Контроль качества на производстве: традиционные методы и глубокое обучение

Контроль качества — важная задача в процессе производства, которая позволяет убедиться, что продукция соответствует необходимым стандартам качества. Однако оценка качества с помощью традиционных методов контроля может быть дорогостоящей по мере усложнения продукции.

Производители переходят к методам контроля на основе глубокого обучения, таким как обнаружение объектов и семантическая сегментация, чтобы снизить затраты на контроль. Глубокое обучение — это подраздел искусственного интеллекта (AI), использующий компьютерные алгоритмы, называемые нейронными сетями, для выявления сложных закономерностей в данных. Эти методы помогают автоматизировать рабочий процесс контроля и снизить зависимость от инспекторов-людей за счёт анализа больших наборов данных, включая изображения и видео.

Благодаря универсальности и экономической эффективности контроль качества на основе AI значительно повышает прибыльность бизнеса. Согласно отчётам, к 2035 году производственная отрасль сможет получить от AI более 3 триллионов долларов США.

В этой статье мы расскажем, как методы глубокого обучения могут улучшить контроль качества и как Ultralytics YOLO11 способен повысить эффективность контроля в различных отраслях.

Что такое контроль качества в производстве?#

Контроль качества позволяет определить, есть ли в продукте дефекты, аномалии или несоответствия, прежде чем он попадёт к потребителю.

Процесс может выполняться во время производства, когда продукт движется по сборочной линии, или после производства, но до перемещения изделий на линию распределения.

Часто он включает визуальную оценку, которую проводят специалисты, чтобы определить, отклоняется ли продукт от заданных стандартов дизайна или не соответствует им.

Однако по мере повышения требований к качеству производители переходят к автоматизированным подходам на основе глубокого обучения, чтобы повысить гибкость и масштабируемость своих операций.

Что такое подходы глубокого обучения?#

Подходы глубокого обучения используют искусственные нейронные сети, работающие по принципам человеческого мозга. Сети состоят из взаимосвязанных слоёв нейронов. Каждый нейрон выполняет математические вычисления для анализа данных, выявления закономерностей и формирования прогноза.

Рис. 1. Искусственная нейронная сеть.

В рамках контроля качества модели глубокого обучения включают фреймворки компьютерного зрения, которые автоматически обучаются и извлекают признаки из изображений продукции.

Разработка моделей компьютерного зрения требует от специалистов обучить нейронную сеть на релевантных наборах данных и провести проверку на новом наборе данных для оценки производительности.

После проверки специалисты могут развернуть эти модели на камерах и датчиках с помощью различных инструментов развёртывания, таких как PyTorch, ONNX и OpenVINO.

Подходы глубокого обучения для контроля качества#

Контроль качества на основе компьютерного зрения использует несколько методов для обнаружения и локализации повреждений, трещин и отсутствующих элементов. Ниже перечислены четыре современных подхода глубокого обучения.

Бинарная классификация#

Бинарная классификация — это задача распределения изображений по одному из двух классов, например определение наличия или отсутствия дефекта в объекте.

На основе визуальных данных модель классификации выдаёт бинарное решение «да/нет». Такие модели помогают обнаруживать отсутствующие элементы. Например, модель классификации может определить, отсутствует ли элемент в продукте.

Рис. 2. Бинарная классификация автомобильной детали.

Многоклассовая классификация#

Многоклассовая классификация — это задача распределения изображений более чем по двум классам. Она относит каждое изображение к одной из нескольких заранее заданных категорий.

Например, модель многоклассовой классификации может проанализировать изображение продукта и выдать вероятности для нескольких типов повреждений или трещин, показывая, какой из них, скорее всего, присутствует.

Рис. 3. Многоклассовая классификация, обнаруживающая дефекты изгиба и цвета.

Это полезно в производстве, где различные дефекты, такие как царапины, вмятины или трещины, могут требовать разных процедур обработки.

