Sztuczna inteligencja w kontroli jakości stali nierdzewnej: automatyczne wykrywanie wad

Na czym polega wykrywanie defektów-w oparciu o sztuczną inteligencję?

Tradycyjna kontrola powierzchni stali nierdzewnej opiera się na przeszkolonych inspektorach, czasami wspomaganych przez podstawowe widzenie maszynowe, które wykrywa wszystko, co jest jaśniejsze, ciemniejsze lub większe niż ustalony próg pikseli. Obydwa podejścia mają dobrze-udokumentowane ograniczenia: inspektorzy są zmęczeni 8- lub 12-godzinami zmiany i nie są w stanie utrzymać pełnej uwagi na każdym metrze poruszającej się cewki, podczas gdy proste systemy wizyjne-oparte na progach generują dużą liczbę fałszywie pozytywnych wyników. - Źródła branżowe podają odsetek wyników fałszywie dodatnich na poziomie 15–30%, ponieważ nie są w stanie odróżnić prawdziwego defektu od nieszkodliwych zmian powierzchni, takich jak odbicie, ślad po walcowaniu w granicach tolerancji lub artefakt świetlny.

Wykrywanie defektów przez sztuczną inteligencję, najczęściej zbudowane na splotowych sieciach neuronowych (CNN) lub nowszych architekturach transformatorów wizyjnych (ViT), jest trenowane na tysiącach do milionów oznakowanych obrazów, dzięki czemu uczy się cech wizualnych, które odróżniają prawdziwy defekt od normalnej zmienności powierzchni. Po przeszkoleniu model wyciąga wnioski na podstawie obrazów z kamer na żywo z szybkością linii produkcyjnej, oznacza i klasyfikuje defekty, a następnie może przekazywać te informacje bezpośrednio do systemów sterowania linią w celu sortowania, oznaczania lub odrzucania w czasie rzeczywistym-- bez konieczności przeglądania każdej klatki przez człowieka.

Jakie rodzaje defektów mogą wykryć systemy AI na powierzchniach ze stali nierdzewnej?

Kategorie defektów opracowane na podstawie bazy danych defektów powierzchniowych NEU (standardowy akademicki punkt odniesienia dla klasyfikacji defektów powierzchni stali) oraz opublikowanych przewodników defektów producentów stali nierdzewnej. Kryteria akceptacji dla konkretnego typu i wagi wady powinny odnosić się do wymagań dotyczących wykończenia powierzchni ASTM A480 i obowiązującego zamówienia zakupu.

Jak faktycznie działa system kontroli wizyjnej produkcji AI?

Oświetlenie i akwizycja obrazu

Spójne, dobrze-kontrolowane oświetlenie jest warunkiem wstępnym, a nie kwestią drugorzędną. Odblaskowa powierzchnia stali nierdzewnej sprawia, że ​​projektowanie oświetlenia jest naprawdę trudne: nierówne lub-równomierne oświetlenie to jeden z najczęściej wymienianych powodów, dla których obrazy powierzchni stali są trudne do wiarygodnej klasyfikacji, obok wibracji, rozmycia ruchu i szumu spowodowanego skalą powierzchni. Kamery-szybkie-skanujące liniowo lub obszarowe- rejestrują obrazy poruszającego się paska lub arkusza, często pod różnymi kątami lub przy różnych geometriach oświetlenia, aby wychwycić defekty, które stają się widoczne dopiero pod pewnymi kątami odbicia.

Przetwarzanie wstępne i model głębokiego uczenia się

Przechwycone obrazy są wstępnie przetwarzane, - zmieniane są ich rozmiary, normalizowane, a czasami filtrowane w celu redukcji szumów lub skorygowania-nierównomiernego oświetlenia - przed przesłaniem do wyszkolonego modelu. Opublikowane badania pokazują, że sam ten etap wstępnego przetwarzania może znacząco poprawić dokładność klasyfikacji, niezależnie od-dostrojonej architektury CNN. Sam model realizuje jedno lub więcej z trzech zadań: klasyfikację (jaki rodzaj defektu), lokalizację (gdzie na obrazie się on znajduje) oraz segmentację (jaka jest dokładna granica defektu).

Warstwa decyzyjna i integracja linii

Ostatnia warstwa przekształca dane wyjściowe modelu w działanie: oznaczanie lokalizacji wady do późniejszej obsługi, wyzwalanie automatycznego odrzucenia, rejestrowanie typu i wagi defektu w jakościowej bazie danych lub w bardziej dojrzałych wdrożeniach przekazywanie danych o częstotliwości i wzorcach defektów z powrotem do wcześniejszych systemów kontroli procesu i konserwacji (coraz bardziej powszechny punkt integracji z skomputeryzowanymi systemami zarządzania konserwacją, CMMS), dzięki czemu powtarzające się wzorce defektów mogą uruchomić konserwację sprzętu, zanim spowodują dalsze straty.

