Tehisintellekt roostevaba terase kvaliteedikontrollis: automaatne defektide tuvastamine

Tehisintellekti-põhine defektide tuvastamine kasutab süvaõppemudeleid (CNN-id, objektidetektorid ja nägemistransformaatorid), mis on koolitatud kaamerakujutistel, et tuvastada, klassifitseerida ja leida roostevaba terase pinnadefekte reaalajas tootmisliini kiirusel, avaldatud täpsusega standardsete võrdlusandmete puhul tavaliselt 95–99%.

Nende süsteemide võrdlemiseks kõige sagedamini kasutatavad kuus defektitüüpi - lõhenemine, kaasamine, laigud, täpiline pind, valtsitud-mõõtkavas ja kriimustused - pärinevad laialdaselt kasutatavast NEU pinnadefektide andmebaasist ning vastavad täpselt tõelistele roostevaba terase defektidele, nagu täpid, armid, servade praod ja jäljed.

Artificial Intelligence in Stainless Steel Quality Inspection

Tehisintellekti nägemine asendab või täiustab käsitsi visuaalset kontrolli ja lihtsat läve{0}}põhist masinnägemist, mis annab kuni 15–30% valepositiivseid tulemusi ja ei suuda ainuüksi inimsilmaga kontrollida täis-kiirust ja täielikku{4}}katvust.

AI-vision kontrollib ainult pindu - see ei asenda värvi läbitungimise testimist, pöörisvoolu testimist ega ultraheli testimist pinnaaluste defektide, keevisõmbluse terviklikkuse või mahuvigade tuvastamiseks, nii et täielik kvaliteediprogramm ühendab AI pinnakontrolli siiski sobiva NDT-meetodiga.

ASTM A480 jääb pinnaviimistluse klassifikatsiooni ja defektide aktsepteerimise kriteeriumide reguleerivaks standardiks; Tehisintellekti süsteeme koolitatakse ja valideeritakse nende inimeste poolt määratud kriteeriumide alusel, mitte vastupidi, seega sõltub spetsifikatsioon ja lõplik kasutusõigus siiski kohaldatavast materjalistandardist ja ostutellimusest.

AI-põhine defektide tuvastamine kasutab väljaõppinud süvaõppemudeleid, et analüüsida roostevabast terasest pindade kaamerakujutisi ning automaatselt tuvastada, klassifitseerida ja lokaliseerida defekte reaalajas, asendades või täiendades käsitsi visuaalset kontrolli ja lihtsa reegli-põhist masinnägemist -, peamine erinevus on see, et süsteem õpib defektide mustreid pigem märgistatud näidete põhjal, mitte järgima kindlat programmeeritud näidet.

Traditsiooniline roostevabast terasest pindade kontrollimine tugineb koolitatud iniminspektoritele, keda mõnikord abistab põhiline masinnägemine, mis märgib kõik, mis on heledam, tumedam või suurem kui fikseeritud pikslilävi. Mõlemal lähenemisviisil on hästi-dokumenteeritud piirid: iniminspektorid väsivad üle 8- või 12-tunnise vahetuse ega suuda säilitada täit tähelepanu liikuva mähise igal meetril, samal ajal kui lihtsad läve{8}}põhinevad nägemissüsteemid genereerivad suurel hulgal valepositiivseid -1, kuna tööstusharu on valepositiivsed allikad –3 ei suuda eristada ehtsat defekti kahjututest pinnamuutustest, nagu peegeldus, tolerantsi piires olev veeremärk või valgustusartefakt.

Tehisintellekti defektide tuvastamist, mis on enamasti ehitatud konvolutsiooniliste närvivõrkude (CNN) või uuematele Vision Transformeri (ViT) arhitektuuridele, treenitakse tuhandete kuni miljonite märgistatud kujutiste põhjal, et see õpiks tundma visuaalseid funktsioone, mis eraldavad tõelise defekti tavalisest pinnamuutusest. Pärast väljaõpetamist teeb mudel järeldusi reaalajas kaamerapiltidest tootmisliini kiirusel, märgib ja klassifitseerib defektid ning saab selle teabe otse reaalajas -sorteerimiseks, märgistamiseks või tagasilükkamiseks - edastada, ilma et inimene peaks iga kaadrit üle vaatama.