Локализация#

Локализация — это определение конкретного местоположения объекта или признака на изображении. Для этого используются модели обнаружения объектов, предсказывающие ограничивающие рамки или координаты, выделяющие конкретную область повреждения.

Это полезно для таких задач, как обнаружение трещин в зданиях или промышленных деталях, где точное местоположение дефекта необходимо для целевого ремонта.

Рис. 4. Модель, локализующая пробивное отверстие.

Например, при обслуживании инфраструктуры модели локализации могут анализировать изображения бетонной конструкции и отмечать точную область, в которой расположена трещина.

Многоклассовая локализация#

Многоклассовая локализация выявляет и определяет местоположение нескольких дефектов на изображении, одновременно классифицируя каждый дефект по одной из нескольких заранее заданных категорий.

В ней используются более продвинутые модели обнаружения объектов, которые определяют тип и местоположение дефекта, предоставляя более подробную информацию.

Рис. 5. Модель, локализующая несколько типов дефектов.

Например, модель многоклассовой локализации может проанализировать изображение повреждённого изделия и указать тип дефекта, например царапину или трещину, а также точные координаты дефекта внутри объекта.

Традиционные подходы и подходы глубокого обучения#

Традиционные методы контроля более жёсткие: они следуют заданным пользователем правилам и стандартам, таким как пороговые значения, заранее определённые контрольные списки и критерии «пройдено/не пройдено».

Например, при использовании методов компьютерного зрения на основе правил специалисты задают идеальные цвет, форму и размер конкретного продукта. Система уведомляет специалистов, если камера или другое устройство захвата изображений обнаруживает отклонения от этих стандартов.

Подходы глубокого обучения обеспечивают большую гибкость при создании более сложных систем обнаружения. Они включают сбор и разметку обширных наборов данных с изображениями дефектных объектов. Специалисты используют размеченные данные для обучения моделей обнаружения объектов, таких как Ultralytics YOLO11. После обучения модель можно развернуть на камерах или датчиках для захвата изображений и обнаружения дефектов в реальном времени.

В следующем разделе мы рассмотрим, как Ultralytics YOLO11 можно использовать для контроля качества.

Использование компьютерного зрения для контроля качества#

You-Only-Look-Once (YOLO) — современная модель обнаружения объектов в реальном времени (SOTA), известная высокой точностью, адаптивностью и скоростью. Последняя её версия — Ultralytics YOLO11, которая превосходит предыдущие версии по извлечению признаков, скорости, точности и адаптивности.

Она отличается улучшенной архитектурой для более точного извлечения признаков и включает оптимизированные конвейеры обучения для более высокой скорости обработки. Модель эффективнее использует вычислительные ресурсы: в ней на 22% меньше параметров и более высокие показатели точности, чем у предшественников.

Благодаря своей универсальности Ultralytics YOLO11 может помочь улучшить процессы контроля качества в различных областях. Она позволяет обнаруживать аномалии, повреждения, трещины, отсутствующие элементы и ошибки упаковки в продукции, выполняя такие задачи, как обнаружение объектов и сегментация.

Рассмотрим несколько способов применения моделей компьютерного зрения в производственной отрасли.

Обнаружение отсутствующих элементов и неправильно установленных деталей в электронике#

Модели компьютерного зрения могут проверять, содержит ли продукт все необходимые элементы. Они обнаруживают отсутствующие компоненты в собранных изделиях, чтобы обеспечить их комплектность.

В производстве электроники крайне важно выявлять отсутствующие компоненты, неправильно выровненные детали и проблемы с пайкой, чтобы конечный продукт был надёжным и обладал необходимой функциональностью.

Модели обнаружения объектов, такие как YOLO11, можно обучить обнаруживать отсутствующие или неправильно установленные компоненты на печатных платах. Модель может анализировать изображения плат в реальном времени и выявлять такие дефекты, как отсутствие резисторов или конденсаторов. Это позволяет убедиться в правильности сборки каждого устройства перед отправкой.

Обнаружение трещин в автомобильных деталях#

Обнаружение трещин — ещё одна задача обнаружения, которая анализирует изображения или данные датчиков, чтобы определить местоположение, размер и степень серьёзности трещины.

