Tekoäly ruostumattoman teräksen laaduntarkastuksessa: automaattinen vikojen havaitseminen

Mitä tekoälyyn perustuva{0}}viantunnistus on?

Ruostumattomasta teräksestä valmistettujen pintojen perinteinen tarkastus perustuu koulutettuihin tarkastajiin, joita joskus avustaa peruskonenäkö, joka ilmoittaa mitä tahansa kirkkaampaa, tummempaa tai kiinteää pikselikynnystä suurempia. Molemmilla lähestymistavoilla on hyvin -dokumentoidut rajat: tarkastajat väsyvät 8- tai 12-tunnin työvuoron aikana eivätkä pysty ylläpitämään täyttä tarkkaavaisuutta liikkuvan kelan jokaisella metrillä, kun taas yksinkertaiset kynnys-pohjaiset näköjärjestelmät tuottavat suuria määriä vääriä positiivisia -1, koska ne ovat väärässä 5 -3% viittauslähteissä. ei pysty erottamaan aitoa vikaa harmittomasta pinnan vaihtelusta, kuten heijastuksesta, toleranssin sisällä olevasta rullausjäljestä tai valaistusartefaktista.

Tekoälyvirheiden havaitseminen, joka useimmiten perustuu konvoluutiohermoverkkoihin (CNN) tai uudempiin Vision Transformer (ViT) -arkkitehtuureihin, on koulutettu tuhansiin tai miljooniin merkittyihin kuviin, jotta se oppii visuaaliset ominaisuudet, jotka erottavat aidon vian normaalista pinnan vaihtelusta. Kun malli on koulutettu, se tekee päätelmiä reaaliaikaisista kamerakuvista tuotantolinjan nopeudella, merkitsee ja luokittelee viat ja voi välittää tiedot suoraan linjan ohjausjärjestelmille reaaliaikaista-lajittelua, merkitsemistä tai hylkäämistä - varten ilman, että ihmisen tarvitsee tarkistaa jokaista kuvaa.

Millaisia ​​vikoja tekoälyjärjestelmät voivat havaita ruostumattomasta teräksestä?

Vikaluokat on koottu NEU:n pintavikatietokannasta (teräksen pintavikojen luokittelun standardi akateeminen vertailuarvo) ja julkaistut ruostumattoman teräksen valmistajan vikaoppaat. Tietyn vian tyypin ja vakavuuden hyväksymiskriteerien tulee viitata ASTM A480 -pinnan viimeistelyvaatimuksiin ja voimassa olevaan ostotilaukseen.

Kuinka tuotannon tekoälyn tarkastusjärjestelmä todella toimii?

Valaistus ja kuvanotto

Tasainen, hyvin{0}}hallittu valaistus on ennakkoedellytys, ei jälkikäteen. Ruostumattoman teräksen heijastava pinta tekee valaistuksen suunnittelusta todella vaikeaa: epätasainen tai epätasainen valaistus on yksi yleisimmin mainituista syistä teräspinnan kuvia on vaikea luokitella luotettavasti tärinän, liikkeen epäterävyyden ja pinnan mittakaavan aiheuttaman melun ohella. Nopeat-viiva-skannaus- tai alue-skannauskamerat tallentavat kuvia liikkuvasta nauhasta tai arkista usein useista kulmista tai useista valaistusgeometrioista havaitakseen viat, jotka näkyvät vain tietyissä heijastuskulmissa.

Esikäsittely ja syväoppimismalli

Otetut kuvat esikäsitellään -, niiden kokoa muutetaan, normalisoidaan, joskus suodatetaan kohinan vähentämiseksi tai epätasaisen valaistuksen korjaamiseksi -, ennen kuin ne siirretään koulutetulle mallille. Julkaistut tutkimukset osoittavat, että tämä esikäsittelyvaihe yksinään voi parantaa luokittelun tarkkuutta merkittävästi jopa hyvin-viritetyn CNN-arkkitehtuurin lisäksi. Malli itse suorittaa yhden tai useamman kolmesta tehtävästä: luokittelu (mikä tyyppi vika tämä on), lokalisointi (missä kuvassa se on) ja segmentointi (mikä on vian tarkka raja).

Päätöskerroksen ja linjan integrointi

Viimeinen kerros muuntaa mallin tulosteen toiminnaksi: merkitsee vikapaikan alavirran käsittelyä varten, laukaisee automaattisen hylkäyksen, kirjaa vian tyypin ja vakavuuden laatutietokantaan, tai kehittyneemmissä sovelluksissa, syöttää vikatiheyden ja -kuvion tiedot takaisin ylävirran prosessinhallinta- ja ylläpitojärjestelmiin (yhä yleisempi integraatiopiste tietokoneistettujen ylläpidon hallintajärjestelmien tai CMMS:n kanssa), jotta ne voivat aiheuttaa toistuvia virhehäviöitä.

Mitä syväoppimisarkkitehtuureja käytetään teräsvikojen havaitsemiseen?

