Обнаружение множественных дефектов во время производственных процессов является жизненно важным шагом для обеспечения качества продукции.

Своевременное обнаружение неисправностей или дефектов и принятие соответствующих мер имеют важное значение для снижения эксплуатационных расходов и затрат, связанных с качеством.

Согласно Исследованию Абердина, у многих организаций настоящие затраты, связанные с качеством, составляют от 15 до 20 процентов от выручки от продаж.

Несмотря на важность, это сложно сделать, когда у вас есть неконтролируемые данные. Поскольку процессы ручного контроля обычно являются длительными и дорогостоящими, понятно, почему производители стремятся использовать новые технологии, такие как AI/ML, для автоматизации этих задач.

В этом исследовании мы показываем, почему необходимо разрабатывать и внедрять интеллектуальные алгоритмы для обнаружения аномалий и дефектов, даже если обучающие данные не идеальны.

Цель

В этом исследовании мы хотели выявить неизвестное количество дефектов, независимо от формы и размера.

Каждое изображение в наборе может содержать любое количество дефектов от 0 до некоторого N любой формы и размера.

Данные

Набор данных содержит 6633 изображения.

~50% хорошие

~50% содержат любое количество дефектов.

(Изображения не выровнены с точки зрения фокусировки, масштабирования, поворотов, переходов или трапецеидальных искажений.)

Проблемы

  1. Количество дефектов на изображение неизвестно.
  2. Типы дефектов могут быть очень редкими
  3. Небольшой размер набора данных
    (потенциально)

Алгоритм

Шаг 1 — получение регионов

Используя данные из шага 1, вы можете затем классифицировать на основе того, содержит ли он дефект или нет.

*Это делается без этикеток — без присмотра.

Шаг 2. Классифицируйте каждый регион

Для каждого региона из шага 1 и классифицировать, если он содержит дефект.

Это делается без меток — без присмотра.

Шаг 3. Запустите алгоритм кластеризации Vanti для каждого региона

Для каждой предложенной области, которая с высокой вероятностью считается содержащей дефект, запускается алгоритм Ванти для обнаружения дефекта изображения, чтобы установить местоположение и тип дефекта (т. е. кластер).

Шаг 4. Повторяйте шаги 1–3, пока не будет достигнуто некоторое пороговое значение.

Алгоритм глубокого погружения — ИС Ванти

Результаты
1. Поиск неизвестных N дефектов

2. Обнаружение дефектов на изображениях с N›0 дефектов

а. Среднее количество дефектов = 9

б. Максимальное количество дефектов = 23 Гистограмма дефектов:

3. Время выполнения против. N и количество изображений

а. 6663 изображения были обработаны за 21 минуту на процессоре Apple McBookPro с чипом M1.

б. Время выполнения линейно по N (общее количество дефектов на изображение)

в. Время выполнения линейно зависит от общего количества изображений.

Визуальные эффекты

Заключение

1. Предлагаемый метод может обеспечить отличную возможность обнаружения дефектов, которая способна идентифицировать, маркировать и группировать дефекты в немаркированных изображениях.

2. Предлагаемый метод позволяет быстро обрабатывать большое количество изображений.

3. Этот подход может быть основой для выявления аномалий на производственных линиях, где в одном и том же файле изображения/видео может присутствовать несколько дефектов.

**Изучите данные, используемые здесь

Проверьте это на себе

Узнайте, как Vanti Analytics может помочь вам разработать и внедрить интеллектуальные алгоритмы для обнаружения множественных аномалий и дефектов, даже если ваши обучающие данные не идеальны.

Первоначально опубликовано на https://www.vanti.ai 10 апреля 2022 г.