Kontrola wizyjna z AI: jak ograniczyć fałszywe odrzuty bez przeoczania wad

Odrzucenie części jest decyzją, a nie dowodem wady. Wiele raportów produkcyjnych traktuje jednak liczbę odrzutów tak, jakby każda sztuka nie spełniała zweryfikowanej specyfikacji. Pozostaje ważne pytanie: ile zgodnych wyrobów wyrzucamy?

Kontrola wizyjna z AI wykorzystuje modele do analizy obrazów części i wskazywania wzorców mogących oznaczać wadę. Jej wartość zależy od poprawy decyzji: mniej niepotrzebnych odrzutów, użyteczne dowody dla weryfikatorów i dalsze wykrywanie istotnych niezgodności. Sam spadek ilości złomu nie dowodzi poprawy kontroli.

W odcinku 3 serii AI in Swiss Industry Stéphane Fallet opisuje mniej widoczny błąd: dobre części mogą trafiać na złom, a związany koszt pozostaje niemierzony. Punktem wyjścia są lepsze informacje w całej produkcji. Poniższy audyt przekłada tę obserwację na praktyczne podejście dla zespołu jakości.

01 Jak kontrola wizyjna z AI wpisuje się w linię produkcyjną

Proces kontroli zaczyna się od użytecznego obrazu i jasnego kryterium akceptacji. Model ocenia widoczne cechy, a otaczający proces określa, czy wynik staje się alarmem, wnioskiem o sprawdzenie czy decyzją produkcyjną. Rozdziel te odpowiedzialności przy definiowaniu próby.

Dobrym pierwszym zastosowaniem może być ponowna ocena obrazów już oznaczonych przez system kontroli. Siemens opisuje ograniczanie fałszywych alarmów w produkcji płytek drukowanych przez połączenie danych automatycznej kontroli optycznej z ustaleniami kontroli ręcznej. To konkretny przykład wsparcia istniejącego procesu, a nie dowód, że taki sam wynik wystąpi w każdej fabryce. Przeczytaj opis Siemens.

• Rejestruj: zachowuj obraz oraz kontekst części, stanowiska i kontroli.
• Oceniaj: porównuj wynik modelu ze zweryfikowanymi etykietami akceptacji.
• Weryfikuj: kieruj wyniki niepewne lub sporne do osoby odpowiedzialnej za jakość.
• Monitoruj: po zatwierdzonych zmianach śledź fałszywe odrzuty, przeoczone wady i nakład weryfikacji.

02 Przygotuj obrazy i etykiety przed wyborem modelu

Do próby zbierz przykłady zgodnych części, istotnych wad i przypadków nierozstrzygniętych przez zespół. Uwzględnij zmienność stanowiska: warianty części, wykończenia powierzchni, położenia i warunki pracy. Określ, co obraz rzeczywiście ujawnia. Ocena obrazu nie potwierdzi właściwości, której metoda obrazowania nie mierzy.

Oddziel pierwotną decyzję kontroli od zweryfikowanego stanu. Historyczna etykieta odrzutu może opisywać działanie systemu, a nie rzeczywistą wadę części. Poproś kwalifikowanego weryfikatora o rozstrzygnięcie etykiet według specyfikacji. Zachowuj przypadki nierozwiązane zamiast milcząco uznawać je za wady.

Przed dostrajaniem modelu uzgodnij osobny zbiór oceny. Testuj na przykładach reprezentatywnych dla produkcji, nieużytych ponownie do uczenia, i raportuj wynik łączny oraz według kategorii wad. Osoba odpowiedzialna za jakość określa kryteria akceptacji i dowody potrzebne do wdrożenia. Nie ma uniwersalnego procentu trafności, który zapewnia gotowość każdego zastosowania.

03 Zacznij od dwóch błędów kontroli

Fałszywy odrzut to zgodna część zaklasyfikowana jako wadliwa. Przeoczona wada, czyli przepuszczenie niezgodności, oznacza zaakceptowanie niezgodnej części. To różne wyniki z różnymi konsekwencjami. Unikanie zbędnego złomu nie usprawiedliwia zwolnienia wadliwego komponentu.

