Anomali tespiti nedir, üretimde neden gerekir?
Anomali tespiti, beklenen düzenden farklı örnekleri bulma işidir. Görsel kalite kontrolde yalnızca kabul edilmiş parça görüntüleriyle kurulan model, normal görünümü öğrenir ve yeni görüntüye farklılık puanı verir. Her kusurun adını veya nedenini bilmesi gerekmez. Kusurlar nadirse, biçimleri değişiyorsa veya henüz güvenilir kusur etiketi yoksa bu yaklaşım bir inceleme kanalı kurmanıza yardımcı olabilir.
Yüksek anomali puanı kusuru kanıtlamaz. Işık, kamera açısı, yüzey kaplaması, ürün revizyonu ve zararsız renk farkı da eğitim görüntülerinden uzaklaşabilir. İstasyonda asıl soru, müdahale gerektiren kusurun bu değişkenlikten ayrılıp ayrılamadığıdır. Model normalden farklı olanı bulur; kalite kuralı ise hangi farkın kabul edilemez olduğunu belirler. Bu iki kararın aynı olduğunu varsaymayın.
PatchCore makalesi, normal görüntülerden çıkarılan bölgesel özelliklerle bir bellek bankası kuran yaklaşımı anlatır. PaDiM makalesi ise önceden eğitilmiş bir ağın bölgesel özellikleri için normal dağılımları modeller. İkisi de anomali tespiti ve konumlama için araştırma örnekleridir. Hangi yöntemin sizin kameranızda işe yaradığı, ayrılmış üretim verisindeki testle belirlenmelidir; yayımlanmış başarı oranı tesise doğrudan taşınamaz.
Yalnızca normal veriyle değerlendirme nasıl tasarlanır?
Kusur etiketi olmadan eğitim yapmak, değerlendirmeyi de kanıtsız bırakmak anlamına gelmez. Normal örnekler yanlış uyarıyı ölçer. Gerçek kusurları kaçırma oranını ölçmek için uzman tarafından doğrulanmış kusur örnekleri gerekir. Bunları eğitime katmadan ayrı testte kullanabilirsiniz. Hiç kusur örneğiniz yoksa pilotun iddiasını inceleme yükü ve normal değişkenliğe dayanıklılıkla sınırlayın.
| Veri grubu | Kullanım | Koruma kuralı |
|---|---|---|
| Eğitimde normal parçalar | Normal görünümü öğrenme | Kabulü doğrulanmış örnekler |
| Doğrulamada normal parçalar | İlk uyarı eşiği | Eğitimden farklı fiziksel parçalar |
| Ayrılmış normal test | Yanlış uyarı ölçümü | Sonraki parti ve vardiyalar |
| Doğrulanmış kusur testi | Kaçan kusur ölçümü | Eşiği burada ayarlamayın |
| Canlı normal örneklem | Yeni koşullarda veri kayması takibi | Otomatik yeniden eğitime eklemeyin |
Aynı parçanın ardışık karelerini ayrı gruplara dağıtmayın. Ürün varyantını ve kamera düzenini gruplara nasıl paylaştırdığınızı kaydedin. Eğitimde hiç görülmemiş bir kamera için test yapabilirsiniz; sonuçlarını mevcut kameralarla karıştırmadan yeni düzenin performansı olarak raporlayın.
Normal görüntü kümesini adım adım kurun
Farklı vardiya, makine, tedarikçi ve ürün varyantlarından kabul edilmiş parçalar toplayın. Normal, yalnızca katalogdaki kusursuz görünüm değildir; üretimin kabul ettiği yüzey ve renk değişkenliğini de kapsar. Parçaların gerçekten kabul edildiğini kalite kaydı veya uzman incelemesiyle doğrulayın. Şüpheli örneği belgelenmiş kararla çıkarın; yüksek model puanı tek başına veriyi temizleme gerekçesi olmasın.
