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
- Количество дефектов на изображение неизвестно.
- Типы дефектов могут быть очень редкими
- 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.