Достижение превосходства в производстве с помощью моделей распознавания изображений для обнаружения дефектов поверхности

'Achieving production excellence through image recognition models for surface defect detection.

В среднем расходы на низкое качество продукции для производственных отраслей составляют около 20% от общей выручки. Контроль качества играет решающую роль во многих отраслях, и способность обнаруживать и идентифицировать поверхностные дефекты имеет первостепенное значение. Традиционные методы ручной проверки, основанные на восприятии и суждении человека, часто не удовлетворяют по времени, субъективности и человеческой ошибке.

Однако благодаря прогрессу в области искусственного интеллекта и моделей распознавания изображений теперь возможно автоматизировать процессы обнаружения поверхностных дефектов с большей точностью и эффективностью. В этом блоге мы рассмотрим концепцию использования моделей распознавания изображений для обнаружения поверхностных дефектов и обсудим пример использования в сталелитейной отрасли. Разделив процесс проверки на отдельные этапы, мы стремимся понять, как системы, основанные на искусственном интеллекте, могут точно обнаруживать и классифицировать поверхностные дефекты.

Проблемы обнаружения поверхностных дефектов

Разнообразные осложнения в обнаружении поверхностных дефектов в отраслях, включая производство, автомобильную, электронную и текстильную, могут привести к недостаткам в качестве продукции. Сложность производственных дефектов является значительным препятствием для организаций и может привести к нарушению целостности продукции и недовольству клиентов. Бешеные скорости работы производственных линий требуют механизмов быстрого обнаружения дефектов, подчеркивая необходимость решений в режиме реального времени. Некоторые из основных преград для эффективного обнаружения дефектов:

• Разнообразие и сложность дефектов: Производственные процессы могут привести к различным дефектам, различающимся по размеру и сложности. Например, в автомобильном производстве дефекты могут варьироваться от незначительных недостатков в окраске до структурных аномалий, что делает постоянное обнаружение и классификацию сложной задачей.
• Высокие скорости производства: Отрасли, такие как потребительская электроника, требуют быстрого обнаружения дефектов, чтобы предотвратить попадание бракованных изделий на рынок. Например, в сборке печатных плат быстрое обнаружение проблем с пайкой является важным для поддержания надежности продукции и удовлетворенности клиентов.
• Обработка в реальном времени: Фармацевтическая отрасль нуждается в обнаружении в режиме реального времени, чтобы обеспечить безопасность продукции и соответствие требованиям. Например, обнаружение дефектов в покрытии таблеток предотвращает ухудшение качества лекарственных средств и потенциальные проблемы с регулированием.
• Ручная визуальная проверка: Включает осмотр продукции на поверхностные дефекты и неровности. Из-за ручного процесса это может занимать много времени, особенно при больших объемах, что приводит к задержкам в рабочем процессе. Он также подвержен недостаткам в обнаружении дефектов или неправильной классификации во время продолжительных периодов проверки. Ручная проверка в значительной степени зависит от индивидуальной экспертизы, которая может быть недостаточно масштабируемой и доступной.

Преимущества использования искусственного интеллекта

Искусственный интеллект на основе визуальной проверки предлагает многообещающее решение для преодоления проблем, возникающих при ручной визуальной проверке в производственной отрасли.

• Создание 3D-видео из RGB-видео
• Сравнение и объяснение моделей диффузии в HuggingFace Diffusers
• GPT-4 8 моделей в одной; Секрет раскрыт

• Используя искусственный интеллект и модели распознавания изображений, системы на основе искусственного интеллекта могут обеспечивать последовательное и объективное обнаружение дефектов, минимизируя влияние субъективности человека.
• Эти системы способны анализировать большие объемы данных с высокой скоростью и точностью, что приводит к значительному сокращению времени проверки и улучшению общей эффективности.
• Модели искусственного интеллекта могут быть обучены обнаруживать даже тонкие или трудно идентифицируемые дефекты, которые могут остаться незамеченными человеческими инспекторами, превосходя ограничения человеческого зрительного восприятия и повышая общую точность обнаружения дефектов.
• В отличие от ручных проверок, которые сильно зависят от навыков и опыта отдельных инспекторов, визуальная проверка на основе искусственного интеллекта не зависит от индивидуальной квалификации, что делает ее масштабируемой и приспособляемой к различным сценариям проверки.
• Благодаря непрерывному обучению и улучшению этих систем могут развиваться, чтобы обрабатывать сложные шаблоны дефектов и обеспечивать все более надежный и эффективный контроль качества.

Три этапа обработки дефектов

Модели обнаружения изображений интегрируют мощь глубокого обучения и тщательно разработанную структуру для выполнения нескольких задач с большой точностью. Они отлично справляются с ключевыми этапами обработки дефектов: обнаружение, классификация и локализация, предлагая превосходное решение по сравнению с традиционными методами.

Применяя эти три этапа обработки дефектов, отрасли могут оптимизировать свои процессы контроля качества и гарантировать принятие эффективных мер по устранению дефектов.

Визуальная проверка следующего поколения на основе искусственного интеллекта

В Sigmoid мы разработали решение, которое использует передовые алгоритмы глубокого обучения, специально созданные для обработки изображений. Важной составляющей является тщательная оптимизация каждого этапа в процессе обработки дефектов с использованием специально разработанных архитектур, которые фокусируются на конкретных аспектах, чтобы обеспечить исключительную производительность.

Обнаружение и классификация: Первые два этапа – обнаружение и классификация – используют предварительно обученную архитектуру CNN, разработанную для повышения эффективности и эффективности извлечения признаков. Эта предварительно обученная модель уже прошла обширное обучение на большом наборе данных, что особенно полезно, когда у нас ограниченные данные, специфичные для данного случая использования. Чтобы дополнительно обеспечить надежность и надежность нашей структуры, используются различные техники аугментации, увеличивающие ее эффективность в реальных сценариях.

Локализация: Этот этап использует специально разработанную глубокую архитектуру машинного обучения, предназначенную для семантической сегментации, где целью является не только классификация каждого пикселя, но и определение границ объектов. Он состоит из пути кодировщика для захвата контекстной информации и пути декодера для восстановления пространственных деталей. Такая структура помогает захватывать как глобальные, так и локальные особенности, важные для точной локализации. Кроме того, каждый отдельный тип дефекта обладает своей индивидуализированной моделью локализации, которая умело включает в себя отличительные особенности, присущие этому дефекту.

На протяжении всего этого процесса наше решение обеспечивает высокую точность на всех трех этапах обработки дефектов. Ниже приведена иллюстрация нашей собственной рамки решения:

Заключение

Использование моделей распознавания изображений для обнаружения поверхностных дефектов знаменует новую эру в контроле качества. Системы на базе искусственного интеллекта предлагают последовательное и объективное обнаружение, ускоряя процесс и повышая точность. Они обнаруживают тонкие дефекты, превосходя возможности человека, и масштабируются для различных сценариев. Принятие этой технологии позволяет не только снизить затраты, но и повысить надежность продукта, улучшить конкурентоспособность, что является значительным шагом в повышении эффективности и качества производства.