Paslanmaz Çelik Kalite Kontrolünde Yapay Zeka: Otomatik Kusur Tespiti

Yapay Zeka-Tabanlı Kusur Tespiti Nedir?

Paslanmaz çelik yüzeylerin geleneksel denetimi, bazen daha parlak, daha koyu veya sabit bir piksel eşiğinden daha büyük olan her şeyi işaretleyen temel makine görüşüyle ​​desteklenen eğitimli insan denetçilere dayanır. Her iki yaklaşımın da iyi-belgelenmiş sınırları vardır: insan denetçiler 8- veya 12- saatlik vardiya boyunca yorulurlar ve hareketli bir bobinin her metresinde tam dikkatlerini sürdüremezler; basit eşik-tabanlı görüş sistemleri ise çok sayıda yanlış pozitif üretir - endüstri kaynakları %15-30 yanlış pozitif oranlarından söz eder - çünkü gerçek bir kusuru yansıma, tolerans içindeki bir dönüş işareti gibi zararsız bir yüzey varyasyonundan ayırt edemezler, veya bir aydınlatma eseri.

Çoğu zaman evrişimli sinir ağları (CNN'ler) veya daha yeni Vision Transformer (ViT) mimarileri üzerine inşa edilen yapay zeka hata tespiti, binlerce ila milyonlarca etiketli görüntü üzerinde eğitilir, böylece gerçek bir kusuru normal yüzey varyasyonundan ayıran görsel özellikleri öğrenir. Model, eğitildikten sonra üretim hattı hızında canlı kamera görüntüleri üzerinde çıkarım yapar, kusurları işaretler ve sınıflandırır ve bir insanın her kareyi incelemesine gerek kalmadan bu bilgiyi gerçek-zamanlı sıralama, işaretleme veya reddetme - için doğrudan hat kontrol sistemlerine aktarabilir.

Yapay Zeka Sistemleri Paslanmaz Çelik Yüzeylerde Ne Tür Kusurları Tespit Edebilir?

NEU yüzey kusuru veritabanından (çelik yüzey kusuru sınıflandırması için standart akademik kriter) ve yayınlanmış paslanmaz çelik üreticisi kusur kılavuzlarından derlenen kusur kategorileri. Herhangi bir spesifik kusur türü ve ciddiyeti için kabul kriterleri, ASTM A480 yüzey bitirme gereksinimlerine ve geçerli satın alma siparişine referans vermelidir.

Üretim Yapay Zekalı Görüş Denetim Sistemi Gerçekte Nasıl Çalışır?

Aydınlatma ve görüntü edinimi

Tutarlı, iyi-kontrol edilen aydınlatma sonradan akla gelen bir düşünce değil, bir önkoşuldur. Paslanmaz çeliğin yansıtıcı yüzeyi, aydınlatma tasarımını gerçekten zorlaştırır: Titreşim, hareket bulanıklığı ve yüzey ölçeğinden kaynaklanan gürültünün yanı sıra, düzensiz veya tekdüze-olmayan aydınlatma, çelik yüzey görüntülerinin güvenilir şekilde sınıflandırılmasının en sık belirtilen nedenlerinden biridir. Yüksek-hızlı çizgi-tarama veya alan-tarama kameraları, yalnızca belirli yansıma açılarında görülebilen kusurları yakalamak için hareketli şeridin veya tabakanın görüntülerini genellikle birden çok açıdan veya birden çok aydınlatma geometrisiyle yakalar.

Ön işleme ve derin öğrenme modeli

Yakalanan görüntüler, eğitilen modele aktarılmadan önce önceden işlenir - yeniden boyutlandırılır, normalleştirilir, bazen gürültüyü azaltmak veya-tekdüze olmayan aydınlatmayı - düzeltmek için filtrelenir. Yayınlanan araştırmalar, bu ön işleme adımının tek başına, iyi ayarlanmış bir CNN mimarisine ek olarak sınıflandırma doğruluğunu anlamlı-iyileştirebileceğini gösteriyor. Modelin kendisi üç görevden birini veya daha fazlasını yerine getirir: sınıflandırma (bu ne tür bir kusurdur), yerelleştirme (görüntünün neresindedir) ve segmentasyon (kusurun tam sınırı nedir).

Karar katmanı ve hat entegrasyonu

Son katman, model çıktısını bir eyleme dönüştürür: aşağı yönde işleme için bir kusur konumunu işaretleme, otomatik reddetmeyi tetikleme, kusur tipini ve ciddiyetini kaliteli bir veri tabanına kaydetme veya daha olgun dağıtımlarda, kusur sıklığını ve model verilerini yukarı akış proses kontrol ve bakım sistemlerine (bilgisayarlı bakım yönetimi sistemleri veya CMMS ile giderek yaygınlaşan bir entegrasyon noktası) geri besleme, böylece yinelenen kusur modelleri, daha fazla kayba neden olmadan ekipman bakımını tetikleyebilir.

Çelik Kusur Tespiti İçin Hangi Derin Öğrenme Mimarileri Kullanılıyor?

