Prove, affidabilità e qualità

Deep learning per l'ispezione visiva dei dischi encoder: cosa può fare e a cosa stare attenti

Deep learning per l'ispezione visiva dei dischi encoder: cosa può fare e a cosa stare attenti

L’AOI basato su regole non manca mai i difetti dimensionali ma è spesso inondato da pseudo-difetti come particelle e macchie; il deep learning è bravo a separare le classi di aspetto ma dipende da campioni e soglie. L’articolo confronta i due ambiti d’uso, mostra con dati simulati il trade-off di soglia, overkill e escape e una soglia a costo ottimo, e calcola quanti campioni difettosi servono per verificare un tasso di escape.

L’ispezione visiva dei dischi encoder cerca un misto di difetti: pinholes di cromo, ponti di cromo residuo, linee interrotte, graffi, particelle, scheggiature di bordo, macchie. L’AOI basato su regole può confrontare l’immagine con il progetto pixel per pixel ed è affidabile sulle decisioni dimensionali, ma è sensibile a «diverso» e ottuso a «se diverso conta»; un disco può lanciare decine di candidati, per lo più polvere e ondulazione di bordo innocua, e un ricontrollo umano chiude il lavoro. Il deep learning sembra colmare esattamente quel vuoto — ma trasforma il problema da «sintonizzare i parametri» a «gestire dati e soglie».

Al muoversi della soglia di decisione, le distribuzioni di score di pezzi buoni e difettosi sono tagliate in modo diverso e gli escape si scambiano con gli overkill nella matrice di confusione (dati simulati: 9800 buoni, 200 difettosi)
Figura 1 – Al muoversi della soglia di decisione, le distribuzioni di score di pezzi buoni e difettosi sono tagliate in modo diverso e gli escape si scambiano con gli overkill nella matrice di confusione (dati simulati: 9800 buoni, 200 difettosi)

Cosa sanno fare bene AOI basato su regole e deep learning

DimensioneAOI basato su regoleDeep learning
PrincipioConfronto con progetto o campione oro, soglie, morfologia, misura dimensionaleImparare le feature di difetto da campioni etichettati; output di classe o segmentazione a livello di pixel
Campioni necessariEssenzialmente nessun campione difettosoAbbastanza campioni etichettati rappresentativi
Decisioni dimensionaliForti; valutazione d’incertezza possibileDeboli; non adatte come misura diretta
Decisioni di aspettoDeboli; molti pseudo-difettiForti; possono separare particelle e macchie dai difetti veri
Deriva di illuminazione / processoSensibile; ritocchi ripetutiAbbastanza robusto alle variazioni coperte dal training set; quelle non coperte possono fallire
Interpretabilità e tracciabilitàLe regole sono espliciteServono heat map e simili; le conclusioni dipendono dalla versione dei dati

Quindi una pratica comune è ibrida (Figura 3): AOI basato su regole con soglia larga trova ogni candidato e chiude le decisioni dimensionali; il deep learning solo rivaluta e classifica i candidati come «difetto vero o pseudo-difetto», e i dubbi vanno a un umano. Solo con pezzi buoni, un modello di anomaly detection può anche fare un primo screening — ma risponde solo «sembra un pezzo buono?», non al tipo di difetto.

Immagini e campioni: contare prima il volume di dati

La risoluzione è fissata dal difetto più piccolo: un difetto dovrebbe occupare almeno circa 3 pixel sull’immagine, quindi un pinhole da 5 μm richiede una scala di pixel non più grossolana di circa 1,7 μm. Per una zona di tracce di raggi interno/esterno 14 mm e 20 mm l’area è circa 641 mm²; una telecamera da 1200×10⁴ pixel a 1,5 μm/pixel copre circa 27,6 mm² per campo di vista, quindi un disco richiede circa 23 campi, o circa 28 con sovrapposizione.

La parte dura del campionamento è che i difetti sono rari e di molte classi. Principi da rispettare:

  • Separare train e validation per lotto. Se immagini dello stesso disco o dello stesso lotto compaiono in entrambi, i punteggi di validation sono gonfiati.
  • Definire prima le regole di etichettatura: quanto grande un pinhole conta come difetto, se una particella su una linea di cromo conta — scrivere lo standard di accettazione, poi etichettare; quando etichettano più persone, misurare l’accordo e discutere a parte i campioni controversi.
  • Coprire la variazione di processo: lotti di coating diversi, stati diversi di invecchiamento dell’illuminazione e progetti di disco diversi devono apparire nel training set; un nuovo progetto richiede ri-validazione prima del rilascio.

