Własny model AI do kontroli wad na zdjęciach

Czy na zdjęciu widać to, co ocenia kontroler?

Załóżmy, że dział jakości chce wychwytywać drobne rysy na malowanych obudowach. Kontroler może obrócić część pod lampą i przyjrzeć się śladowi. Model dostaje tylko obraz z kamery. Jeżeli odbłysk zasłania rysę, zdjęcie nie daje mu tej samej informacji, którą ma człowiek trzymający obudowę w ręku.

Dlatego zacznij od obejrzenia zdjęć razem z osobą, która zna te wady. Czy można na nich rozpoznać ślad? Czy widać różnicę między wadą a dopuszczalnym wyglądem powierzchni? Jeśli nawet kontroler potrzebuje innego ujęcia, najpierw warto sprawdzić oświetlenie, optykę lub położenie części. Poprawa obrazu może rozwiązać problem, który inaczej trafiłby do kosztownego projektu AI.

Przy powtarzalnym obrazie warto też sprawdzić kontrolę opartą na stałej regule oraz istniejący produkt wizyjny. Własny model ma uzasadnienie dopiero wtedy, gdy potrafisz wskazać, co te rozwiązania przeoczają albo dlaczego kierują zbyt wiele dobrych części do ponownego sprawdzenia.

Ile części kryje się za liczbą zdjęć?

W archiwum może być dużo zdjęć rysy, choć wszystkie przedstawiają jedną uszkodzoną obudowę. Ujęcia różnią się kadrem, ale pokazują ten sam ślad i tę samą powierzchnię. Model, który poprawnie zaznacza je wszystkie, nadal nie został sprawdzony na rysach występujących na innych sztukach.

Przed oceną wyników zapytaj więc, ile fizycznych części sfotografowano. Warto wiedzieć także, z jakich partii pochodzą i w jakich warunkach wykonano zdjęcia. To pozwala odróżnić dobre rozpoznawanie znanego przypadku od radzenia sobie z kolejnymi częściami. Do decyzji o zakupie potrzebujesz wyników na sztukach, których nie używano do dostosowania modelu.

Rzadkie wady utrudniają taką ocenę. Jeśli firma ma tylko kilka części z potwierdzoną rysą, poprawne wskazanie każdej z nich daje ograniczoną wiedzę o następnej. Duże archiwum dobrych produktów nie usuwa tej niepewności. Może pozwolić sprawdzić, jak często system zgłasza fałszywy alarm, ale pozostawia otwarte pytanie o przeoczanie rzadkiej wady. W takiej sytuacji rozsądnie jest odłożyć zakup dostosowania lub zawęzić zadanie do wskazywania podejrzanych miejsc do przeglądu.

Rozpoznawanie rysy czy wskazywanie czegoś nietypowego?

Klasyfikacja oznacza przypisanie obrazu do określonej kategorii, na przykład konkretnego rodzaju rysy. Żeby ocenić tę umiejętność, potrzebujesz przykładów, dla których dział jakości potwierdził właśnie tę wadę. Jeśli kontrolerzy różnie oceniają ten sam ślad, najpierw muszą uzgodnić, co uznają za poprawną odpowiedź.

Wykrywanie anomalii odpowiada na prostsze pytanie: czy jakiś fragment obrazu odbiega od wyglądu prawidłowej powierzchni? Może wskazać miejsce do obejrzenia, ale samo zaznaczenie nie rozstrzyga, jaki to defekt ani czy część jest wadliwa. Kontroler nadal musi ocenić ślad. Taka pomoc bywa warta sprawdzenia przy rzadkich wadach, pod warunkiem że zwykłe różnice wyglądu nie zasypują zespołu alarmami.

Zmiana światła ma znaczenie również w badaniach nad tymi metodami. Zbiór MVTec AD 2, służący do porównywania metod wykrywania anomalii, zawiera zdjęcia testowe wykonane w warunkach oświetlenia, których może nie być w materiale użytym do uczenia. Wynik na tym zbiorze nie mówi, jak model poradzi sobie z obudowami w twoim zakładzie. Ich zdjęcia trzeba ocenić osobno, uwzględniając zmiany światła, które występują na stanowisku.

Czy system pomaga zespołowi jakości?

Model może wskazywać więcej rys, a jednocześnie zgłaszać więcej dobrych części do sprawdzenia. Kierownik jakości musi widzieć oba skutki. Sam ogólny procent poprawnych odpowiedzi niewiele wyjaśnia, gdy zdecydowana większość zdjęć przedstawia produkty bez wad.

Porównując metody, obejrzyj przeoczone, potwierdzone wady oraz alarmy na dobrych częściach. Sprawdź też, ile czasu kontroler poświęca na wyjaśnienie alarmów. Ustawienie, które wychwytuje drobniejsze ślady, może zwiększyć liczbę ponownych oględzin. Z kolei ograniczenie alarmów może oznaczać więcej przeoczeń. To dział jakości określa, jaki kompromis jest przydatny w tym zadaniu.

Warto porównać dostępne rozwiązania na tych samych częściach i obejrzeć wyniki dla poszczególnych partii oraz warunków oświetlenia. Jeśli własny model pomaga tylko przy jednym ustawieniu lampy, ta zależność powinna być widoczna przed zakupem. Gdy prostsza metoda daje podobne wyniki i wymaga podobnej pracy kontrolera, za dostosowaniem modelu musi przemawiać jeszcze konkretna korzyść uzasadniająca jego utrzymanie.

Kiedy rozmawiać o dostosowaniu modelu

Jedną z możliwości jest nadzorowany fine-tuning, czyli dalsze uczenie istniejącego modelu na przykładach z opisem poprawnego wyniku. W tym zastosowaniu warto je rozważyć, gdy wada jest widoczna na obrazie, pojawia się na różnych sfotografowanych częściach, a prostsze rozwiązania nadal nie radzą sobie z zadaniem.

Z Syntalith możesz omówić ocenę takich zdjęć i ewentualne dostosowanie modelu w ramach aplikacji AI na zamówienie. Na początek wystarczą wybrane zdjęcia wadliwych i dobrych części oraz krótki opis tego, co dziś sprawia trudność kontrolerom. Jeśli kilka ujęć pokazuje tę samą sztukę, zaznacz to. Nie musisz wcześniej porządkować całego archiwum: pierwsza rozmowa powinna pomóc ustalić, czy jest materiał do porównania metod, czy najpierw trzeba poprawić zdjęcia lub poznać więcej przypadków wady. Zakres dalszych prac można ustalić na tej podstawie. Informacje o cenach znajdziesz w cenniku.

Obsługę wyników w szerszym procesie opisuje artykuł o kontroli jakości z wizją komputerową.