Tehisintellekti nägemissüsteemid on tavaliselt koolitatud tuvastama samu defektikategooriaid, mida on pikka aega käsitsi jälgitud roostevabast terasest - täppide, kriimustuste ja veerejälgede, skaala ja armide, mitte-metalliliste lisandite, servapragude ja laigude või oksüdatsioonivärvi muutuste - abil kuue-pinnadefekti, inklusioonide kategooria (pinnadefekti, inonosiooni kategooria) aukudega pind, mastaabis valtsitud-, kriimustused), mis on kõige laialdasemalt kasutatav uurimis- ja koolituse etalon.
Defekti kategooria	Kuidas see välja näeb	Tüüpiline Põhjus	Miks see on roostevaba terase jaoks oluline?
Punktiline / aukudega pind	Väikesed lokaliseeritud süvendid või õõnsused	Saastumine, ebaühtlane marineerimine, katlakivi kinni jäänud	Häirib passiivse kroomoksiidi kihi, luues koha kloriidist{0}}ajendatavale korrosioonile
Kriimud / kriimud	Erineva sügavusega lineaarsed pinnamärgid	Kokkupuude valesti joondatud juhikutega, praht rullidel, käsitsemiskahjustused	Kosmeetikatoodete tagasilükkamise oht; sügavamad vaod toimivad stressi koondajatena
Rulli jäljed	Pinnale trükitud korduvad mustrid	Kahjustatud või kulunud rulli pind	Näitab ülesvoolu seadmete kulumist; käivitab sageli rullivahetuse
Skaalas-rullitud / armid	Ebakorrapärased keele--või kala-taolised tumedad laigud	Valtsimisel pinnale pressitud oksiidkatlakivi	marineerimisel raske eemaldada; võib hiljem kooruda ja moodustada lohke
Kaasamised	Täpi-, joone- või plokikujulised mitte-metallist osakesed	Terase valmistamisel kaasa võetud räbu või tulekindel materjal	Nõrgendab kohalike materjalide omadusi; võib koormuse all levida pragudena
Servad praod	Peened kuni ilmsed lõhed piki lehe või pooli serva	Ebaühtlasest jahutusest tingitud termiline stress, keemiaprobleemid	Võib edasise töötlemise käigus paljuneda; põhjustab sageli mähise tagasilükkamist
Hullunud / plaastrid	Peente pinnapragude või ebakorrapäraste heledate/tumedate laikude võrgustikud	Pinna pinge, ebaühtlane jahutus, oksüdatsioonivärv	Peamiselt kosmeetiline kergetel juhtudel, kuid märgib protsessi juhtimise probleemi

Defektikategooriad, mis on koostatud NEU pinnadefektide andmebaasist (terase pinnadefektide klassifikatsiooni standardne akadeemiline võrdlusalus) ja avaldatud roostevaba terase tootjate defektide juhendid. Konkreetse defekti tüübi ja raskusastme aktsepteerimiskriteeriumid peaksid viitama ASTM A480 pinnaviimistluse nõuetele ja kehtivale ostutellimusele.

Tootmisvõimeline tehisintellekti nägemissüsteem on viiest lingitud komponendist - juhitav valgustus, kiire-kaamera või joon-skannimine, pildi eeltöötlus, väljaõppinud süvaõppemudel ja otsustuskiht, mis suunab tulemused tagasi reajuhtimisse - ja süsteemi tegelik{4}}töötamine ei sõltu ainult viie AI täpsusest koos.

How Does a Production AI Vision Inspection System Actually Work

Valgustus ja pildi saamine

Järjepidev ja hästi juhitud{0}}valgustus on eeltingimus, mitte järelmõte. Roostevabast terasest peegeldav pind muudab valgustuse kujundamise tõeliselt keeruliseks: ebaühtlane või ebaühtlane Kiire-joon-- või alaskannimise-kaamerad jäädvustavad liikuvast ribast või lehest kujutisi sageli mitme nurga alt või mitme valgustuse geomeetriaga, et tabada defekte, mis muutuvad nähtavaks ainult teatud peegeldusnurkade korral.

