Контроль качества в производстве: Традиционные методы и методы глубокого обучения

Проверка качества - важнейшая задача в процессе производства, обеспечивающая соответствие продукции требуемым стандартам качества. Однако оценка качества с помощью традиционных методов контроля может оказаться дорогостоящей по мере увеличения сложности продукции. 

Производители переходят на методы проверки на основе глубокого обучения, такие как обнаружение объектов и семантическая сегментация, чтобы снизить затраты на проверку. Глубокое обучение - это область искусственного интеллекта (ИИ), которая использует компьютерные алгоритмы, называемые нейронными сетями, для выявления сложных закономерностей в данных. Эти методы помогают автоматизировать рабочий процесс инспекции и снизить зависимость от людей-инспекторов путем анализа обширных наборов данных, включая изображения и видео. 

Благодаря своей универсальности и экономичности контроль качества на основе ИИ значительно повышает рентабельность бизнеса. Согласно отчетам, к 2035 году производственная отрасль может получить от ИИ более 3 триллионов долларов США.

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

Что такое контроль качества в производстве?

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

Этот процесс может происходить во время производства, когда продукт проходит через сборочную линию, или после производства, но до того, как товар попадает на линию распределения.  

Зачастую для этого привлекаются специалисты, которые проводят визуальную оценку, чтобы определить, отклоняется ли продукт от требуемых стандартов дизайна или не соответствует им. 

Однако по мере повышения требований к качеству производители переходят к автоматизированным методам глубокого обучения, чтобы добиться большей гибкости и масштабируемости своих операций.

Что такое подходы глубокого обучения?

В подходах глубокого обучения используются искусственные нейронные сети, работающие по принципу человеческого мозга. Сети представляют собой взаимосвязанные слои нейронов. Каждый нейрон выполняет математические вычисления для анализа данных, выявления закономерностей и создания прогноза. 

‍

При проверке качества модели глубокого обучения включают в себя фреймворки компьютерного зрения, которые автоматически изучают и извлекают характеристики из изображений продуктов. 

Разработка моделей компьютерного зрения требует от экспертов обучения нейронной сети на соответствующих наборах данных и проверки эффективности на новом наборе данных. 

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

Подходы глубокого обучения для проверки качества

Для обнаружения и локализации повреждений, трещин и отсутствующих элементов при проверке качества с помощью зрения используется множество методов. В приведенном ниже списке упомянуты четыре современных подхода глубокого обучения.

Бинарная классификация

Бинарная классификация - это задача отнесения изображений к одному из двух классов, например, определение наличия или отсутствия дефекта на объекте.

Основываясь на визуальных данных, модель классификации выдает двоичное решение "да/нет". Они помогают обнаружить отсутствующие предметы. Например, модель классификации может определить, отсутствует или нет элемент в товаре.

‍

Многоклассовая классификация

Многоклассовая классификация - это задача классификации изображений более чем на два класса. Она относит каждое изображение к одной из нескольких заранее определенных категорий.

Например, модель классификации по нескольким классам может анализировать изображение продукта и выдавать вероятности для нескольких типов повреждений или трещин, указывая, какой из них присутствует с наибольшей вероятностью. 

‍

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

Локализация

Локализация - это определение конкретного местоположения объекта или элемента на изображении. При этом используются модели обнаружения объектов для предсказания ограничительных ра мок или координат, выделяющих конкретную область повреждения. 

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

‍

Например, при обслуживании инфраструктуры модели локализации могут анализировать изображения бетонной конструкции и отмечать точную область, где находится трещина.

Многоклассовая локализация

Многоклассовая локализация выявляет и определяет местоположение нескольких дефектов на изображении, а также относит каждый дефект к одной из нескольких заранее определенных категорий. 

Он использует более совершенные модели обнаружения объектов для определения типа и местоположения дефекта, чтобы предложить более подробную информацию.

‍

Например, многоклассовая модель локализации может проанализировать изображение поврежденного предмета и определить тип дефекта, например царапину или трещину, а также точные координаты дефекта в объекте. 

Традиционные и глубокие подходы к обучению 

Традиционные методы проверки более жесткие, они следуют установленным пользователем правилам и стандартам, таким как пороговые значения, заранее составленные контрольные списки и критерии "прошел/не прошел". 

Например, в технологиях видения, основанных на правилах, эксперты определяют идеальный цвет, форму и размер конкретного продукта. Система уведомляет экспертов, если камера или другое устройство захвата изображения обнаруживает отклонения от этих стандартов.

Подходы, основанные на глубоком обучении, обеспечивают большую гибкость при построении более сложных систем обнаружения. Эти подходы предполагают сбор и аннотирование обширных баз данных изображений дефектных объектов. Эксперты используют аннотированные данные для обучения моделей обнаружения объектов, таких как Ultralytics YOLO11. После обучения они могут внедрить модель в камеры или датчики для получения изображений и выявления дефектов в режиме реального времени.

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

Использование компьютерного зрения для контроля качества

You-Only-Look-Once (YOLO) - это современная модель обнаружения объектов в реальном времени (SOTA), известная своей высокой точностью, адаптивностью и скоростью. Ее последняя итерация - Ultralytics YOLO11, которая улучшает предыдущие версии с точки зрения извлечения признаков, скорости, точности и адаптивности. 