Zanim policzysz błędy, uzgodnij znaczenie zgodności. Użyj aktualnego rysunku, specyfikacji, kryteriów akceptacji i odpowiedniego pomiaru referencyjnego. Jeśli sama referencja jest sporna, oznacz wynik jako nierozstrzygnięty. Wymuszone przypisanie niepewnej części do dobrych lub złych daje pulpitowi większą pewność, niż pozwalają dowody.

Nasz przegląd kontroli jakości z AI omawia szerszy związek między kontrolą, danymi operacyjnymi i próbą AI. Ten przewodnik skupia się na węższym zadaniu: znalezieniu i zbadaniu dobrych części wśród odrzutów.

04 Co mówi badanie Sandia, a czego nie dowodzi

W eksperymencie Sandia National Laboratories z 2015 r. 82 inspektorów sprawdziło 140 precyzyjnych części wykorzystywanych w amerykańskim kompleksie bezpieczeństwa jądrowego. Prawidłowo odrzucili 85% wadliwych sztuk i błędnie odrzucili 35% akceptowalnych części. Autorzy zaznaczyli, że tak wysoki poziom złomu nie był typowy dla zadań kontroli wzrokowej. Przeczytaj oryginalne podsumowanie badania.

Ten wynik jest powodem do zbadania własnego procesu, a nie szacunkiem strat Twojej fabryki. Nie dowodzi, że w całej produkcji regularnie wyrzuca się jedną trzecią dobrych części ani że AI odzyska taki udział. Kryteria akceptacji, miks części i warunki kontroli mogą być zupełnie inne.

05 Sprawdź decyzję o odrzuceniu przed jej zmianą

Wybierz konkretne stanowisko kontroli i jedną rodzinę części. Ustal okres przeglądu i zachowaj identyfikowalność pierwotnej decyzji. Celem jest zrozumiałe porównanie, a nie szukanie w złomie kilku przykładów wspierających preferowane rozwiązanie.

• Zapisz identyfikator części lub partii, czas kontroli, pierwotny wynik i powód odrzucenia.
• Zachowaj odpowiedni obraz, pomiar, wersję programu lub zapis inspektora, jeśli są dostępne.
• Zleć uprawnionym osobom ocenę wybranych sztuk względem uzgodnionej referencji.
• Oddzielnie zapisz wyniki zgodne, niezgodne i nierozstrzygnięte oraz przyczyny rozbieżności.

Oddziel wynik weryfikacji audytowej od uprawnienia do zwolnienia części. Sztuka uznana w analizie za zgodną może nadal wymagać zwykłej procedury decyzji o dalszym postępowaniu. Zachowaj zabezpieczenie i identyfikowalność do zakończenia tej procedury przez osobę odpowiedzialną za jakość.

Animacja pokazuje oba błędy: wadliwą część u klienta i zgodną część na złomie. Wyjaśnia, dlaczego trzeba mierzyć oba wyniki. Wykrycie możliwego fałszywego odrzutu nie uprawnia do zwolnienia. Odzyskanie części nadal zależy od jej stanu, identyfikowalności i zatwierdzonej decyzji.

06 Używaj właściwego mianownika

Dwie przydatne miary odpowiadają na różne pytania. Udział zgodnych sztuk wśród audytowanych odrzutów opisuje odrzuconą populację. Wskaźnik fałszywych odrzutów mówi, jak często zgodne części odrzuca się błędnie. Te miary nie są zamienne.

• Udział zgodnych sztuk w audytowanych odrzutach: zweryfikowane zgodne odrzuty podzielone przez wszystkie audytowane odrzuty.
• Wskaźnik fałszywych odrzutów: odrzucone zgodne części podzielone przez wszystkie zweryfikowane zgodne części ocenianej populacji.
• Wskaźnik przeoczonych wad: zaakceptowane niezgodne części podzielone przez wszystkie zweryfikowane niezgodne części tej populacji.

Przykład ilustracyjny: całkowicie zweryfikowany zbiór testowy zawiera 190 zgodnych i 10 niezgodnych części. Kontrola odrzuca trzy zgodne i dziewięć niezgodnych sztuk. Trzy z 12 odrzutów są dobre, więc ich udział to 25%. Wskaźnik fałszywych odrzutów wynosi jednak trzy podzielone przez 190, około 1,58%. Jedna z dziesięciu wadliwych sztuk została przepuszczona, co daje 10% przeoczonych wad. To trzy spojrzenia na ten sam test, a nie trzy szacunki tego samego problemu.