Luvut on koottu julkaistuista vertaisarvioituista-ja esipainetuista tutkimuksista, joissa on käytetty NEU:ta ja siihen liittyviä teräspintavirhetietosarjoja. Nämä ovat tutkimus-vertailutuloksia, ei taattua tuotannon suorituskykyä - todelliset käyttöönotot edellyttävät validointia suhteessa kyseisen tuotelinjan tiettyyn tuotteeseen, kameran asetuksiin ja vikapopulaatioon.

Yksi nykyaikaisten kevyiden CNN-arkkitehtuurien käytännön etu on päättelynopeus: useat julkaistut toteutukset toimivat reilusti yli 100 kehyksen sekunnissa yhdellä teollisella grafiikkasuorittimella, mikä on riittävän nopea pysyäkseen liikkuvan kelan tai arkkilinjan tahdissa ilman, että siitä tulee prosessin pullonkaula.

Miten AI Vision verrataan perinteisiin NDT-menetelmiin, kuten väriaine- ja pyörrevirtatestaus?

Koottu julkaistusta NDT- ja konenäkökirjallisuudesta{0}}. Menetelmän valinnassa tulee noudattaa soveltuvaa tarkastusstandardia ja tiettyä tuotemuotoa (litteä-valssattu levy vs. hitsaus vs. putki) sen sijaan, että oletuksena olisi käytettävä mitään yksittäistä menetelmää.

Mitkä ovat AI-virheiden havaitsemisen rajoitukset ja toteutushaasteet?

Tieto- ja merkintätaakka: malli on vain niin hyvä kuin sen koulutussarja, ja tuhansien vikakuvien tarkka merkitseminen - erityisesti harvinaisten tai hienovaraisten vikatyyppien - on merkittävä etukäteisinvestointi, ennen kuin järjestelmä saavuttaa tuotantotason{2}}luotettavuuden.

Luokkaepätasapaino: jotkin vikatyypit (kelan -halkeava reunasärö) esiintyvät tiedoissa paljon harvemmin kuin tavalliset naarmut (pienet naarmut), jotka tutkimukset ovat johdonmukaisesti todenneet teräspintavikojen havaitsemisen keskeiseksi haasteeksi, koska enimmäkseen yleisiin virheisiin koulutettu malli ei pysty havaitsemaan harvinaisia, mutta vakavia virheitä.

Todellinen-kuvan vaihtelu: tärinä, liikkeen epäterävyys, epäjohdonmukainen valaistus ja pintamittakaavakohina on kirjallisuudessa nimenomaisesti merkitty tekijöiksi, jotka tekevät todellisista tuotanto-viivakuvista vaikeampaa luokitella tarkasti kuin puhtaita laboratorion vertailukuvia.

Luokan ja tuotteen vaihdot: yhdellä tuotemuodolla, mittarilla tai viimeistelyllä koulutettu malli ei välttämättä siirry puhtaasti toiseen ilman lisäkoulutusdataa tai siirtää oppimista, joten mallin ylläpito on jatkuva ohjelma, ei kertakäyttöinen{0}}käyttöönotto.

Vain pinta{0}}peitto: kuten yllä kerrottiin, tekoälynäkö ei näe pinnan alla olevia tai tilavuusvirheitä, joten se ei poista tarvetta tunkeutumis-, pyörrevirta- tai ultraäänitestauksille, jos nämä vikatyypit ovat huolestuttavia.

Ihmisen-in-silmukan vaatimus: materiaalispesifikaatioiden, kuten ASTM A480:n, mukainen loppusijoitus ja raja-arvoisten tai uusien vikojen esitysten arviointi, hyötyvät silti koulutetusta laatuinsinööristä, joka tarkistaa merkittyjä tuloksia - erityisesti käyttöönoton jälkeisenä alkuvaiheessa.

Kuinka valmistajan tulisi arvioida sijoitetun pääoman tuotto ennen tekoälytarkastuksen toteuttamista?

Tutkimuspapereiden tarkkuusluvut ovat lähtökohta, eivät liiketoimi. Päätöksen kannalta tärkeämpiä-kysymyksiä ovat: kuinka moni asiakkaiden valitus tai palautus tällä hetkellä juontaa juurensa puuttuviin pintavirheisiin ja mitä kannattaisi poistaa useimmat niistä? kuinka paljon tarkastustyövoimaa on tällä hetkellä omistettu visuaalisiin pintatarkastuksiin ja voitaisiinko tämä tiimi siirtää korkeamman-arvon ja laadun suunnittelutyöhön? rajoittaako manuaalinen tarkastus tällä hetkellä linjan nopeutta ja minkä arvoinen tämä kapasiteetti on, jos se poistetaan; ja voidaanko järjestelmän tuottamat vikojen luokittelu- ja sijaintitiedot liittää ylävirran prosessiparametreihin (telan kunto, peittauslinjan asetukset, lämpötilaprofiilit) vian määrän vähentämiseksi lähteellä sen sijaan, että se saadaan kiinni nopeammin linjan lopussa.

Yhden linjan tai tuoteperheen pilottiohjelma, joka on verrattu olemassa oleviin manuaalisiin tarkastustuloksiin määritellyn ajanjakson aikana, on luotettavin tapa validoida sekä tarkkuusvaatimukset että suoritusteho- ja työoletukset ennen täysimittaiseen käyttöönottoon sitoutumista.