Eeltöötlus ja süvaõppe mudel

Jäädvustatud pilte eeltöödeldakse -, nende suurust muudetakse, normaliseeritakse, mõnikord filtreeritakse, et vähendada müra või korrigeerida ebaühtlast valgustust -, enne kui need edastatakse koolitatud mudelile. Avaldatud uuringud näitavad, et ainuüksi see eeltöötlusetapp võib märkimisväärselt parandada klassifitseerimise täpsust isegi hästi-häälestatud CNN-i arhitektuuri kõrval. Mudel ise täidab ühte või mitut kolmest ülesandest: klassifitseerimine (mis tüüpi defekt see on), lokaliseerimine (kus see pildil asub) ja segmenteerimine (mis on defekti täpne piir).

Otsustuskihi ja liini integreerimine

Viimane kiht teisendab mudeli väljundi toiminguks: defekti asukoha märkimine allavoolu käsitlemiseks, automaatse tagasilükkamise käivitamine, defekti tüübi ja tõsiduse logimine kvaliteediandmebaasi või küpsemate juurutuste korral defektide sageduse ja mustri andmete tagasisaatmine ülesvoolu protsesside juhtimis- ja hooldussüsteemidesse (üha enam levinud integratsioonipunkt arvutipõhiste hooldushaldussüsteemidega või CMMS-iga), nii et need võivad põhjustada korduvaid seadmete kadu.

Konvolutsioonilised närvivõrgud (ResNet, MobileNet, SqueezeNet, EfficientNet variandid) jäävad teraspinna defektide klassifitseerimise tööhobuarhitektuuriks, kusjuures objektidetektorid nagu Faster R-CNN ja uuemad Vision Transformeri mudelid, mida kasutatakse lokaliseerimiseks ja keerulisemate, segasemate stseenide jaoks; avaldatud täpsus standardsete võrdlusnäitajate alusel jääb vahemikku ligikaudu 95% kuni üle 99%, kuigi tegelik tootmistäpsus-oleneb suuresti sellest, kui täpselt treeninguandmed vastavad tegelikele liinitingimustele.
Arhitektuuri perekond	Tüüpiline roll	Teatatud toimivus (uuringute võrdlusalused)
CNN-i klassifikaatorid (ResNet-50, MobileNetV2, EfficientNetB3, SqueezeNet)	Terve-kujutise või kärbitud-paiga defektide klassifikatsioon	Tavaliselt viidatud täpsus on vahemikus 95% kuni 99%+ olenevalt andmekogumist ja arhitektuurist; üks SqueezeNet{3}}põhine uuring näitas, et test oli 100% puhas ja 97,5% lisatud müra, hägusust ja valgustuse erinevusi
Objektidetektorid (kiiremad R{0}}CNN ja variandid)	Mitme defekti lokaliseerimine ja klassifitseerimine ühel pildil	Keskmine keskmine täpsuse paranemine ligikaudu 0,1–0,15 võrreldes algtasemega Faster R-CNN pärast arhitektuuri muudatusi, NEU-DET võrdlusalusel
Vision Transformers (ViT)	Klassifikatsioon ja lokaliseerimine,-kaugmaa pildikonteksti tugevam jäädvustamine kui CNN-id	Hiljuti avaldatud uuringutes teatati kuue{1}}kategooria teraspinna vigade klassifikatsiooni kohta ligikaudu 96% täpsusest

Arvud, mis on koostatud avaldatud eelretsenseeritud- ja eeltrükiuuringutest, kasutades NEU-d ja sellega seotud terase pinnadefektide andmekogumeid. Need on uuringu-etaldustulemused, garanteerimata tootmise jõudlus - tegelik juurutamine nõuab kontrollimist konkreetse toote, kaamera seadistuse ja kõnealuse liini defektide populatsiooni suhtes.