Audyt wyłącznie odrzutów nie pozwala ustalić wskaźnika fałszywych odrzutów dla całej linii, bo nie weryfikuje zaakceptowanej populacji. Nie pokaże też liczby przepuszczonych wad. Uwzględnij weryfikację zaakceptowanych części według planu próbkowania odpowiedniego do procesu i określ jego możliwości oraz ograniczenia. Przy każdym procencie pokazuj liczby źródłowe.

07 Znajdź przyczynę rozbieżności

Przed zmianą progu porównaj pierwotne dowody kontroli z wynikiem referencyjnym. Grupuj rozbieżności według rodziny części, typu wady, stanowiska, zmiany i konfiguracji, jeśli zapisy na to pozwalają. Dobra analiza pyta o zmiany warunków decyzji, zamiast od razu obwiniać operatora lub model.

W kontroli automatycznej sprawdź wpływ pozycjonowania, oświetlenia, wyglądu powierzchni i zmienności pomiaru. Wskazówki KEYENCE dotyczące zapobiegania fałszywym odrzutom opisują równowagę czułości i dokładności. Traktuj zalecenia sprzętowe jako początek własnej walidacji, nie zamiennik kryteriów właściwych dla produktu.

W kontroli ludzkiej sprawdź, czy ten sam przypadek graniczny otrzymuje różne decyzje i czy zapisane kryterium da się zastosować w praktyce. Jaśniejszy przykład referencyjny lub lepszy pomiar mogą rozstrzygnąć spór bardziej bezpośrednio niż nowy model. Jeśli brakuje zapisów, ujawnij lukę przed wnioskowaniem o wzorcu.

Gdy kilka czynników zmienia się razem, ich związek jest tropem, a nie dowodem przyczyny. Porównuj podobne warunki i poproś właściciela procesu o ocenę prawdopodobnych wyjaśnień. Skupienie odrzutów na jednej zmianie może na przykład wynikać z miksu części, a nie z inspektora.

08 Oblicz koszty, których naprawdę można uniknąć

Na podstawie zweryfikowanej liczby zbuduj obraz kosztów z finansami i operacjami. Zacznij od kosztu poniesionego do chwili odrzucenia, a następnie sprawdź, czy część rzeczywiście dało się odzyskać. Gotowy zespół i półfabrykat na wczesnym etapie zawierają różne koszty materiału i obróbki.

• Złom możliwy do uniknięcia: zweryfikowane zgodne sztuki, które można było zgodnie z procedurami zachować, pomnożone przez właściwy koszt jednostkowy i pomniejszone o wartość odzysku.
• Nakład przeglądu: godziny analizy i ponownej kontroli, także wyjaśniania sporów.
• Nakład odzysku: transport wewnętrzny, segregacja oraz zatwierdzone poprawki lub weryfikacja przed zwolnieniem.
• Skutki dostaw: udowodnione konsekwencje zapisuj oddzielnie; nie zakładaj utraty sprzedaży przy każdej odrzuconej sztuce.

Załóżmy, że w całkowicie sprawdzonej partii jest 20 zgodnych części błędnie odrzuconych, każda z możliwym do uniknięcia kosztem 40 € i bez wartości odzysku. To 800 € potencjalnej straty w partii. Jeśli odzysk wymaga czterech godzin po 50 €, przed innymi kosztami pozostaje 600 €. To ilustracja arytmetyczna, nie wynik Embiggen ani prognoza miesięcznych oszczędności.

Nie przeliczaj nietypowej partii na rok produkcji i nie nazywaj tego uzasadnieniem biznesowym. Sprawdź normalny wolumen, miks produktów i warunki pracy. Oddziel zidentyfikowaną stratę, technicznie odzyskiwalną wartość i zrealizowane oszczędności. Są równe tylko wtedy, gdy potwierdzają to dowody operacyjne.

