Trustworthy Visual Quality Inspection under Data Scarcity in Manufacturing
Dit artikel stelt een betrouwbaar visueel kwaliteitsinspectiekader voor de productie voor dat gegevensschaarste aanpakt door diffusiemodellen te gebruiken om synthetische defecten te genereren en een Bayesiaanse classifier in te zetten om ambigue gevallen door te verwijzen naar menselijke beoordeling, waardoor de kosten voor het implementeren van betrouwbare geautomatiseerde inspectiesystemen worden verlaagd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het stille gezoem van een moderne fabriek is de laatste stap voordat een product de lijn verlaat vaak een menselijk oog dat scant op gebreken. Deze handmatige controle is traag, duur en gevoelig voor de inconsistenties van menselijke vermoeidheid. Om dit op te lossen, proberen ingenieurs al lang computers te leren om defecten te zien zoals mensen dat doen, met behulp van software die leert van voorbeelden van kapotte onderdelen. Maar er is een addertje onder het gras: in een goed draaiende fabriek werkt bijna alles perfect. Defecte artikelen zijn zo zeldzaam dat een computer die probeert hiervan te leren, maar heel weinig voorbeelden heeft om van te studeren. Zonder voldoende voorbeelden wordt de software een slechte leerling; de computer kan vol vertrouwen gissen wanneer hij het fout heeft, of er niet in slagen een nieuw soort gebrek te herkennen dat hij nog nooit eerder heeft gezien. Het doel voor onderzoekers is niet alleen om een machine te bouwen die ziet, maar om een machine te bouwen die weet wanneer hij het niet zeker weet, zodat hij pas om hulp aan een mens vraagt wanneer dat noodzakelijk is.
Een team onderzoekers uit Griekenland, Duitsland en Nederland heeft een stap richting dit doel gezet door een nieuw systeem te creëren voor het inspecteren van de metalen behuizing van elektrische scheerapparaten. Hun werk pakt de tweeledige problemen aan van het niet hebben van genoeg slechte voorbeelden om van te leren en het gevaar van het maken van zelfverzekerde fouten. Ze stellen een driestaps proces voor dat fungeert als een zorgvuldig filter. Eerst isoleert het systeem de behuizing van de scheerder van de achtergrond. Vervolgens controleert het of het object er überhaupt normaal uitziet, zonder dat het precies hoeft te weten wat voor soort defect aanwezig zou kunnen zijn. Ten slotte, als er een gebrek wordt gevonden, probeert het systeem het specifieke type defect te identificeren, maar met een cruciale toevoeging: het berekent hoe zeker het is over zijn antwoord. Als het systeem niet zeker is, markeert het het artikel voor een menselijke inspecteur in plaats van het risico te nemen op een foutieve beslissing.
Om het probleem van het hebben van te weinig echte defecte scheerapparaten om hun software op te trainen op te lossen, gebruikten de onderzoekers een krachtig hulpmiddel genaamd een diffusiemodel. Denk hierbij aan een digitale kunstenaar die een handvol echte kapotte scheerapparaten heeft bestudeerd en heeft geleerd hoe hij nieuwe, realistische afbeeldingen van defecten kan schilderen die nog nooit hebben bestaan. Door honderden van deze synthetische gebreken te genereren, waren ze in staat om hun classificatiesoftware te leren patronen te herkennen die ze anders over het hoofd zouden zien. Ze testten deze aanpak op drie soorten veelvoorkomende drukfouten: vlekken, onderbroken lijnen en vingerafdrukken. De resultaten lieten zien dat het voeden van de software met deze door de computer gegenereerde voorbeelden de bekwaamheid van de software aanzienlijk verbeterde om echte defecten op te sporen en te categoriseren bij het testen op een kleine set werkelijke kapotte apparaten.
Het tweede deel van hun innovatie ligt in de manier waarop de software met onzekerheid omgaat. Het team vergeleken twee verschillende methoden om de computer te leren zijn eigen vertrouwen te peilen. De ene methode, bekend als een deep ensemble, haalt dezelfde afbeelding vijf keer door licht verschillende versies van de software en middelt hun antwoorden. De andere methode, een Bayesiaanse benadering, wijzigt de interne structuur van de software om een reeks mogelijke antwoorden voor elke afbeelding die hij ziet te simuleren. Beide methoden werkten goed, maar de Bayesiaanse benadering bleek bijzonder goed in het weten wanneer het systeem het juist wist. In tests met een kleine hoeveelheid gegevens vertoonde het Bayesiaanse systeem een veel hoger niveau van kalibratie, wat betekent dat de interne betrouwbaarheidsscores veel beter overeenkwamen met de realiteit van de prestaties dan de andere methode. Wanneer het systeem onzeker was, identificeerde het die onzekerheid correct, wat een pad suggereert waarbij de machine de gemakkelijke gevallen afhandelt en de lastige gevallen doorgeeft aan een menselijke expert.
De onderzoekers maten ook hoe snel dit systeem kon draaien, een cruciale factor voor een productielijn die zich geen vertraging kan veroorloven. Het hele proces, van het isoleren van de scheerder tot het nemen van een definitieve beslissing, duurt minder dan één seconde per eenheid. Hoewel de Bayesiaanse methode iets langzamer is dan de deep ensemble-methode omdat het complexere berekeningen uitvoert om vertrouwen te peilen, blijft de totale tijd snel genoeg voor echt gebruik. De studie suggereert dat fabrikanten, door synthetische datageneratie te combineren met een systeem dat zijn eigen grenzen kent, inspectietools kunnen bouwen die zowel nauwkeurig als betrouwbaar zijn. Dit werk is nog in uitvoering en het team is van plan om het volledige systeem binnenkort op een live productielijn te testen, maar de eerste bevindingen bieden een veelbelovend blauwdruk voor een toekomst waarin machines en mensen samenwerken om kwaliteit te waarborgen zonder de knelpunten uit het verleden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.