Które architektury głębokiego uczenia się są wykorzystywane do wykrywania defektów stali?

Dane zebrane na podstawie opublikowanych-recenzji naukowych i badań przed drukiem, z wykorzystaniem NEU i powiązanych zbiorów danych dotyczących wad powierzchni stali. Są to-wyniki badań porównawczych, a nie gwarantowana wydajność produkcyjna. - Rzeczywiste wdrożenia wymagają sprawdzenia pod kątem konkretnego produktu, konfiguracji kamery i populacji defektów danej linii.

Praktyczną zaletą nowoczesnych, lekkich architektur CNN jest szybkość wnioskowania: kilka opublikowanych implementacji działa z szybkością znacznie ponad 100 klatek na sekundę na jednym przemysłowym procesorze graficznym, który jest wystarczająco szybki, aby dotrzymać kroku ruchomej cewce lub linii arkusza, nie stając się wąskim gardłem w procesie.

Jak AI Vision wypada w porównaniu z tradycyjnymi metodami NDT, takimi jak badania penetracyjne i prądy wirowe?

Zestawienie na podstawie opublikowanej literatury dotyczącej badań NDT i-wizji maszynowej. Wybór metody powinien być zgodny z obowiązującymi normami kontroli i konkretną formą produktu (płaski-walcowany arkusz vs. spoina vs. rura), a nie wybierać domyślnie jednej metody.

Jakie są ograniczenia i wyzwania związane z wdrażaniem wykrywania defektów AI?

Obciążenie związane z danymi i etykietowaniem: model jest tak dobry, jak jego zestaw szkoleniowy, a dokładne oznaczenie tysięcy obrazów defektów - szczególnie rzadkich lub subtelnych typów defektów - to znacząca inwestycja początkowa, zanim system osiągnie-produkcyjny poziom niezawodności.

Brak równowagi klas: niektóre typy defektów (pęknięcie-rozszczepiającej się krawędzi cewki) występują w danych znacznie rzadziej niż rutynowe (drobne zadrapania), co badania konsekwentnie uznają za główne wyzwanie w wykrywaniu defektów powierzchni stali, ponieważ model wyszkolony głównie na typowych defektach może-niewykrywać rzadkich, ale poważnych defektów.

Zmienność obrazu-rzeczywistego świata: wibracje, rozmycie ruchu, niespójne oświetlenie i szum skali powierzchniowej są w literaturze szczególnie określane jako czynniki, które sprawiają, że rzeczywiste obrazy-z linii produkcyjnej są trudniejsze do dokładnej klasyfikacji niż czyste laboratoryjne obrazy wzorcowe.

Zmiana gatunku i produktu: model przeszkolony w zakresie jednej formy produktu, grubości lub wykończenia może nie zostać w sposób czysty przeniesiony na inny bez dodatkowych danych szkoleniowych lub transferu wiedzy, dlatego konserwacja modelu to program ciągły, a nie-jednorazowe wdrożenie.

Pokrycie-tylko powierzchni: jak wspomniano powyżej, wizja AI nie jest w stanie wykryć wad podpowierzchniowych ani objętościowych, więc nie eliminuje potrzeby przeprowadzania testów penetracyjnych, prądów wirowych lub ultradźwiękowych, gdy tego typu wady stanowią problem.

Wymogi związane z człowiekiem-w-pętli-: ostateczna decyzja w oparciu o specyfikację materiałową, taką jak ASTM A480, oraz wymagana ocena w przypadku prezentacji defektów granicznych lub nowatorskich, w dalszym ciągu korzystają z pomocy przeszkolonego inżyniera ds. jakości przeglądającego oznaczone wyniki -, szczególnie we wczesnym okresie po wdrożeniu.

Jak producent powinien ocenić zwrot z inwestycji przed wdrożeniem kontroli AI?

Dokładne dane liczbowe z artykułów naukowych są punktem wyjścia, a nie uzasadnieniem biznesowym. Pytania-bardziej istotne przy podejmowaniu decyzji to: ile skarg klientów lub zwrotów ma obecnie związek z pominiętymi defektami powierzchni i jaka byłaby wartość wyeliminowania większości z nich; ile pracy inspekcyjnej poświęca się obecnie na wizualną kontrolę powierzchni i czy zespół ten można przenieść do-wartościniejszych prac inżynieryjnych; czy inspekcja ręczna ogranicza obecnie prędkość linii i jaka będzie wartość tej wydajności w przypadku jej usunięcia; oraz czy dane dotyczące klasyfikacji i lokalizacji defektów generowane przez system można połączyć z parametrami procesu poprzedzającego (stan walcowania, ustawienia linii wytrawiania, profile temperatur), aby zmniejszyć odsetek defektów u źródła, a nie tylko szybciej je wychwytywać na końcu linii.

Program pilotażowy dotyczący pojedynczej linii lub rodziny produktów, porównany z wynikami istniejących ręcznych kontroli w określonym okresie, to najbardziej niezawodny sposób sprawdzenia zarówno deklaracji dotyczących dokładności, jak i założeń dotyczących wydajności i robocizny przed podjęciem decyzji o pełnym wdrożeniu.