Автомобильная отрасль — один из примеров, где необходимо обнаруживать трещины в различных компонентах, таких как шестерни и тормозные системы, чтобы убедиться в их соответствии стандартам безопасности.

Модели, такие как Ultralytics YOLO11, можно обучить быстро обнаруживать дефекты, например поверхностные царапины или трещины, в сложных автомобильных компонентах.

Обнаружение повреждений в текстильной промышленности#

Компьютерное зрение может помогать обнаруживать различные типы повреждений на поверхности продукта, такие как царапины, вмятины и деформации, с помощью задач компьютерного зрения.

Текстильная промышленность может значительно выиграть от обнаружения повреждений на основе AI, используя модели обнаружения объектов и сегментации, такие как Ultralytics YOLO11. Они позволяют выявлять такие дефекты, как разрывы, отверстия, пятна или неоднородности ткани, в процессе производства.

Обнаружение аномалий в фармацевтическом производстве#

Обнаружение аномалий — это задача анализа дизайна, структуры, внешнего вида и размера продукта, чтобы оценить, отклоняются ли эти свойства от желаемых стандартов.

В фармацевтическом производстве обнаружение аномалий жизненно важно для обеспечения качества и безопасности лекарственных препаратов. Производители могут использовать Ultralytics YOLO11 для выявления таких нарушений, как несоответствия в форме и размере таблеток, изменение цвета или наличие посторонних частиц.

Точность упаковки и маркировки#

Ещё один пример применения моделей компьютерного зрения в производстве — упаковка и маркировка продукции. Например, пищевая промышленность и производство напитков должны соблюдать строгие стандарты безопасности потребителей и нормативного соответствия.

Модели, такие как Ultralytics YOLO11, могут помогать обнаруживать ошибки упаковки, например неправильную маркировку, повреждённую упаковку или отсутствие защитных пломб. Они также могут проверять правильность размещения этикеток, наличие чётких штрихкодов и сроков годности.

Это гарантирует, что продукция соответствует отраслевым нормам и готова к распространению среди потребителей.

Проблемы и перспективы контроля качества на основе AI#

Фреймворки для контроля качества на основе AI всё ещё развиваются и сталкиваются с многочисленными проблемами. Ниже приведены некоторые ограничения и перспективные направления исследований, которые следует учитывать при работе с этими технологиями.

• Обучение в открытом мире и активное зрение: создание моделей обнаружения объектов для выявления новых объектов затруднено из-за ограниченной доступности размеченных данных. Модели обучения без учителя и переноса обучения могут помочь специалистам быстро адаптировать фреймворки обнаружения к новым наборам данных.
• Обнаружение на уровне пикселей: сегментация изображений позволяет моделям различать фон и основной объект на изображении. Интеграция обнаружения объектов и сегментации — это активно развиваемое направление исследований, призванное обеспечить высокое качество контроля.
• Мультимодальное обучение: мультимодальные модели могут одновременно объединять и анализировать несколько типов данных. В обнаружении объектов мультимодальное обучение может повысить точность контроля за счёт обучения на разных типах данных, таких как тепловые данные для понимания глубины, двумерные изображения и короткие видеозаписи.

Основные выводы#

Контроль качества на основе глубокого обучения стремительно развивается благодаря постоянному совершенствованию различных моделей обнаружения объектов. С помощью контроля качества на основе AI производители могут добиться большей масштабируемости и гибкости по сравнению с традиционными подходами.

Компании могут использовать такие модели, как Ultralytics YOLO11, для автоматизации процесса контроля, пользуясь преимуществами улучшенной архитектуры и возможностей извлечения признаков, которые обеспечивают более высокую точность и скорость.

Узнать больше о YOLO11 и других моделях обнаружения объектов можно, посетив наш репозиторий GitHub и присоединившись к нашему активному сообществу. Узнай, как Ultralytics переосмысливает производство с помощью современных фреймворков глубокого обучения.