Контроль качества на производстве: традиционные методы против методов глубокого обучения

Контроль качества — важнейшая задача при manufacturing, которая гарантирует соответствие продукции требуемым стандартам качества. Однако оценка качества с помощью традиционных методов контроля может обойтись дорого по мере роста сложности изделий.

Производители переходят на методы контроля на основе глубокого обучения, такие как object detection и semantic segmentation, чтобы снизить затраты на инспекцию. Глубокое обучение — это подраздел artificial intelligence (AI), использующий computer algorithms, называемые нейронными сетями, для выявления сложных закономерностей в данных. Эти методы помогают автоматизировать рабочий процесс контроля и снизить зависимость от инспекторов-людей путем анализа обширных datasets, включая изображения и видео.

Благодаря своей универсальности и экономической эффективности, контроль качества на базе ИИ значительно повышает прибыльность бизнеса. По имеющимся данным, к 2035 году внедрение ИИ может принести производственной отрасли более 3 триллионов долларов США.

В этой статье мы обсудим, как методы глубокого обучения могут улучшить контроль качества и как Ultralytics YOLO11 может повысить эффективность инспекции в различных отраслях.

Что такое контроль качества в производстве?#

Контроль качества — это оценка продукции на наличие дефектов, аномалий или несоответствий перед тем, как она попадет к потребителю.

Этот процесс может происходить непосредственно во время производства, когда изделие движется по конвейеру, или после него, перед отправкой на линию распределения.

Часто он предполагает визуальную оценку специалистами, чтобы определить, отклоняется ли изделие от стандартов проектирования или не соответствует им.

Однако по мере роста требований к качеству производители переходят к автоматизированным подходам на основе глубокого обучения, чтобы достичь большей гибкости и масштабируемости своих операций.

Что такое подходы глубокого обучения?#

Подходы глубокого обучения используют artificial neural networks, которые работают по принципам человеческого мозга. Эти сети представляют собой соединенные между собой слои нейронов. Каждый нейрон выполняет математические вычисления для анализа данных, поиска закономерностей и формирования предсказания.

Fig 1. Искусственная нейронная сеть.

В контроле качества модели глубокого обучения включают фреймворки computer vision, которые автоматически обучаются и извлекают признаки из изображений продуктов.

Разработка моделей компьютерного зрения требует от экспертов обучения нейронной сети на релевантных наборах данных и проведения проверки на новых данных для оценки эффективности.

После проверки эксперты могут развернуть эти модели на cameras и датчиках с помощью различных deployment tools, таких как PyTorch, ONNX и OpenVINO.

Подходы глубокого обучения для контроля качества#

Визуальный контроль качества использует различные методы для обнаружения и локализации повреждений, трещин и отсутствующих компонентов. В списке ниже представлены четыре современных подхода глубокого обучения.

Бинарная классификация#

Binary classification относится к задаче распределения изображений по одному из двух классов, например, к определению наличия или отсутствия дефекта у объекта.

На основе визуальных данных модель классификации выдает бинарное решение «да/нет». Это помогает выявить отсутствие элементов. Например, модель классификации может определить, отсутствует ли деталь в изделии.

Fig 2. Бинарная классификация детали автомобиля.

Многоклассовая классификация#

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

Например, модель многоклассовой классификации может проанализировать изображение изделия и выдать вероятности для нескольких типов повреждений или трещин, указывая, какой из них наиболее вероятен.

Fig 3. Многоклассовая классификация для обнаружения изгибов и цвета.

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

Локализация#

Локализация означает определение конкретного местоположения объекта или признака на изображении. В ней используются object detection models для предсказания bounding boxes или координат, выделяющих конкретную область повреждения.

Это полезно для таких задач, как обнаружение трещин в зданиях или промышленных деталях, где precise location дефекта необходима для целенаправленного ремонта.

Fig 4. Модель, локализующая штамповочное отверстие.

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

Многоклассовая локализация#

Многоклассовая локализация идентифицирует и определяет местоположение нескольких дефектов на изображении, одновременно классифицируя каждый из них по одной из нескольких категорий.

В ней используются более совершенные модели обнаружения объектов, позволяющие определить тип и местоположение дефекта для предоставления более детальной информации.

Fig 5. Модель, находящая несколько типов дефектов.

Например, модель многоклассовой локализации может проанализировать изображение поврежденного изделия и указать тип дефекта, например царапину или трещину, а также точные координаты этого дефекта на объекте.

Традиционные методы против методов глубокого обучения#

Традиционные методы контроля более жесткие и следуют заданным пользователем правилам и стандартам, таким как пороговые значения, заранее определенные чек-листы и критерии «годен/не годен».

Например, в методах компьютерного зрения на основе правил эксперты задают идеальный цвет, форму и размер конкретного изделия. Система уведомляет экспертов, если камера или другое устройство захвата изображений обнаруживает отклонения от этих стандартов.

Подходы глубокого обучения предлагают большую гибкость для создания более сложных систем обнаружения. Эти подходы включают сбор и annotating обширных датасетов изображений дефектных объектов. Эксперты используют размеченные данные для обучения object detection models, таких как Ultralytics YOLO11. После обучения они могут развернуть модель в камерах или датчиках для захвата изображений и выявления дефектов в реальном времени.

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

Использование компьютерного зрения для контроля качества#

You-Only-Look-Once (YOLO) — это современная (SOTA) модель обнаружения объектов в реальном времени, известная своей высокой точностью, адаптируемостью и скоростью. Ее последняя версия — Ultralytics YOLO11, в которой улучшены предыдущие версии в плане feature extraction, скорости, точности и адаптируемости.

