Контроль качества на производстве: традиционные методы и глубокое обучение

Контроль качества — важная задача в производстве, которая помогает убедиться, что продукция соответствует требуемым стандартам качества. Однако по мере усложнения продукции оценка качества традиционными методами становится всё дороже.

Производители переходят на методы контроля качества на базе глубокого обучения, например обнаружение объектов и семантическую сегментацию, чтобы сократить расходы на проверки. Глубокое обучение — это подраздел искусственного интеллекта (AI), использующий компьютерные алгоритмы, называемые нейронными сетями, для выявления сложных закономерностей в данных. Эти методы помогают автоматизировать процесс проверки и снизить зависимость от инспекторов, анализируя обширные наборы данных, включая изображения и видео.

Благодаря универсальности и экономической эффективности обеспечение качества на основе ИИ значительно повышает прибыльность бизнеса. По оценкам, к 2035 году применение ИИ может принести производственной отрасли более 3 триллионов долларов США.

В этой статье мы расскажем, как методы глубокого обучения помогают улучшить контроль качества и как Ultralytics YOLO11 может повысить эффективность проверок в разных 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.

Проверка может проводиться во время производства, когда изделие проходит по сборочной линии, либо после производства, но до перемещения продукции на линию распределения.

Часто проверку выполняют специалисты, которые визуально оценивают, соответствует ли изделие заданным стандартам проектирования.

Однако по мере роста требований к качеству производители переходят к автоматизированным методам глубокого обучения, чтобы повысить гибкость и масштабируемость производственных процессов.

Что такое методы глубокого обучения?#

Методы 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 прогнозов.

Рис. 1. Искусственная нейронная сеть.

В задачах контроля качества модели глубокого обучения включают фреймворки компьютерного зрения, которые автоматически обучаются извлекать признаки из изображений продукции.

Чтобы разработать модели компьютерного зрения, специалисты обучают нейронную сеть на подходящих наборах данных, а затем проверяют её производительность на новом наборе данных.

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

Методы глубокого обучения для контроля качества#

При визуальном контроле качества применяют разные методы для обнаружения и локализации повреждений, трещин и отсутствующих элементов. Ниже перечислены четыре современных метода глубокого обучения.

Бинарная классификация#

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

На основе визуальных данных модель классификации выдаёт бинарный ответ: «да» или «нет». Такие модели помогают обнаруживать отсутствующие элементы. Например, модель классификации может определить, отсутствует ли какая-либо деталь в изделии.

Рис. 2. Бинарная классификация автомобильной детали.

Многоклассовая классификация#

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

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

Рис. 3. Многоклассовая классификация: обнаружение деформаций и дефектов цвета.

Этот метод полезен в производстве, где разные дефекты, например царапины, вмятины или трещины, могут требовать разных способов обработки.

Локализация#

Локализация — это определение точного положения объекта или признака на изображении. Для этого используются модели обнаружения объектов, которые предсказывают ограничивающие рамки или координаты, выделяющие конкретную область повреждения.

Это полезно для таких задач, как обнаружение трещин в зданиях или промышленных деталях, когда для целевого ремонта важно точно определить место дефекта.

Рис. 4. Модель локализует пробивное отверстие.

Например, при обслуживании инфраструктуры модели локализации могут анализировать изображения бетонной конструкции и отмечать точное место трещины.

Многоклассовая локализация#

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

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

Рис. 5. Модель определяет местоположение дефектов нескольких типов.

Например, модель многоклассовой локализации может проанализировать изображение повреждённого изделия, определить тип дефекта — например, царапину или трещину — и указать точные координаты дефекта на объекте.

Традиционные методы и глубокое обучение#

Традиционные методы контроля более жёсткие: они следуют правилам и стандартам, заданным пользователем, например пороговым значениям, заранее определённым контрольным спискам и критериям «годен/не годен».

Например, в системах компьютерного зрения на основе правил специалисты задают идеальные цвет, форму и размер конкретного изделия. Если камера или другое устройство захвата изображений обнаруживает отклонения от этих параметров, система уведомляет специалистов.

Методы глубокого обучения обеспечивают большую гибкость при создании более сложных систем обнаружения. Они предполагают сбор и разметку обширных наборов изображений дефектных объектов. Специалисты используют размеченные данные для обучения моделей обнаружения объектов, таких как Ultralytics YOLO11. После обучения модель можно развернуть на камерах или датчиках, чтобы в реальном времени получать изображения и выявлять дефекты.

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

Компьютерное зрение для контроля качества#

Смотришь только один раз (YOLO) — это современная модель обнаружения объектов в реальном времени, известная высокой точностью, адаптивностью и скоростью. На момент написания статьи последней версией была Ultralytics YOLO11 (позже её сменила Ultralytics YOLO26), которая превосходит предыдущие версии по извлечению признаков, скорости, точности и адаптивности.