Usein kysytyt kysymykset

K: Voiko tekoälyvirheiden havaitseminen korvata ihmisen laaduntarkastajat kokonaan?

V: Ei kokonaan. Tekoälyjärjestelmät käsittelevät nopean-täyden kattavuuden-pintojen seulonnan paljon johdonmukaisemmin kuin väsyneet tarkastajat, mutta materiaalimäärittelyn vastainen loppuratkaisu, raja-arvoisten tai uusien vikojen arviointi ja itse mallin valvonta vaativat silti koulutetun laatuinsinöörin. Useimmat tuotannon käyttöönotot ovat ihmisen-in-silmukassa- eikä täysin itsenäisiä.

K: Mikä on NEU-pintavirhetietokanta, ja miksi se tulee esiin niin usein tällä alalla?

V: NEU:n (Northeastern University) pintavikatietokanta on laajalti käytetty, julkisesti saatavilla oleva joukko merkittyjä teräspintakuvia, jotka kattavat kuusi vikaluokkaa - säröily, inkluusio, paikat, kuoppainen pinta, rullattu-mittakaava ja naarmut. Siitä on tullut standardi akateeminen vertailukohta teräksen pintavikojen havaitsemismallien koulutuksessa ja vertailussa, minkä vuoksi niin monet julkaistut tarkkuustiedot viittaavat siihen.

K: Korvaako tekoälyn tarkastus pyörrevirta- tai ultraäänitestauksen hitseille?

V: Ei. Tekoälynäkö on pintakuvausmenetelmä, eikä se pysty havaitsemaan pinnan alla olevia tai tilavuusvirheitä. Pyörrevirtatestaus on edelleen standardi johtavien materiaalien nopeassa pinnan ja pinnan lähellä olevien halkeamien havaitsemisessa, ja ultraäänitestaus on edelleen standardi pinnanalaisten virheiden, seinämän paksuuden ja hitsin eheyden määrittämisessä syvyydessä. Nämä menetelmät täydentävät tekoälynäköä, eivät korvaa sillä.

K: Kuinka tarkkoja tekoälyn vikojen havaitsemisjärjestelmät ovat todellisessa tuotannossa, eivät vain tutkimuksen vertailuarvot?

V: Julkaistujen tutkimusten vertailuarvot raportoivat yleensä 95–99 %+ tarkkuuden, mutta nuo luvut tulevat kuratoiduista tietojoukoista. Todellinen tuotannon tarkkuus riippuu siitä, kuinka tarkasti käytössä oleva kamera, valaistus ja tuoteolosuhteet vastaavat koulutustietoja, ja teollisuuskäyttöön erikoistuneet toimittajat mainitsevat saavutettavan 95 %+:n tuotantotarkkuuden, kun järjestelmä on viritetty oikein tiettyyn linjaan -, minkä vuoksi validoidulla pilottiohjelmalla on enemmän merkitystä kuin pelkällä vertailuarvolla.

K: Mitä tietoja valmistajalla on oltava ennen tekoälyn tarkastusprojektin aloittamista?

V: Edustava, tarkasti merkitty kuvasarja, joka kattaa linjan todellisuudessa tuottamat vikatyypit, mieluiten sisältäen esimerkkejä harvinaisista vikatyypeistä vain yleisten sijasta, ja kuvat, jotka on otettu realistisissa tuotantoolosuhteissa (ei vain puhtaissa laboratorionäytteissä), jotta malli oppii käsittelemään tärinää, valaistusta ja melua, jota se todella näkee käytössä.

Yhteenveto

Tekoäly-pohjainen vikojen havaitseminen on siirtynyt akateemisesta tutkimuksesta käytännölliseksi, käyttöön otettavaksi työkaluksi ruostumattoman teräksen pinnan laadun tarkastukseen. CNN- ja Vision Transformer -mallit raportoivat nyt 95–99 %+ tarkkuuden vakiovertailuarvoilla ja toimivat riittävän nopeasti liikkuvan linjan tarkastamiseen reaaliajassa. Se käsittelee suoraan korvaamiensa menetelmien kahta heikkoutta: tarkastajien väsymystä ja epäjohdonmukaisuutta sekä yksinkertaisen kynnys{6}}pohjaisen konenäön korkeita vääriä positiivisia-prosentteja.

Se ei korvaa NDT-menetelmiä - väriaineen tunkeutumis-, pyörrevirta- ja ultraäänitestaus -, jotka havaitsevat pinnan ja tilavuuden puutteet, joita tekoäly ei näe, eikä se korvaa hallitsevaa materiaalistandardia, ASTM A480:ta, hyväksymiskriteerien viimeisenä sanana. Valmistajat, jotka saavat eniten lisäarvoa tästä tekniikasta, pitävät sitä yhtenä hyvin-integroituna kerroksena laajemmassa laatujärjestelmässä, joka on validoitu todellisten tuotantotietojen perusteella, sen sijaan, että yksittäinen tekniikka vaihdettaisiin manuaaliseen tukkumyyntiin.