Zkoušení, spolehlivost a kvalita

Deep learning pro vizuální kontrolu kódových kotoučů: co umí a na co dát pozor

Deep learning pro vizuální kontrolu kódových kotoučů: co umí a na co dát pozor

AOI založené na pravidlech nikdy neunikne rozměrovým vadám, ale často je zaplaveno pseudo-vadami jako částice a skvrny; deep learning dobře odděluje vzhledové třídy, ale závisí na vzorcích a prahech. Článek porovnává oba rozsahy použití, ukazuje na simulovaných datech trade-off prahu, overkillu a escape a práh s minimálními náklady a počítá, kolik vadných vzorků je potřeba k ověření míry escape.

Vizuální kontrola kódových kotoučů hledá smíšený balík vad: chromové pinholy, mosty zbytkového chromu, přerušené rysky, škrábance, částice, odštěpky okraje, skvrny. AOI založené na pravidlech umí porovnat obraz s návrhem pixel po pixelu a je spolehlivé u rozměrových rozhodnutí, ale je citlivé na «jiné» a tupé na «zda jiné záleží»; jeden kotouč může vyhodit desítky kandidátů, většinou prach a neškodné vlnění okraje, a lidská překontrola to uzavře. Deep learning se zdá přesně zaplňovat tuto mezeru — ale mění problém z «ladění parametrů» na «řízení dat a prahů».

Jak se rozhodovací práh posouvá, skórová rozdělení dobrých a vadných kusů se řežou jinak a escape se v matici záměn směňují za overkilly (simulovaná data: 9800 dobrých, 200 vadných)
Obrázek 1 – Jak se rozhodovací práh posouvá, skórová rozdělení dobrých a vadných kusů se řežou jinak a escape se v matici záměn směňují za overkilly (simulovaná data: 9800 dobrých, 200 vadných)

Co umí AOI založené na pravidlech a deep learning

DimenzeAOI založené na pravidlechDeep learning
PrincipPorovnání s návrhem nebo zlatým vzorkem, prahy, morfologie, rozměrové měřeníUčit se rysy vad z označených vzorků; výstup třídy nebo pixelové segmentace
Potřebné vzorkyV podstatě žádné vadné vzorkyDostatek reprezentativních označených vzorků
Rozměrová rozhodnutíSilná; možné hodnocení nejistotySlabá; nevhodná jako přímé měření
Vzhledová rozhodnutíSlabá; mnoho pseudo-vadSilná; umí oddělit částice a skvrny od pravých vad
Drift osvětlení / procesuCitlivé; opakované doladěníPoměrně robustní k variacím pokrytým trénovací sadou; nepokryté mohou selhat
Interpretovatelnost a sledovatelnostPravidla jsou explicitníPotřebuje heat mapy a podobné pomůcky; závěry závisí na verzi dat

Běžná praxe je proto hybridní (Obrázek 3): AOI založené na pravidlech s volným prahem najde každého kandidáta a dokončí rozměrová rozhodnutí; deep learning jen znovu posuzuje a klasifikuje kandidáty jako «pravá vada nebo pseudo-vada» a pochybné jdou k člověku. Jen s dobrými kusy může model detekce anomálií také předtřídit — ale odpovídá jen «vypadá to jako dobrý kus?», ne typ vady.

Obrazy a vzorky: nejdřív spočítejte objem dat

Rozlišení určuje nejmenší vada: vada by měla na obraze zabírat alespoň asi 3 pixely, takže pinhol 5 μm potřebuje měřítko pixelu ne hrubší než asi 1,7 μm. Pro zónu stop s vnitřním/vnějším poloměrem 14 mm a 20 mm je plocha asi 641 mm²; kamera 1200×10⁴ pixelů při 1,5 μm/pixel pokrývá asi 27,6 mm² na zorné pole, takže jeden kotouč potřebuje asi 23 polí, nebo asi 28 s překryvem.

Těžká část vzorkování je, že vady jsou vzácné a mnohatřídní. Zásady, které je třeba dodržet:

  • Rozdělte train a validation podle šarže. Pokud obrazy stejného kotouče nebo stejné šarže jsou v obou sadách, skóre validace jsou nafouknutá.
  • Nejdřív definujte pravidla označování: jak velký pinhol se počítá jako vada, zda se počítá částice na chromové rysce — napište akceptační standard, pak označujte; když označuje více lidí, měřte shodu a sporné vzorky proberte zvlášť.
  • Pokryjte procesní variaci: různé šarže povlaků, různé stavy stárnutí osvětlení a různé návrhy kotoučů musí být v trénovací sadě; nový návrh potřebuje před uvolněním revalidaci.