NEU ve ilgili çelik yüzey kusuru veri kümeleri kullanılarak yayınlanmış hakemli-incelemelerden ve ön baskı araştırmalarından derlenen rakamlar. Bunlar araştırma-karşılaştırma sonuçlarıdır, üretim performansı garanti edilmez - gerçek dağıtımlar, belirli ürüne, kamera kurulumuna ve söz konusu hattın kusur popülasyonuna göre doğrulama gerektirir.

Modern hafif CNN mimarilerinin pratik bir avantajı, çıkarım hızıdır: yayınlanmış birkaç uygulama, tek bir endüstriyel GPU üzerinde saniyede 100 karenin çok üzerinde bir hızda çalışır; bu, süreçte darboğaz oluşturmadan hareketli bir bobin veya tabaka hattına ayak uydurabilecek kadar hızlıdır.

Yapay Zeka Vizyonu, Boya Penetrantı ve Girdap Akımı Testi gibi Geleneksel NDT Yöntemleriyle Nasıl Karşılaştırılır?

Yayınlanmış NDT ve makine{0}}görüsü literatüründen derlenmiştir. Yöntem seçimi, herhangi bir tek yöntemi varsayılan olarak kullanmak yerine geçerli denetim standardını ve özel ürün formunu (düz-haddelenmiş levha, kaynak vs. tüp) takip etmelidir.

Yapay Zeka Kusur Tespiti'nin Sınırlamaları ve Uygulama Zorlukları Nelerdir?

Veri ve etiketleme yükü: Bir model yalnızca eğitim seti kadar iyidir ve binlerce hatalı görüntüyü -, özellikle nadir veya ince kusur türlerini - doğru bir şekilde etiketlemek, sistem üretim-seviyesi güvenilirliğe ulaşmadan önce önemli bir ön yatırımdır.

Sınıf dengesizliği: Bazı kusur türleri (bobin-ayırma kenarı çatlağı) verilerde rutin olanlardan (küçük çizikler) çok daha az sıklıkta meydana gelir; araştırmalar bunu sürekli olarak çelik yüzey kusuru tespitinde temel bir zorluk olarak tanımlar, çünkü çoğunlukla yaygın kusurlar üzerinde eğitilmiş bir model, nadir fakat ciddi olanları yeterince-tespit edemez.

Gerçek-dünya görüntü değişkenliği: titreşim, hareket bulanıklığı, tutarsız aydınlatma ve yüzey ölçeği gürültüsü, literatürde gerçek üretim-hattı görüntülerinin doğru şekilde sınıflandırılmasını temiz laboratuvar karşılaştırma görüntülerine göre daha zor hale getiren faktörler olarak özellikle işaretlenmiştir.

Sınıf ve ürün geçişleri: Bir ürün formu, göstergesi veya bitişi üzerinde eğitilen bir model, ek eğitim verileri olmadan veya öğrenimi aktarmadan diğerine temiz bir şekilde aktarılamayabilir; bu nedenle model bakımı, tek seferlik bir dağıtım değil, devam eden bir programdır.

Yalnızca yüzey kapsamı: Yukarıda ele alındığı gibi, yapay zeka görüşü yüzey altı veya hacimsel kusurları göremez; dolayısıyla bu kusur türlerinin endişe verici olduğu durumlarda nüfuz etme, girdap akımı veya ultrasonik test ihtiyacını ortadan kaldırmaz.

Döngüde insan{-gereksinimi: ASTM A480 gibi bir malzeme spesifikasyonuna göre nihai düzenleme ve sınırda veya yeni kusur sunumlarına ilişkin karar çağrıları, özellikle dağıtımdan sonraki erken dönemde işaretlenen sonuçları - inceleyen eğitimli bir kalite mühendisinden yine de yararlanır.

Bir Üretici Yapay Zeka Denetimini Uygulamadan Önce Yatırım Getirisini Nasıl Değerlendirmelidir?

Araştırma makalelerindeki doğruluk rakamları bir iş durumu değil, bir başlangıç ​​noktasıdır. Kararla-ilişkili sorular şu şekildedir: Şu anda gözden kaçan yüzey kusurlarına dayanan kaç müşteri şikayeti veya geri dönüşü var ve bunların çoğunun ortadan kaldırılmasının değeri nedir; şu anda görsel yüzey kontrollerine ne kadar inceleme işi ayrıldığı ve bu ekibin daha yüksek-kaliteli mühendislik çalışmalarına yeniden görevlendirilip görevlendirilemeyeceği; manuel inceleme şu anda hat hızını sınırlıyor mu ve kaldırılırsa bu kapasitenin değeri nedir; ve sistem tarafından oluşturulan hata sınıflandırması ve konum verileri, hata oranını hattın sonunda daha hızlı yakalamak yerine kaynakta azaltmak için yukarı akış proses parametrelerine (haddeleme durumu, asitleme hattı ayarları, sıcaklık profilleri) bağlanabilir mi?

Tek bir hat veya ürün ailesi üzerinde, belirli bir süre boyunca mevcut manuel denetim sonuçlarıyla karşılaştırılan bir pilot program, tam bir kullanıma sunma taahhüdünde bulunmadan önce hem doğruluk iddialarını hem de üretim ve işçilik varsayımlarını doğrulamanın en güvenilir yoludur.

