Test, güvenilirlik ve kalite

Enkoder diski görsel denetiminde derin öğrenme: ne yapabilir, nelere dikkat

Enkoder diski görsel denetiminde derin öğrenme: ne yapabilir, nelere dikkat

Kural tabanlı AOI boyutsal kusurları kaçırmaz ama parçacık ve leke gibi sözde kusurlarla boğulur; derin öğrenme görünüm sınıflarını ayırmakta iyidir ama örneklere ve eşiklere bağlıdır. Makale iki kullanım alanını karşılaştırır, simüle verilerle eşik–aşırı red–kaçırma ödünleşimini ve maliyet-optimum eşiği gösterir, bir kaçırma oranını doğrulamak için kaç kusurlu örnek gerektiğini hesaplar.

Enkoder diski görsel denetimi karışık bir kusur torbasına bakar: krom iğne delikleri, artık-krom köprüleri, kopuk çizgiler, çizikler, parçacıklar, kenar talaşları, lekeler. Kural tabanlı AOI görüntüyü tasarımla piksel piksel karşılaştırabilir ve boyut kararlarında güvenilirdir, ama «farklı»ya duyarlı, «farklılığın önemli olup olmadığına» kördür; bir disk onlarca aday fırlatabilir, çoğu toz ve zararsız kenar dalgalanmasıdır, insan yeniden kontrolü işi bitirir. Derin öğrenme tam bu boşluğu dolduruyor gibi görünür — ama sorunu «parametre ayarı»ndan «veri ve eşik yönetimi»ne çevirir.

Karar eşiği hareket ettikçe iyi ve kusurlu parçaların skor dağılımları farklı kesilir ve karışıklık matrisinde kaçırmalar aşırı redlerle ödünleşir (simüle veri: 9800 iyi, 200 kusurlu)
Şekil 1 – Karar eşiği hareket ettikçe iyi ve kusurlu parçaların skor dağılımları farklı kesilir ve karışıklık matrisinde kaçırmalar aşırı redlerle ödünleşir (simüle veri: 9800 iyi, 200 kusurlu)

Kural tabanlı AOI ile derin öğrenme her biri neyi iyi yapar

BoyutKural tabanlı AOIDerin öğrenme
İlkeTasarım veya altın örnekle karşılaştırma, eşikler, morfoloji, boyut ölçümüEtiketli örneklerden kusur özniteliklerini öğrenme; sınıf veya piksel düzeyinde bölütleme çıktısı
Gereken örneklerEsasen kusurlu örnek yokYeterli temsili etiketli örnek
Boyut kararlarıGüçlü; belirsizlik değerlendirmesi mümkünZayıf; doğrudan ölçüm olarak uygun değil
Görünüm kararlarıZayıf; çok sözde kusurGüçlü; parçacık ve lekeleri gerçek kusurlardan ayırabilir
Aydınlatma / proses kaymasıDuyarlı; tekrarlı yeniden ayarEğitim kümesinin kapsadığı değişimlere oldukça dayanıklı; kapsanmayanlar başarısız olabilir
Yorumlanabilirlik ve izlenebilirlikKurallar açıktırIsı haritaları vb. gerekir; sonuçlar veri sürümüne bağlıdır

Bu yüzden yaygın uygulama melezdir (Şekil 3): gevşek eşikli kural tabanlı AOI her adayı bulur ve boyut kararlarını bitirir; derin öğrenme adayları yalnız «gerçek kusur mu sözde kusur mu» diye yeniden yargılar, kuşkulular insana gider. Yalnız iyi parçalarla anomali-tespit modeli de ilk eleme yapabilir — ama yalnız «iyi parçaya benziyor mu?»ya yanıt verir, kusur türüne değil.

Görüntüler ve örnekler: önce veri hacmini sayın

Çözünürlüğü en küçük kusur koyar: bir kusur görüntüde en az yaklaşık 3 piksel kaplamalıdır, dolayısıyla 5 μm’lik bir iğne deliği yaklaşık 1,7 μm’den kaba olmayan piksel ölçeği ister. İç/dış yarıçapları 14 mm ve 20 mm olan iz bölgesinin alanı yaklaşık 641 mm²’dir; 1,5 μm/pikselde 1200×10⁴ piksellik kamera görüş alanı başına yaklaşık 27,6 mm² kaplar, böylece bir disk yaklaşık 23 alan, örtüşmeyle yaklaşık 28 alan ister.

Örneklemenin zor yanı kusurların seyrek ve çok sınıflı olmasıdır. Uyulması gereken ilkeler:

  • Eğitim ve doğrulamayı partiye göre ayırın. Aynı disk veya aynı partinin görüntüleri her iki kümede de varsa doğrulama skorları şişer.
  • Önce etiketleme kurallarını tanımlayın: hangi büyüklükte iğne deliği kusur sayılır, krom çizgi üzerindeki parçacık sayılır mı — kabul standardını yazın, sonra etiketleyin; birden çok kişi etiketliyorsa uyumu ölçün ve tartışmalı örnekleri ayrıca konuşun.
  • Proses değişimini kapsayın: farklı kaplama partileri, farklı aydınlatma yaşlanma durumları ve farklı disk tasarımları eğitim kümesinde yer almalı; yeni tasarım serbest bırakılmadan yeniden doğrulanmalıdır.