Kaasaegsete kergete CNN-arhitektuuride üheks praktiliseks eeliseks on järeldamiskiirus: mitmed avaldatud rakendused töötavad ühel tööstuslikul GPU-l kõvasti üle 100 kaadri sekundis, mis on piisavalt kiire, et pidada sammu liikuva mähise või leheliiniga, ilma et see muutuks protsessi kitsaskohaks.

KOKKUVÕTE AI nägemine on ainult pinna{0}}kontrollimeetod ja see ei asenda värvaine läbitungimise, pöörisvoolu testimist ega ultrahelitesti, mis tuvastavad pinna-murdmised ja pinnaalused vead, mida kaamera lihtsalt ei näe - täielik roostevabast terasest kvaliteediprogramm kasutab tehisintellekti nägemist kõrgete pindade, {{3}ekraanide jaoks{4} NDT meetodid keevisõmbluse terviklikkuse, pragude tuvastamise ja mahuvigade tuvastamiseks.
meetod	Mida see tuvastab	Kiirus / automaatika	Parim sobivus
AI-põhine masinnägemine	Ainult pindmised{0}}nähtavad vead (kolded, kriimud, katlakivi, pinnal nähtavad lisandid, laigud)	Täis-kiirus, täielik-katvus, pidev automaatne kontroll	Suure -mahuga lame{1}}valtsitud lehtede, ribade ja mähiste pinna sõelumine
Värvi läbitungimise testimine (PT)	Pinna-murdmispraod ja poorsus, sh mitte-ferromagnetilisel roostevabal terasel	Käsitsi, mitmeastmeline protsess{0}} (rakendage, oodake, eemaldage, arendage, kontrollige)	Keevis- ja valupinna-pragude kontroll, kui geomeetria või materjal välistab muud meetodid
Pöörisvoolu testimine (ECT)	Juhtivate materjalide pinnapealsed ja{0}}pinnalähedased praod; tulemused on peaaegu-hetkelised	Saab automatiseerida ja järjestada, kuid tundlik keevisõmbluse kareduse ja geomeetria suhtes	Juhtivate roostevabade toodete torud, õhemad keevisõmblused ja pinna{0}}vigade sõelumine
Ultraheli testimine (TÜ)	Pinnaalused ja mahulised vead, seina paksus, korrosioon, keevisõmbluse terviklikkus sügavuses	Nõuab koolitatud operaatoreid või automatiseeritud faas{0}}massiivisüsteeme; ei ole pinna-kujutise meetod	Paksemad keevisõmblused, seina{0}}paksuse kontrollimine ja sisemiste vigade tuvastamine

Koostatud avaldatud NDT ja masin{0}}nägemise kirjandusest. Meetodi valimisel tuleks järgida kohaldatavat kontrollistandardit ja konkreetset tootevormi (lame{2}}valtsleht vs. keevisõmblus vs. toru), selle asemel, et vaikimisi kasutada ühtegi meetodit.

AI defektide tuvastamist piiravad samad tegurid, mis piiravad iga treenitud mudelit: see vajab suuri, esinduslikke, täpselt märgistatud koolitusandmeid; see võitleb haruldaste defektitüüpidega, mis on nendes andmetes alaesindatud (klassi tasakaalustamatus); seda võivad petta tegelikud-olud, nagu vibratsioon, liikumise hägusus ja ebaühtlane{1}}valgustus, mis erinevad treeningpiltidest; ja see nõuab endiselt inimlikku järelevalvet servajuhtumite, uute toodete tutvustamise ja lõplike paigutusotsuste puhul.

Andme- ja märgistamiskoormus: mudel on ainult nii hea, kui hea on selle väljaõppekomplekt ning tuhandete defektide kujutiste -, eriti haruldaste või peente defektide tüüpide - täpne märgistamine on märkimisväärne eelinvesteering, enne kui süsteem saavutab tootmis{2}}usaldustaseme.