Często zadawane pytania

P: Czy wykrywanie defektów AI może całkowicie zastąpić ludzkich inspektorów jakości?

O: Nie do końca. Systemy sztucznej inteligencji radzą sobie z-szybkim i pełnym-pokryciem badaniem powierzchni znacznie bardziej konsekwentnie niż zmęczeni inspektorzy, ale ostateczne wydanie decyzji na podstawie specyfikacji materiału, ocena granicznych lub nowatorskich defektów oraz nadzór nad samym modelem nadal wymagają wyszkolonego inżyniera ds. jakości. Większość wdrożeń produkcyjnych jest wykonywana przez człowieka-w--pętli, a nie w pełni autonomiczna.

P: Czym jest baza danych defektów powierzchniowych NEU i dlaczego pojawia się tak często w tej dziedzinie?

O: Baza danych defektów powierzchniowych NEU (Northeastern University) to szeroko stosowany, publicznie dostępny zestaw oznakowanych obrazów powierzchni stali obejmujący sześć kategorii defektów: - pęknięcia, wtrącenia, łaty, wżery,-walcowanie i zadrapania. Stał się standardowym akademickim punktem odniesienia do szkolenia i porównywania modeli wykrywania defektów powierzchni stali, dlatego tak wiele publikowanych danych dotyczących dokładności odwołuje się do niego.

P: Czy kontrola wizyjna AI zastępuje badania spoin prądami wirowymi lub ultradźwiękowymi?

O: Nie. Widzenie oparte na sztucznej inteligencji to metoda-obrazowania powierzchni, która nie pozwala wykryć wad podpowierzchniowych ani objętościowych. Badania prądami wirowymi pozostają standardem w przypadku szybkiego wykrywania-pęknięć powierzchniowych i przypowierzchniowych materiałów przewodzących, a badania ultradźwiękowe pozostają standardem w przypadku wad podpowierzchniowych, grubości ścianek i integralności spoin na głębokości. Metody te uzupełniają wizję AI, a nie ją zastępują.

P: Jak dokładne są systemy wykrywania defektów AI w rzeczywistej produkcji, a nie tylko w testach porównawczych?

Odp.: Publikowane testy porównawcze zwykle podają dokładność na poziomie 95–99%+, ale dane te pochodzą z wybranych zbiorów danych. Rzeczywista dokładność produkcji zależy od tego, jak bardzo wdrożona kamera, oświetlenie i warunki produktu odpowiadają danym szkoleniowym, a dostawcy specjalizujący się we wdrożeniach przemysłowych podają osiągalną dokładność produkcji w zakresie ponad 95%, gdy system jest odpowiednio dostrojony do określonej linii -, dlatego też zatwierdzony program pilotażowy ma większe znaczenie niż sama liczba punktów odniesienia.

P: Jakie dane musi posiadać producent przed rozpoczęciem projektu inspekcji AI?

Odp.: Reprezentatywny, dokładnie oznaczony zestaw obrazów obejmujący rodzaje defektów faktycznie wytwarzanych na linii, najlepiej zawierający przykłady rzadkich typów defektów, a nie tylko powszechnych, oraz obrazy wykonane w realistycznych warunkach produkcyjnych (a nie tylko czyste próbki laboratoryjne), aby model nauczył się radzić sobie z wibracjami, oświetleniem i hałasem, które faktycznie zobaczy podczas pracy.

Streszczenie

Wykrywanie defektów w oparciu o sztuczną inteligencję- przeszło z badań akademickich do praktycznego, możliwego do wdrożenia narzędzia do kontroli jakości powierzchni stali nierdzewnej, a modele CNN i Vision Transformer zgłaszają obecnie dokładność w zakresie 95–99%+ w standardowych testach porównawczych i działają wystarczająco szybko, aby sprawdzać poruszającą się linię w czasie rzeczywistym. Bezpośrednio odnosi się do dwóch słabych stron metod, które zastępuje: zmęczenia i niespójności inspektora oraz wysokiego odsetka wyników fałszywie-pozytywnych w przypadku prostego widzenia maszynowego-opartego na progach.

To, czego nie robi, to zastępuje metody NDT - badania penetracyjne, prądy wirowe i ultradźwiękowe -, które wykrywają wady podpowierzchniowe i objętościowe, których sztuczna inteligencja nie widzi, i nie zastępuje obowiązującej normy materiałowej ASTM A480 jako ostatniego słowa w sprawie kryteriów akceptacji. Producenci czerpiący najwięcej korzyści z tej technologii traktują ją jako jedną dobrze-zintegrowaną warstwę w szerszym systemie jakości, weryfikowaną na podstawie rzeczywistych danych produkcyjnych, a nie pojedynczą technologię zamienianą na hurtową kontrolę ręczną.