Her görüntüyle parça kimliği, parti, kamera, çekim zamanı, ürün revizyonu, aydınlatma ayarı ve inceleme kararını saklayın. Normal kümeye karışmış kusurlu parçanın nereden geldiğini veya yanlış uyarının hangi koşulda çoğaldığını bu alanlarla araştırabilirsiniz. Bulanık, eksik veya yanlış parçaya ait görüntüleri ayrıca işaretleyin. Modelin bu görüntüleri normal kabul etmesini beklemek yerine görüntü kalitesi denetimini ayrı adım olarak kurun.
Parçanın görünür bölgesini ve hizalama kuralını belirleyin. Değişen arka plan veya tepsi kenarı karar için gereksizse kırpımda dışarıda bırakın. Fakat kusurun oluşabileceği kenarı kırparak sistemden gizlemeyin. Kamera ve aydınlatmayı sabitlemek, puan dağılımını yorumlamayı kolaylaştırır; üründeki gerçek değişkenliği ortadan kaldırmak için görüntüyü aşırı düzeltmeyin.
MVTec AD 2 veri kümesi, normal eğitim ve doğrulama görüntüleri yanında farklı ışık koşullarında normal ve anomalili test görüntüleri sunar. Bu düzen, yalnızca eğitim koşullarını tekrar eden bir testin yetersizliğini gösteren yararlı bir referanstır. Kendi testinize vardiya, yansıma ve çalışma koşulu farklarını ekleyin. Veri kümesindeki sonuçları kendi ürününüzün kabul belgesi gibi kullanmayın.
Uyarı eşiğini ve inceleme yolunu belirleyin
İlk eşiği normal doğrulama görüntülerinin puan dağılımıyla seçin. Örneğin bu kümede kabul edilen yanlış uyarı düzeyine karşılık gelen bir eşik deneyebilirsiniz. Bu seçim, bilinmeyen kusurların yakalanacağını garanti etmez. Sonra eşiği dondurup bağımsız normal ve doğrulanmış kusur testinde ölçün. Kusur örnekleriyle eşik ayarlayacaksanız ayrı bir doğrulama grubu kullanın.
Görüntü puanı ile bölgesel anomali haritasını ayırın. Harita operatöre şüpheli yeri gösterebilir; fiziksel alanı veya ret sınırını doğrulanmış biçimde ölçtüğü varsayılmamalıdır. Yüksek puanlı görüntüde operatöre özgün görüntüyü, işaretlenen bölgeyi ve ilgili kabul kuralını gösterin. Karar seçenekleri kabul, ret ve belirsiz olabilir. İncelemenin nedenini kaydedin; yalnızca onay düğmesine basılması veri üretmek için yeterli değildir.
Model sürümünü, puan hesaplama biçimini, eşiği ve onay tarihini kayıt altına alın. Farklı sürümlerin puan ölçekleri aynı olmayabilir; eski eşiği yeni modele otomatik taşımayın. Kritik kusur kaçırmanın maliyeti yüksekse yeterli kanıt birikene kadar sistemi mevcut kontrolün yanında çalıştırın. Otomatik ret için model doğruluğu kadar parça kimliği ve hat zamanlaması da doğrulanmalıdır.
Varsayımsal örnek: metal gövde denetimi
Aşağıdaki sayılar örnek hesap için varsayımsaldır. Üstten tek kamerayla incelenen metal gövdeler için 2.000 normal eğitim görüntüsü ve başka parçalardan 500 normal doğrulama görüntüsü bulunsun. Daha sonraki partilerden 1.000 normal görüntü ile 40 doğrulanmış çizik veya göçük ayrı testte tutulsun. Kusur görüntüleri model eğitimine hiç katılmasın.
Dondurulmuş eşikte 1.000 sağlam parçadan 20'si uyarı, 40 kusurlu parçadan 36'sı uyarı üretsin. Normal testte yanlış uyarı oranı %2; eldeki kusur testinde yakalama oranı %90 ve kaçan kusur sayısı 4'tür. Bu oranlar aynı kusur türlerinin temsil edildiği sınırlı örnekleme aittir; yeni kusurları kapsadığı sonucu çıkarılamaz.