Модель получила улучшенную архитектуру для более точного извлечения признаков и оптимизированные конвейеры обучения для ускорения обработки. Она также эффективнее использует вычислительные ресурсы: YOLO11m содержит на 22% меньше параметров, чем YOLOv8m, и при этом обеспечивает более высокую точность.

Благодаря универсальности Ultralytics YOLO11 помогает улучшить процессы контроля качества в самых разных областях. Модель может обнаруживать аномалии, повреждения, трещины, отсутствующие элементы и ошибки упаковки, 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, есть ли в изделии все необходимые элементы. Они обнаруживают отсутствующие компоненты в собранных изделиях и помогают убедиться в их комплектности.

В производстве электроники важно выявлять отсутствующие компоненты, неправильно установленные детали и дефекты пайки, чтобы гарантировать надёжность и функциональность готового изделия.

Модели обнаружения объектов, такие как YOLO11, можно обучить находить отсутствующие или неправильно расположенные компоненты на печатных платах. Модель анализирует изображения плат в реальном времени и выявляет такие дефекты, как отсутствие резисторов или конденсаторов. Для обучения такой модели можно начать с общедоступных наборов данных, например PCB Component Detection. Это позволит убедиться в правильности сборки каждого устройства перед отправкой.

Обнаружение трещин в автомобильных деталях#

Обнаружение трещин — это задача анализа изображений или данных датчиков, позволяющая определить местоположение, размер и степень выраженности трещины.

В автомобильной отрасли важно обнаруживать трещины в различных компонентах, например шестернях и тормозных системах, чтобы убедиться, что они соответствуют стандартам безопасности.

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

Обнаружение повреждений текстиля#

С помощью задач компьютерного зрения можно обнаруживать различные повреждения поверхности изделия, например царапины, вмятины и деформации.

Текстильная отрасль может существенно выиграть от обнаружения повреждений на основе ИИ с помощью моделей обнаружения объектов и сегментации, таких как Ultralytics YOLO11. Они могут выявлять разрывы, дыры, пятна и неоднородности ткани в процессе производства.

Обнаружение аномалий в фармацевтическом производстве#

Обнаружение аномалий — это анализ дизайна, структуры, внешнего вида и размера изделия, чтобы оценить, отклоняются ли эти характеристики от требуемых стандартов.

В фармацевтическом производстве обнаружение аномалий крайне важно для обеспечения качества и безопасности лекарственных препаратов. Производители могут использовать Ultralytics YOLO11 для выявления таких несоответствий, как неправильная форма или размер таблеток, изменение цвета и посторонние частицы.

Точность упаковки и маркировки#

Ещё один пример применения моделей компьютерного зрения в производстве — упаковка и маркировка в различных отраслях. Например, пищевая промышленность и производство напитков должны соблюдать строгие требования к безопасности потребителей и нормативному соответствию.

Модели, такие как Ultralytics YOLO11, помогают обнаруживать ошибки упаковки: неправильную маркировку, повреждённую упаковку или отсутствие защитных пломб. Они также могут проверять правильность расположения этикеток и чёткость штрихкодов или сроков годности.

Это позволяет убедиться, что продукция соответствует отраслевым нормам и готова к отправке потребителям.

Проблемы и перспективы контроля качества на основе ИИ#

Фреймворки для контроля качества на основе ИИ продолжают развиваться и сталкиваются со множеством проблем. Ниже перечислены некоторые ограничения и направления будущих исследований, которые важно учитывать при работе с этими технологиями.

• Обучение в открытом мире и активное зрение: создавать модели обнаружения объектов, способные находить новые объекты, сложно из-за ограниченного количества размеченных данных. Модели обучения без учителя и трансферного обучения помогают специалистам быстро адаптировать фреймворки обнаружения к новым наборам данных.
• Обнаружение на уровне пикселей: сегментация изображений позволяет моделям различать фон и основной объект на изображении. Совместное применение обнаружения объектов и сегментации — активно развивающееся направление исследований, цель которого — обеспечить высокое качество проверок.
• Мультимодальное обучение: мультимодальные модели могут одновременно объединять и анализировать данные разных типов. В обнаружении объектов мультимодальное обучение помогает повысить точность проверок благодаря обучению на разных типах данных, например тепловых данных, двухмерных изображениях и коротких видеозаписях.

Главные выводы#

Контроль качества на базе глубокого обучения быстро развивается благодаря постоянному совершенствованию моделей обнаружения объектов. Используя ИИ для контроля качества, производители получают больше возможностей для масштабирования и гибкости, чем при традиционных подходах.

Компании могут автоматизировать процесс проверки с помощью таких моделей, как Ultralytics YOLO11, используя её улучшенную архитектуру и возможности извлечения признаков для повышения точности и скорости.

Узнай больше о YOLO11 и других моделях обнаружения объектов в нашем репозитории на GitHub и присоединяйся к активному сообществу. Посмотри, как Ultralytics поддерживает производство с помощью компьютерного зрения.