Klassi tasakaalustamatus: teatud tüüpi defekte (pooli -lõhenev serva pragu) esineb andmetes palju harvemini kui tavapäraseid (väiksemaid kriimustusi), mis on uuringute kohaselt terase pinnadefektide tuvastamise põhiprobleem, kuna mudel, mis on koolitatud peamiselt tavaliste defektide avastamiseks, ei suuda tuvastada haruldasi, kuid tõsiseid defekte.

What Are the Limitations and Implementation Challenges of AI Defect Detection

Tegelik-kujutise varieeruvus: vibratsioon, liikumise hägusus, ebaühtlane valgustus ja pinnaskaala müra on kirjanduses konkreetselt märgitud teguritena, mis muudavad tegelike tootmis-joonte kujutiste täpse klassifitseerimise raskemaks kui puhtaid laboratoorseid võrdluspilte.

Hinnete ja toodete vahetused: ühe tootevormi, mõõturi või viimistluse järgi koolitatud mudel ei pruugi ilma täiendavate koolitusandmeteta või õppematerjalita puhtalt teisele üle kanda, seega on mudeli hooldus pidev programm, mitte ühekordne{0}}kasutus.

Ainult pind-katvus: nagu ülalpool kirjeldatud, ei näe tehisintellekti nägemine pinnaaluseid ega mahulisi vigu, seega ei välista see läbitungimise, pöörisvoolu või ultraheli testimise vajadust, kui need veatüübid on muret tekitavad.

Inimese-in-tsükli nõue: lõplik paigutus materjali spetsifikatsiooni (nt ASTM A480) alusel ja hinnangud piiripealsete või uudsete defektide esitluste puhul saavad siiski kasu sellest, kui koolitatud kvaliteediinsener vaatab märgistatud tulemused - üle, eriti varajases perioodil pärast kasutuselevõttu.

Hinnake tehisintellekti kontrolli investeeringutasuvust nelja mõõdetava teguri alusel, - vähendades klientide põgenemisi ja nõudeid, kontrollides tööjõu ümberjaotamist, liinide läbilaskevõime suurenemist käsitsi kontrollimise kui kiiruse kitsaskoha eemaldamise tõttu ja defektiandmete väärtust protsessi ülesvoolu täiustamiseks -, mitte defekti-tuvastamise täpsust eraldi.

Uurimistööde täpsusarvud on lähtepunktiks, mitte äritegevuseks. Otsustavamad-asjakohased küsimused on järgmised: kui palju klientide kaebusi või tagastamisi viivad praegu nägemata pinnadefektidele ja mida tasub enamiku neist kõrvaldada; kui palju inspekteerimistööjõudu on praegu visuaalsele pinnakontrollile pühendatud ja kas seda meeskonda saaks ümber paigutada kõrgema-väärtusega inseneritööle; kas käsitsi kontrollimine piirab praegu liini kiirust ja kui palju see võimsus väärt on, kui see eemaldatakse; ja kas süsteemi genereeritud defektide klassifikatsiooni ja asukohaandmeid saab ühendada ülesvoolu protsessi parameetritega (rulli seisukord, peitsimisliini seaded, temperatuuriprofiilid), et vähendada defektide esinemissagedust allika juures, mitte lihtsalt liini lõpus kiiremini kinni püüda.

Ühe liini või tootepere pilootprogramm, mida võrreldakse kindlaksmääratud perioodi jooksul olemasolevate käsitsi kontrollimise tulemustega, on kõige usaldusväärsem viis nii täpsusväidete kui ka läbilaskevõime ja tööjõueelduste kinnitamiseks enne täielikku kasutuselevõttu.

K: Kas tehisintellekti defektide tuvastamine võib täielikult asendada inimeste kvaliteediinspektorid?

V: Mitte täielikult. AI-süsteemid käitlevad kiiret-täieliku katvuse{2}}pindade sõeluuringut palju järjepidevamalt kui väsinud iniminspektorid, kuid materjali spetsifikatsioonile vastamiseks, piiripealsete või uudsete defektide hindamiseks ja mudeli enda järelevalveks on siiski vaja koolitatud kvaliteediinseneri. Enamik tootmisjuurutusi on pigem inimlik-in-in-tsüklis kui täiesti autonoomne.

