς{5}}θετικά ποσοστά μηχανικής όρασης με βάση το απλό όριο-.

Αυτό που δεν κάνει είναι να αντικαταστήσει τις μεθόδους NDT - dye penetrant, δινορρεύμα και δοκιμές υπερήχων - που ανιχνεύουν υποεπιφανειακά και ογκομετρικά ελαττώματα που η όραση AI δεν μπορεί να δει και δεν αντικαθιστά το ισχύον πρότυπο υλικού, ASTM A480, ως την τελευταία λέξη για τα κριτήρια αποδοχής. Οι κατασκευαστές που αποκομίζουν τη μεγαλύτερη αξία από αυτήν την τεχνολογία, την αντιμετωπίζουν ως ένα καλά-ενοποιημένο επίπεδο σε ένα ευρύτερο σύστημα ποιότητας, επικυρωμένο σε σχέση με πραγματικά δεδομένα παραγωγής, αντί για μια ενιαία τεχνολογία που ανταλλάσσεται για χειροκίνητη επιθεώρηση χονδρικής.