Vardiyada 10.000 normal parça işlendiğini ve aynı yanlış uyarı oranının sürdüğünü varsayarsak yaklaşık 200 yanlış inceleme oluşur. İnceleme 20 saniye sürüyorsa bu yaklaşık 67 dakika eder; gerçek kusur incelemeleri ayrıca eklenir. Gece vardiyası yansımaları bu uyarıların çoğunu oluşturuyorsa önce aydınlatmayı araştırın. Eşiği yükseltmek yükü azaltabilir; kaçan kusuru da artırabileceğinden yeni seçimi ayrı doğrulama ve testle değerlendirin.
Test planı ve canlı izleme
AUROC gibi tek bir eğri puanı yerine, sahada kullanacağınız eşikteki sonuçları raporlayın. Yanlış uyarı paydasını normal parça sayısı, kusur yakalama paydasını doğrulanmış kusur sayısı olarak açıkça yazın. Az sayıda kusurda tek bir örnek oranı çok değiştirir; sayıların kendisini raporda tutun.
- Bağımsızlık: Parça ve parti kimlikleriyle eğitim, doğrulama ve test ayrımını denetleyin.
- Zor koşullar: Kamera, vardiya, ürün varyantı ve küçük kusur dilimlerini ayrı ölçün.
- İş yükü: Bin normal parça başına yanlış uyarıyı ve vardiya başına inceleme süresini hesaplayın.
- Kaçışlar: Kusur türüne göre kaçırılan örnekleri gösterin; örneği olmayan türler için başarı iddiası yazmayın.
- Güvenli çalışma: Eksik görüntü, gecikme ve bulunamayan parça için inceleme yolunu test edin.
Kamera, ürün veya tedarikçi değiştiğinde kabul edilmiş görüntüler örnekleyin. Uyarı oranı ve puan dağılımındaki değişimi inceleyin. Yeni normalleri uzman kontrolü ve sürümlü yeniden eğitimle ekleyin; başarısız bir sistemi bütün yüksek puanlı görüntüleri normal sayarak düzeltmeyin.
Canlıda yalnızca uyarı veren parçaları incelemek kaçışları görünmez kılar. Düşük puanlı parçalardan da süreç sahibinin belirlediği örneklemi bağımsız kontrolden geçirin ve son kalite kararıyla eşleştirin. Böylece inceleme kuyruğuna hiç düşmeyen kusurlar için veri biriktirirsiniz. Ürün adedi değiştiğinde ham uyarı sayısını oranlarla birlikte okuyun; daha yoğun üretim, tek başına modelin bozulduğunu göstermez.
Sık yapılan hatalar
- Normalden farklı görünen her şeyi kusurlu saymak ve ret kuralını operatörden gizlemek.
- Test kümesinde eşik seçip aynı kümenin sonucunu bağımsız başarı diye sunmak.
- Kusur örneği yokken kusur yakalama oranı bildirmek veya yeni kusurlara garanti vermek.
- Yanlış uyarıyı yalnızca yüzdeyle raporlayıp vardiya başına insan emeğini hesaplamamak.
- Yüksek puanlı görüntüleri incelemeden normal veri havuzuna ekleyerek modeli yeniden eğitmek.
Hatson Tech bunu nasıl kuruyor?
Görüntü tanıma ve bilgisayarlı görü yazılımı geliştirme çalışmalarında normal veri kapsamını, inceleme kapasitesini ve bağımsız test koşullarını birlikte belirliyoruz. Görüntü toplama için üretimde görüntü işleme ve kalite kontrol rehberimiz, ret kararı alan ölçüsüne bağlıysa segmentasyon ve nesne tespiti seçim yazımız yardımcı olur. Başlangıç pilotunu, hangi farkın operatöre gideceğini ve hangi kanıtla otomasyona geçilebileceğini açıkça belirleyerek kurun.