Она отличается улучшенной архитектурой для более precise извлечения признаков и включает оптимизированные training pipelines для более высокой скорости обработки. Она более эффективна с точки зрения вычислений: у нее на 22% меньше параметров и выше показатели точности по сравнению с предшественницами.

Благодаря своей универсальности Ultralytics YOLO11 помогает улучшить рабочие процессы контроля качества в самых разных сферах. Модель помогает обнаруживать аномалии, повреждения, трещины, недостающие элементы и ошибки упаковки в продукции, выполняя такие задачи, как обнаружение объектов и сегментация.

Давай рассмотрим несколько способов использования моделей компьютерного зрения в производственной отрасли.

Обнаружение отсутствующих элементов и неправильно расположенных деталей в электронике#

Модели компьютерного зрения могут проверять, содержит ли изделие все необходимые элементы. Они могут обнаруживать недостающие компоненты в собранных изделиях, чтобы гарантировать их комплектность.

В производстве электроники идентификация недостающих компонентов, смещенных деталей или проблем с пайкой имеет решающее значение для надежности и правильной функциональности конечного продукта.

Модели обнаружения объектов, такие как YOLO11, могут быть обучены находить отсутствующие или смещенные компоненты на печатных платах. Модель может в реальном времени анализировать изображения плат и выявлять дефекты, например отсутствие резисторов или конденсаторов. Это гарантирует правильность сборки каждой единицы продукции перед отгрузкой.

Обнаружение трещин в автомобильных запчастях#

Обнаружение трещин — это еще одна задача, при которой анализируются изображения или данные датчиков для определения местоположения, размера и серьезности трещины.

В automotive промышленности обнаружение трещин в различных компонентах, таких как шестерни и тормозные системы, необходимо для обеспечения их соответствия стандартам безопасности.

Такие модели, как Ultralytics YOLO11, можно обучить быстрому обнаружению дефектов, например поверхностных царапин или трещин в сложных автомобильных компонентах.

Обнаружение повреждений в текстильной промышленности#

Компьютерное зрение может помочь обнаружить различные виды повреждений на поверхности изделия, такие как царапины, вмятины и деформации.

Текстильная промышленность может извлечь значительную выгоду из обнаружения повреждений на основе ИИ, используя модели обнаружения объектов и сегментации, такие как Ultralytics YOLO11. Она позволяет выявлять такие дефекты, как разрывы, отверстия, пятна или неоднородность ткани в процессе производства.

Обнаружение аномалий в фармацевтическом производстве#

Обнаружение аномалий — это задача анализа дизайна, структуры, внешнего вида и размера изделия для оценки того, отклоняются ли эти свойства от заданных стандартов.

В pharmaceutical manufacturing обнаружение аномалий имеет жизненно важное значение для обеспечения качества и безопасности лекарственных препаратов. Производители могут использовать Ultralytics YOLO11 для выявления таких отклонений, 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 продукции. Например, пищевая промышленность и индустрия напитков должны соблюдать строгие стандарты безопасности потребителей.

Такие модели, как Ultralytics YOLO11, помогают обнаруживать ошибки упаковки, включая неправильную маркировку, поврежденную упаковку или отсутствие защитных пломб. Модель также может проверять правильность размещения этикеток с четкими штрихкодами или сроками годности.

Это гарантирует, что продукция соответствует отраслевым нормам и готова к отправке потребителю.

Вызовы и перспективы развития контроля качества на базе ИИ#

Фреймворки AI-based quality inspection все еще развиваются и сталкиваются с многочисленными трудностями. Вот несколько ограничений и будущих направлений исследований, которые следует учитывать для этих технологий.

• Обучение в открытом мире и активное зрение: Создание моделей обнаружения для поиска новых объектов представляет собой сложную задачу из-за ограниченной доступности размеченных данных. Модели unsupervised training и transfer learning могут помочь экспертам быстро адаптировать фреймворки обнаружения под новые наборы данных.
• Попиксельное обнаружение: Сегментация изображений позволяет моделям понимать разницу между фоном и основным объектом на картинке. Интеграция обнаружения объектов и segmentation — это область исследований, которая постоянно развивается для обеспечения высокого качества контроля.
• Мультимодальное обучение: Мультимодальные модели могут интегрировать и анализировать несколько типов данных одновременно. В задаче обнаружения объектов мультимодальное обучение может помочь улучшить accuracy инспекции за счет обучения на разных типах данных, таких как тепловые данные для понимания глубины, двумерные изображения и короткие видеофрагменты.

Основные выводы#

Контроль качества на основе глубокого обучения демонстрирует экспоненциальный прогресс благодаря постоянной разработке различных моделей обнаружения объектов. Благодаря контролю качества на базе ИИ производители могут достичь большей масштабируемости и гибкости, чем при использовании традиционных подходов.

Компании могут использовать такие модели, как Ultralytics YOLO11, для автоматизации процесса проверки, задействуя усовершенствованную архитектуру и возможности извлечения признаков, что обеспечивает более высокую точность и скорость работы.

Ты можешь узнать больше о YOLO11 и других моделях обнаружения объектов, заглянув в наш GitHub repository и присоединившись к нашему активному community. Исследуй, как Ultralytics переосмысляет manufacturing с помощью передовых фреймворков глубокого обучения.