Karışıklık matrisi ve eşik

Model her aday için bir kusur olasılığı p üretir; eşiğin üstünde kusur denir. Dört sonuç karışıklık matrisini oluşturur: tespit (TP), kaçırma (FN), aşırı red (FP), geçiş (TN). Yaygın metrikler:

kaçırma oranı = FN / (TP + FN), aşırı red oranı = FP / (FP + TN)

Örnek (simüle veri, 10000 parça, %2 kusur oranı): eşik 0,5’te 13 kaçırma (%6,5), 17 aşırı red (%0,17) ve gerçek kusurlar kusurlu denilen parçaların %91,7’sidir. Eşik 0,31’de kaçırmalar 2’ye (%1,0) düşer, aşırı redler 134’e (%1,37) çıkar.

Eşik maliyete göre seçilmelidir. Sahaya ulaşan bir kaçırılmış kusurun maliyetinin bir aşırı redin (ek yeniden kontrol veya yanlış hurda) 50 katı olduğu varsayılsın; toplam maliyet = 50·FN + FP bu örnekte yaklaşık eşik 0,31’de minimum 234’tür, varsayılan 0,5’te 667’dir (Şekil 2). 0,5 yalnız matematiksel orta noktadır, mühendislik optimumu değildir.

Kaçırma oranı, aşırı red oranı ve toplam maliyetin eşiğe göre değişimi; kaçırma maliyeti aşırı redin 50 katıyken maliyet-minimum eşik yaklaşık 0,31’dir (simüle veri)
Şekil 2 – Kaçırma oranı, aşırı red oranı ve toplam maliyetin eşiğe göre değişimi; kaçırma maliyeti aşırı redin 50 katıyken maliyet-minimum eşik yaklaşık 0,31’dir (simüle veri)

Düşük kusur oranının taban-oran etkisine de bakın: yalnız %2 kusurda bile %1,37 aşırı red oranı, kusurlu denilen parçaların yaklaşık onda dördünün hâlâ iyi olduğu anlamına gelir. İnsan yeniden kontrol kanalının tutulmasının nedeni budur.

Bir kaçırma oranını kanıtlamak için kaç örnek

«2 kaçırma / 200 = %1,0» rakamının kendisinin istatistiksel belirsizliği vardır; binom dağılımı altında %95 üst güven sınırı yaklaşık %3,1’dir. Doğrulamada sıfır kaçırmayla kaçırma oranının p’den yüksek olmadığını kanıtlamak için gereken kusurlu örnek sayısı

n ≥ ln(1 − CL) / ln(1 − p)

güven CL = %95 ve p = %1’de n ≈ 299; p = %0,5’te yaklaşık 598; 1 kaçırmaya izin verilirse p = %1 yaklaşık 473 ister. Enkoder diski gibi çok düşük kusur oranlı bir üründe birkaç yüz gerçek kusurlu örnek biriktirmek çoğu kez uzun sürer — derin öğrenme denetiminin canlıya geçmesinden önceki en pratik darboğaz budur.

Melez şema: kural tabanlı AOI boyut kararlarını ve aday çıkarmayı yapar; derin öğrenme yeniden yargılar ve sınıflandırır; insan yeniden kontrol sonuçları eğitim verisi olarak geri akar
Şekil 3 – Melez şema: kural tabanlı AOI boyut kararlarını ve aday çıkarmayı yapar; derin öğrenme yeniden yargılar ve sınıflandırır; insan yeniden kontrol sonuçları eğitim verisi olarak geri akar

Mühendislik noktaları

  • Boyut kararlarını kural algoritmalarına bırakın; derin öğrenmeye yalnız görünümü yeniden yargılatın — ölçüm izlenebilirliğini koruyup sözde kusurları kesin.
  • Eşiği «kaçırma maliyeti ÷ aşırı red maliyeti» ile koyun ve doğrulama kümesinde aşırı red ile kaçırmayı eşiğe karşı çizin; varsayılan 0,5’e gitmeyin.
  • Bir kaçırma oranını doğrulamak sıfır kaçırmayla en az yaklaşık 3/p kusurlu örnek ister; örnekler kısaysa üst güven sınırını dürüstçe bildirin.
  • Eğitim ve doğrulamayı partiye göre ayırın; aynı diskin görüntülerini kümeler arasında geçirmeyin.
  • Sabit bir altın-örnek kümesi tutun (her sınıfın sınır kusurları dahil) ve her model güncellemesi veya kamera/ışık değişiminden sonra regresyonu yeniden çalıştırın.
  • Canlıya geçişten sonra skor dağılımının kaymasını izleyin; iyi-parça skorlarının yukarı kayması çoğu kez aşırı red oranı yükselmeden önce görünür ve aydınlatma yaşlanması veya proses değişimi sinyalidir.

Özet

Enkoder diski görsel denetiminde derin öğrenmenin değeri esas olarak kural tabanlı AOI’nin sözde kusur selini süzmektir, boyut ölçümünün yerini almak değil. Performansı örnekler, etiketler ve eşik belirler: eşiği maliyete göre seçin, yeterli kusurlu örnekle kaçırma oranını kanıtlayın ve modeli partiler ile proses değişimleri boyunca doğrulamaya devam edin. Kara kutu değil, yönetilmesi gereken bir ölçüm sistemi gibi davranın, güvenilir kalır.


Çince orijinal makalenin çevirisi (0199). ENC7 – enkoder diski üreticisi (teklif) · Teknik makaleler · https://enc7.com

© Langfang Jingzheng Optoelectronic Technology Co., Ltd. Tüm hakları saklıdır. Bu makale yapay zekâ desteğiyle hazırlanmıştır.

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