Он имеет улучшенную архитектуру для более точного извлечения признаков и включает оптимизированные конвейеры обучения для более высокой скорости обработки. Он более эффективен с точки зрения вычислений, имеет на 22 % меньше параметров и более высокие показатели точности, чем его предшественники.

Благодаря своей универсальности YOLO11 может помочь улучшить рабочие процессы проверки качества в различных областях. С его помощью можно обнаруживать аномалии, повреждения, трещины, недостающие элементы и ошибки в упаковке продуктов, выполняя такие задачи, как обнаружение и сегментация объектов.

Давайте рассмотрим несколько способов использования моделей компьютерного зрения в производственной сфере. 

Обнаружение недостающих элементов и перепутанных деталей в электронике

Модели компьютерного зрения позволяют проверить, есть ли в изделии все необходимые элементы. Они могут обнаружить недостающие компоненты в собранных изделиях, чтобы обеспечить их комплектность.

При производстве электроники выявление недостающих компонентов, несоответствующих деталей или проблем с пайкой имеет решающее значение для обеспечения надежности и функциональности конечного продукта.

Модели обнаружения объектов, такие как YOLO11, можно обучить обнаруживать недостающие или неправильно расположенные компоненты на печатных платах. Она может анализировать изображения плат в режиме реального времени и выявлять такие дефекты, как отсутствие резисторов или конденсаторов. Это позволит обеспечить правильную сборку каждого устройства перед отправкой.

Обнаружение трещин в автомобильных деталях

Обнаружение трещин - это еще одна задача обнаружения, которая анализирует изображения или данные датчиков, чтобы определить местоположение, размер и серьезность трещины.

Автомобильная промышленность - один из примеров, где обнаружение трещин в многочисленных компонентах, таких как шестерни и тормозные системы, необходимо для обеспечения их соответствия стандартам безопасности.

Модели, подобные YOLO11, могут быть обучены быстрому обнаружению дефектов, таких как поверхностные царапины или трещины в сложных автомобильных компонентах.

Обнаружение повреждений в текстиле

С помощью задач компьютерного зрения можно обнаружить различные типы повреждений на поверхности изделия, такие как царапины, вмятины и деформации.

Текстильная промышленность может получить значительную выгоду от обнаружения повреждений на основе ИИ, используя модели обнаружения и сегментации объектов, такие как YOLO11. Они могут выявлять такие дефекты, как разрывы, дыры, пятна или несоответствия ткани в процессе производства. 

Обнаружение аномалий в фармацевтическом производстве

Обнаружение аномалий - это задача анализа дизайна, структуры, внешнего вида и размера продукта на предмет отклонения этих свойств от требуемых стандартов.

В фармацевтическом производстве обнаружение аномалий жизненно важно для обеспечения качества и безопасности лекарственных препаратов. Производители могут использовать YOLO11 для обнаружения таких нарушений, как несоответствие формы и размера таблеток, изменение цвета или наличие посторонних частиц.

Точность упаковки и маркировки

Еще один пример использования моделей компьютерного зрения в производстве - упаковка и маркировка в промышленности. Например, пищевая промышленность и производство напитков должны отвечать строгим стандартам безопасности и соответствия требованиям потребителей.

Такие модели, как YOLO11, помогут обнаружить ошибки в упаковке, такие как неправильная маркировка, поврежденная упаковка или отсутствие защитных пломб. Они также могут проверить правильность расположения этикеток с четкими штрих-кодами или сроками годности. 

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

Проблемы и будущие направления инспекции качества на основе ИИ

Системы проверки качества на основе ИИ все еще развиваются и сталкиваются с многочисленными проблемами. Вот несколько ограничений и направлений будущих исследований, которые следует учитывать при разработке этих технологий.

• Обучение в открытом мире и активное зрение: Создание моделей обнаружения объектов для обнаружения новых объектов является сложной задачей из-за ограниченной доступности помеченных данных. Модели обучения без контроля и переноса могут помочь экспертам быстро адаптировать системы обнаружения к новым наборам данных.
  ‍
• Обнаружение на уровне пикселей: Сегментация изображений позволяет моделям понять разницу между фоном и основным объектом на изображении. Интеграция обнаружения и сегментации объектов - это область исследований, которая постоянно развивается для обеспечения высококачественного контроля.
  ‍
• Мультимодальное обучение: Мультимодальные модели могут интегрировать и анализировать несколько типов данных одновременно. При обнаружении объектов мультимодальное обучение может помочь повысить точность осмотра за счет изучения различных типов данных, таких как тепловые данные для понимания глубины, двумерные изображения и короткие видеозаписи.

Основные выводы 

Контроль качества на основе глубокого обучения переживает экспоненциальный прогресс благодаря постоянному развитию различных моделей обнаружения объектов. Благодаря инспекции качества на основе ИИ производители могут добиться большей масштабируемости и гибкости по сравнению с традиционными подходами.

Компании могут использовать такие модели, как YOLO11, для автоматизации процесса проверки, используя преимущества ее улучшенной архитектуры и возможностей извлечения признаков, что позволяет повысить точность и скорость работы.

Вы можете узнать больше о YOLO11 и других моделях обнаружения объектов, посетив наш репозиторий GitHub и приняв участие в работе нашего активного сообщества. Узнайте, как Ultralytics переосмысливает производство с помощью современных фреймворков глубокого обучения.