K: Mis on NEU pinnadefektide andmebaas ja miks see selles valdkonnas nii sageli esile kerkib?

V: NEU (Kirdeülikooli) pinnadefektide andmebaas on laialdaselt kasutatav, avalikult kättesaadav märgistatud teraspinna kujutiste kogum, mis hõlmab kuut defektikategooriat - mõranemine, kaasamine, laigud, täpiline pind, valtsitud-skaala ja kriimustused. Sellest on saanud standardne akadeemiline etalon teraspinna defektide tuvastamise mudelite koolitamisel ja võrdlemisel, mistõttu viitavad sellele nii paljud avaldatud täpsusandmed.

K: Kas tehisintellekti nägemise kontroll asendab keevisõmbluste pöörisvoolu- või ultrahelitesti?

V: Ei. AI-nägemine on pinna-kujutise meetod ega suuda tuvastada pinnaaluseid või mahuvigu. Pöörisvoolutestid jäävad juhtivate materjalide pinna- ja pinnalähedaste pragude tuvastamise standardiks ning ultraheli testimine pinnaaluste vigade, seina paksuse ja sügavuse keevisõmbluse terviklikkuse osas. Need meetodid täiendavad AI-nägemust, mitte ei asenda sellega.

K: Kui täpsed on tehisintellekti defektide tuvastamise süsteemid tegelikus tootmises, mitte ainult uuringute võrdlusalused?

V. Avaldatud uuringute võrdlusnäitajad näitavad tavaliselt 95–99%+ täpsust, kuid need arvud pärinevad kureeritud andmekogumitest. Tegelik tootmistäpsus sõltub sellest, kui täpselt kasutatavad kaamerad, valgustus ja tootetingimused vastavad koolitusandmetele, ning tööstuslikule kasutuselevõtule spetsialiseerunud müüjad viitavad saavutatavale tootmistäpsusele vahemikus 95%+, kui süsteem on korralikult häälestatud konkreetsele reale -, mistõttu on valideeritud pilootprogramm olulisem kui üksi etalonnumber.

K: Millised andmed peavad tootjal olema enne tehisintellekti kontrolliprojekti alustamist?

V: Esinduslik, täpselt märgistatud kujutiste kogum, mis katab liinil tegelikult toodetud defektitüüpe, ideaaljuhul, mis sisaldab näiteid haruldastest defektitüüpidest, mitte ainult levinud defektidest, ja pilte, mis on jäädvustatud realistlikes tootmistingimustes (mitte ainult puhtad laboriproovid), et mudel õpiks toime tulema vibratsiooni, valgustuse ja müraga, mida ta tegelikult töö käigus näeb.

AI-põhine defektide tuvastamine on liikunud akadeemilisest uurimistööst praktilise ja kasutuselevõetava tööriistani roostevabast terasest pinnakvaliteedi kontrollimiseks. CNN-i ja Vision Transformeri mudelid näitavad nüüd standardsete võrdlusnäitajate täpsust vahemikus 95–99%+ ja töötavad piisavalt kiiresti, et kontrollida liikuvat joont reaalajas. See käsitleb otseselt asendatavate meetodite kahte nõrkust: iniminspektori väsimust ja ebajärjekindlust ning lihtsa läve{5}}põhise masinnägemise kõrget valepositiivsuse määra.

See ei asenda NDT-meetodeid - värvi läbitungimise, pöörisvoolu ja ultraheli testimise -, mis tuvastavad pinna- ja mahuvigu, mida tehisintellekt ei näe, ega asenda kehtivat materjalistandardit ASTM A480 kui vastuvõtmiskriteeriumide viimast sõna. Tootjad, kes saavad sellest tehnoloogiast kõige rohkem kasu, kohtlevad seda kui ühte hästi{4}}integreeritud kihti laiemas kvaliteedisüsteemis, mis on kinnitatud tegelike tootmisandmete põhjal, selle asemel, et käsitsi kontrollimise hulgimüügi jaoks välja vahetada üksainus tehnoloogia.