09 Testuj zmianę obok obecnego procesu

Dokładnie określ zmianę: poprawiona konfiguracja kontroli, jaśniejsze kryteria, dodatkowy pomiar lub weryfikacja wspierana przez AI. Przed porównaniem ustal kryteria, w tym kategorie wad, których przeoczenie jest niedopuszczalne, i sposób eskalowania niepewnych przypadków.

Jeżeli to możliwe, utrzymuj dotychczasową decyzję produkcyjną w trakcie oceny nowego podejścia. Porównuj oba z tą samą metodą referencyjną i zapisuj rozbieżności. Stosuj części oceny, których nie użyto po prostu ponownie do dostrajania, oraz normalną zmienność procesu.

Oceniaj łącznie fałszywe odrzuty i przeoczone wady. Mniej odrzutów wskutek akceptowania większej liczby wadliwych sztuk nie jest pożądanym wynikiem. Mierz też obciążenie weryfikatorów i nierozstrzygnięte przypadki. Przekazanie każdej trudnej decyzji przeciążonemu inspektorowi może uczynić pozornie lepszy model niepraktycznym.

Okres bez zaobserwowanych przepuszczonych wad nie dowodzi zerowego rzeczywistego ryzyka. Wielkość próby i miks wad ograniczają wnioski. Osoba odpowiedzialna za jakość powinien zdecydować, czy dowody wystarczają do planowanego użycia i jakie monitorowanie jest potrzebne po zmianie.

10 Nadaj AI konkretne zadanie w analizie

AI można oceniać jako narzędzie priorytetyzacji spornych obrazów, grupowania powtarzalnych powodów odrzucenia lub zbierania zapisów kontroli dla weryfikatora. Pytanie brzmi, jakie zadanie poprawi decyzję przy akceptowalnym nakładzie. „Dodanie AI” jest zbyt szerokie do testowania.

Etykiety referencyjne wymagają takiej samej staranności jak model. Jeśli każdy historyczny odrzut oznaczono bez sprawdzenia jako wadliwy, uczenie może utrwalić właśnie ten błąd. Zachowaj pierwotną decyzję i sprawdzony stan w osobnych polach. Dokumentuj nierozstrzygnięte przypadki i zmiany kryteriów.

Wyznacz właściciela jakości odpowiedzialnego za dalsze postępowanie z częściami i jasną ścieżkę dla niepewnych wyników. Wskaźnik pewności modelu nie jest zgodą na zwolnienie. Po zmianie miksu części, ustawień kontroli lub procesu sprawdź, czy dowody nadal uzasadniają sposób użycia narzędzia.

11 Zacznij od pytania, które można audytować

Przed zakupem sprzętu lub zamówieniem modelu zapytaj: które części odrzucane przez to stanowisko spełniają uzgodnioną specyfikację i dlaczego pierwsza decyzja była inna? Odpowiedź tworzy użyteczną podstawę usprawnienia.

• Wybierz jedno stanowisko i rodzinę części.
• Uzgodnij metodę referencyjną i właściciela decyzji.
• Zweryfikuj określoną próbę, uwzględniając kontrole zaakceptowanych części.
• Oddziel fałszywe odrzuty, przeoczone wady i przypadki nierozstrzygnięte.
• Oszacuj odzyskiwalną wartość z rzeczywistych kosztów.
• Przetestuj konkretną zmianę przed rozszerzeniem.

Porozmawiaj z Embiggen X o decyzji kontroli, którą chcesz zbadać. Możemy zacząć od mapy dostępnych zapisów, procesu weryfikacji i dowodów potrzebnych do oceny ograniczonej próby.

12 Źródła

• Embiggen X: IA et contrôle qualité : réduisez les rebuts en industrie. Odcinek 3 o przeoczonych wadach, fałszywych odrzutach i informacjach produkcyjnych.
• Judi E. See, Visual Inspection Reliability for Precision Manufactured Parts, 2015. Wyniki kontroli właściwe dla tego badania.
• KEYENCE: Preventing False Rejections. Wskazówki producenta o czułości i dokładności kontroli.
• Siemens: Smarter False Call Reduction for Electronics Manufacturing. Przykład oceny wspieranej przez AI z wykorzystaniem danych AOI i ustaleń kontroli ręcznej.