Matice záměn a práh

Model vydává pro každého kandidáta pravděpodobnost vady p; nad prahem se nazývá vadou. Čtyři výsledky tvoří matici záměn: detekce (TP), escape (FN), overkill (FP), průchod (TN). Běžné metriky:

míra escape = FN / (TP + FN), míra overkillu = FP / (FP + TN)

Příklad (simulovaná data, 10000 kusů, 2 % vadnost): při prahu 0,5 13 escape (6,5 %), 17 overkillů (0,17 %) a pravé vady jsou 91,7 % kusů nazvaných vadnými. Při prahu 0,31 klesají escape na 2 (1,0 %) a overkilly stoupají na 134 (1,37 %).

Práh by se měl volit podle nákladů. Předpokládejme, že náklady jedné uniklé vady v terénu jsou 50× náklady jednoho overkillu (navíc překontrola nebo falešný zmetek) (předpoklad); celkové náklady = 50·FN + FP jsou v tomto příkladu minimální při prahu asi 0,31, rovné 234, proti 667 při výchozím 0,5 (Obrázek 2). 0,5 je jen matematický střed, ne inženýrské optimum.

Míra escape, míra overkillu a celkové náklady proti prahu; při nákladech escape 50× overkill je práh s minimálními náklady asi 0,31 (simulovaná data)
Obrázek 2 – Míra escape, míra overkillu a celkové náklady proti prahu; při nákladech escape 50× overkill je práh s minimálními náklady asi 0,31 (simulovaná data)

Sledujte také efekt základní míry nízké vadnosti: při jen 2 % vadách i míra overkillu 1,37 % znamená, že asi čtyři desetiny kusů nazvaných vadnými jsou stále dobré. Právě proto je třeba udržet kanál lidské překontroly.

Kolik vzorků k důkazu míry escape

Údaj «2 escape / 200 = 1,0 %» má sám statistickou nejistotu; pod binomickým rozdělením je 95% horní mez spolehlivosti asi 3,1 %. Aby se při nule escape ve verifikaci dokázalo, že míra escape není vyšší než p, je potřeba

n ≥ ln(1 − CL) / ln(1 − p)

vadných vzorků. Při spolehlivosti CL = 95 % a p = 1 % je n ≈ 299; při p = 0,5 % asi 598; při povoleném 1 escape potřebuje p = 1 % asi 473. U produktu jako kódový kotouč s velmi nízkou vadností často trvá dlouho nashromáždit několik set skutečných vadných vzorků — nejpraktičtější úzké hrdlo před nasazením deep-learning kontroly.

Hybridní schéma: AOI založené na pravidlech řeší rozměrová rozhodnutí a extrakci kandidátů; deep learning znovu posuzuje a klasifikuje; výsledky lidské překontroly se vracejí jako trénovací data
Obrázek 3 – Hybridní schéma: AOI založené na pravidlech řeší rozměrová rozhodnutí a extrakci kandidátů; deep learning znovu posuzuje a klasifikuje; výsledky lidské překontroly se vracejí jako trénovací data

Inženýrské body

  • Rozměrová rozhodnutí nechte pravidlovým algoritmům; deep learning ať jen znovu posuzuje vzhled — zachováte sledovatelnost měření a ořežete pseudo-vady.
  • Práh nastavte podle «náklady escape ÷ náklady overkillu» a vykreslete overkill a escape proti prahu na validační sadě; nevolte výchozí 0,5.
  • Ověření míry escape potřebuje alespoň asi 3/p vadných vzorků s nulou escape; když vzorků ubývá, poctivě reportujte horní mez spolehlivosti.
  • Rozdělte train a validation podle šarže; nikdy nenechte obrazy stejného kotouče přecházet mezi sadami.
  • Držte pevnou sadu zlatých vzorků (včetně hraničních vad každé třídy) a po každé aktualizaci modelu nebo změně kamery/světla znovu spusťte regresi.
  • Po nasazení sledujte drift skórového rozdělení; posun skóre dobrých kusů nahoru se často objeví dřív, než stoupne míra overkillu, a signalizuje stárnutí osvětlení nebo změnu procesu.

Shrnutí

Hodnota deep learningu ve vizuální kontrole kódových kotoučů je především filtrovat záplavu pseudo-vad z AOI založeného na pravidlech, ne nahradit rozměrové měření. Jeho výkon určují vzorky, popisky a práh: práh volte podle nákladů, míru escape dokažte dostatkem vadných vzorků a model dál validujte napříč šaržemi a změnami procesu. Zacházejte s ním jako s měřicím systémem, který je třeba řídit, ne jako s černou skříňkou, a zůstane spolehlivý.


Překlad čínského originálu (0199). ENC7 – výrobce kódových kotoučů (poptávka) · Odborné články · https://enc7.com

© Langfang Jingzheng Optoelectronic Technology Co., Ltd. Všechna práva vyhrazena. Článek vznikl s pomocí AI.

Have a drawing? Get an engineer's review.

Send your outer diameter, bore, line count or bit count, substrate and readhead wavelength. Our engineers check manufacturability and reply with a quotation and sample lead time.

WhatsApp