Matrice di confusione e soglia

Il modello emette una probabilità di difetto p per ogni candidato; sopra la soglia è chiamato difetto. Quattro esiti formano la matrice di confusione: detection (TP), escape (FN), overkill (FP), pass (TN). Metriche comuni:

tasso di escape = FN / (TP + FN), tasso di overkill = FP / (FP + TN)

Esempio (dati simulati, 10000 pezzi, tasso di difetto 2%): a soglia 0,5, 13 escape (6,5%), 17 overkill (0,17%), e i difetti veri sono il 91,7% dei pezzi chiamati difettosi. A soglia 0,31 gli escape scendono a 2 (1,0%) e gli overkill salgono a 134 (1,37%).

La soglia va scelta per costo. Si supponga che il costo di un difetto escaped arrivato in campo sia 50 volte il costo di un overkill (un ricontrollo in più o uno scarto falso) (assunto); il costo totale = 50·FN + FP è minimo a circa soglia 0,31 in questo esempio, pari a 234, contro 667 al default 0,5 (Figura 2). 0,5 è solo il punto medio matematico, non un ottimo di ingegneria.

Tasso di escape, tasso di overkill e costo totale contro la soglia; con costo di escape 50× il costo di overkill, la soglia a costo minimo è circa 0,31 (dati simulati)
Figura 2 – Tasso di escape, tasso di overkill e costo totale contro la soglia; con costo di escape 50× il costo di overkill, la soglia a costo minimo è circa 0,31 (dati simulati)

Attenzione anche all’effetto di base-rate di un tasso di difetto basso: a soli 2% di difetti, anche un tasso di overkill dell'1,37% significa che circa quattro decimi dei pezzi chiamati difettosi sono ancora buoni. È esattamente perché va tenuto un canale di ricontrollo umano.

Quanti campioni per dimostrare un tasso di escape

La cifra «2 escape / 200 = 1,0%» ha di per sé incertezza statistica; sotto distribuzione binomiale il limite superiore di confidenza al 95% è circa 3,1%. Per dimostrare che il tasso di escape non è superiore a p con zero escape nella verifica, il numero di campioni difettosi necessari è

n ≥ ln(1 − CL) / ln(1 − p)

A confidenza CL = 95% e p = 1%, n ≈ 299; a p = 0,5% circa 598; se si ammette 1 escape, p = 1% richiede circa 473. Per un prodotto come il disco encoder con tasso di difetto molto basso, accumulare qualche centinaio di veri campioni difettosi richiede spesso molto tempo — il collo di bottiglia più pratico prima che l’ispezione deep learning vada in produzione.

Schema ibrido: AOI basato su regole gestisce decisioni dimensionali ed estrazione candidati; deep learning rivaluta e classifica; i risultati del ricontrollo umano tornano come dati di training
Figura 3 – Schema ibrido: AOI basato su regole gestisce decisioni dimensionali ed estrazione candidati; deep learning rivaluta e classifica; i risultati del ricontrollo umano tornano come dati di training

Punti di ingegneria

  • Lasciare le decisioni dimensionali agli algoritmi a regole; far rivalutare al deep learning solo l’aspetto — preservando la tracciabilità di misura e tagliando gli pseudo-difetti.
  • Impostare la soglia per «costo escape ÷ costo overkill» e tracciare overkill ed escape contro soglia sul validation set; non defaultare a 0,5.
  • Verificare un tasso di escape richiede almeno circa 3/p campioni difettosi con zero escape; quando i campioni scarseggiano, riportare onestamente il limite superiore di confidenza.
  • Separare train e validation per lotto; non far attraversare i set alle immagini dello stesso disco.
  • Tenere un set fisso di campioni oro (compresi difetti di confine di ogni classe) e rilanciare la regressione dopo ogni aggiornamento di modello o cambio di telecamera/luce.
  • Dopo il go-live, monitorare la deriva della distribuzione di score; uno spostamento verso l’alto degli score dei pezzi buoni compare spesso prima che salga il tasso di overkill e segnala invecchiamento dell’illuminazione o cambio di processo.

Sintesi

Il valore del deep learning nell’ispezione visiva dei dischi encoder è soprattutto filtrare l’inondazione di pseudo-difetti dell’AOI basato su regole, non sostituire la misura dimensionale. Le sue prestazioni sono fissate da campioni, etichette e soglia: scegliere la soglia per costo, dimostrare il tasso di escape con abbastanza campioni difettosi e continuare a validare il modello tra lotti e cambi di processo. Trattarlo come un sistema di misura da gestire, non come una black box, e resterà affidabile.


Traduzione dell’articolo originale cinese (0199). ENC7 – produttore di dischi encoder (richiesta) · Articoli tecnici · https://enc7.com

© Langfang Jingzheng Optoelectronic Technology Co., Ltd. Tutti i diritti riservati. Articolo realizzato con l’assistenza dell’IA.

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