Sıkça Sorulan Sorular

S: Yapay zeka kusur tespiti tamamen insan kalite denetçilerinin yerini alabilir mi?

C: Tamamen değil. Yapay zeka sistemleri, yüksek-hızlı, tam-kapsamlı yüzey taramasını yorgun insan denetçilerden çok daha tutarlı bir şekilde gerçekleştirir, ancak malzeme spesifikasyonuna karşı nihai düzenleme, sınırda veya yeni kusurlar hakkında karar verilmesi ve modelin kendisinin gözetimi yine de eğitimli bir kalite mühendisi gerektirir. Üretim dağıtımlarının çoğu tamamen özerk olmak yerine, döngüde-insan{-olarak gerçekleşir.

S: NEU yüzey kusurları veri tabanı nedir ve neden bu alanda bu kadar sık ​​karşımıza çıkıyor?

C: NEU (Kuzeydoğu Üniversitesi) Yüzey Kusuru Veritabanı, altı kusur kategorisini (- çatlama, kalıntı, yamalar, oyuklu yüzey, yuvarlanmış-ölçekli ve çizikler) kapsayan, yaygın olarak kullanılan, kamuya açık bir etiketli çelik yüzey görüntüleri dizisidir. Çelik yüzey kusur tespit modellerinin eğitimi ve karşılaştırılması için standart akademik kriter haline gelmiştir, bu nedenle yayınlanan doğruluk verilerinin çoğu ona referans vermektedir.

S: Yapay zeka görsel denetim, kaynaklar için girdap akımı veya ultrasonik testin yerini mi alıyor?

C: Hayır. Yapay zeka görüşü bir yüzey-görüntü yöntemidir ve yüzey altı veya hacimsel kusurları tespit edemez. Girdap akımı testi, iletken malzemelerde hızlı yüzey ve yüzeye yakın-yüzey çatlak tespiti için standart olmaya devam ediyor ve ultrasonik test, yüzey altı kusurları, duvar kalınlığı ve derinlikteki kaynak bütünlüğü için standart olmaya devam ediyor. Bu yöntemler yapay zeka vizyonunun tamamlayıcısıdır, yerini almaz.

S: Yapay zekalı kusur tespit sistemleri yalnızca araştırma kriterlerinde değil, gerçek üretimde ne kadar doğrudur?

C: Yayınlanan araştırma kıyaslamaları genellikle %95-99'un üzerinde doğruluk oranı bildirir, ancak bu rakamlar seçilmiş veri kümelerinden gelir. Gerçek üretim doğruluğu, konuşlandırılan kameranın, aydınlatmanın ve ürün koşullarının eğitim verileriyle ne kadar yakından eşleştiğine bağlıdır ve endüstriyel dağıtım konusunda uzmanlaşmış satıcılar, bir sistem belirli bir hatta - uygun şekilde ayarlandığında %95+ aralığında ulaşılabilir üretim doğruluğundan bahseder; bu nedenle doğrulanmış bir pilot program, tek başına bir kıyaslama numarasından daha önemlidir.

S: Bir üreticinin yapay zeka denetim projesine başlamadan önce hangi verilere sahip olması gerekir?

C: Hattın gerçekte ürettiği kusur türlerini kapsayan temsili, doğru şekilde etiketlenmiş bir dizi görüntü; ideal olarak yalnızca yaygın olanlardan ziyade nadir görülen kusur türlerinin örneklerini ve gerçekçi üretim koşulları altında çekilen görüntüleri (yalnızca temiz laboratuvar örnekleri değil), böylece modelin hizmette göreceği titreşimi, ışığı ve gürültüyü yönetmeyi öğrenmesini sağlar.

Özet

Yapay zeka-tabanlı kusur tespiti, akademik araştırmadan paslanmaz çelik yüzey kalitesi denetimi için pratik, dağıtılabilir bir araca dönüştü; CNN ve Vision Transformer modelleri artık standart karşılaştırmalarda %95-99+ aralığında doğruluk raporluyor ve hareketli bir hattı gerçek zamanlı olarak denetleyecek kadar hızlı çalışıyor. Yerini aldığı yöntemlerin iki zayıf yönünü doğrudan ele alır: insan denetçinin yorgunluğu ve tutarsızlığı ve basit eşik-tabanlı makine görüşünün yüksek yanlış-pozitif oranları.

Yapmadığı şey, yapay zeka görüşünün göremediği yüzey altı ve hacimsel kusurları tespit eden NDT yöntemlerinin - boya penetrantı, girdap akımı ve ultrasonik testin - yerini almasıdır ve kabul kriterlerine ilişkin son söz olarak geçerli malzeme standardı ASTM A480'in yerini almaz. Bu teknolojiden en fazla değeri elde eden üreticiler, manuel inceleme toptan satışı için değiştirilen tek bir teknoloji yerine, bunu daha geniş bir kalite sisteminde iyi-entegre edilmiş, gerçek üretim verileriyle doğrulanmış tek bir katman olarak ele alıyor.