Üretimde Görüntü İşleme ile Kalite Kontrol: Mühendislik Gerçeği

Görüntü ve Fikstür, Ortada Model Yokken Projeyi Belirler

Başarısız olan kalite kontrol görüntü işleme (bilgisayarlı görü) projelerinin çoğu, daha tek bir görüntü etiketlenmeden kaybedilmiştir. Kusur, görüntüde güvenilir biçimde görünür değildir ve hiçbir model mimarisi sensörün hiç yakalamadığı bilgiyi geri getiremez. Bu, işin en gösterişsiz ve sonucu belirleyen kısmıdır. Fırçalanmış metal yüzeydeki bir çizik dağınık aydınlatma altında görünmez, sıyırma açılı karanlık alan aydınlatmasında ise apaçıktır. Sac bir panel üzerindeki göçük düz bir görüntüde kaybolur, deflektometri düzeneğinde ya da yapılandırılmış ışık deseninde anında ortaya çıkar. Aydınlatma seçimi bir tercih değil, ölçümün kendisidir; elde gerçek kusurlu parçalar varken, kimse eğitim betiği yazmadan önce yapılmalıdır.

Çözünürlük, yakalamak zorunda olduğunuz en küçük kusurdan türer ve aritmetiği tahtada yapılacak kadar basittir. Çalışma kuralımız, tespit edilmesi gereken en küçük özelliğin karşısına üç ila beş piksel düşürmektir. Şartname 0,3 mm'lik bir çatlağın yakalanmasını söylüyorsa, bu parça yüzeyinde kabaca milimetre başına 10 ila 17 piksel demektir ve belirli bir görüş alanı için sensör ile lens eşleşmesini sabitler. 100 mm genişliğindeki bir alanda 15 px/mm için yatayda yaklaşık 1.500 piksel gerekir; yani 2 ila 5 megapiksel bir sensör genellikle yeterlidir. Aynı kameradan 400 mm'yi kapsayıp yine 0,3 mm'yi ayırt etmesini istemek, kabul testinde sessizce çöken bir proje istemektir.

Alan derinliği ve hareket bulanıklığı, ekiplerin geç fark ettiği iki kısıttır. Alan derinliği kazanmak için diyaframı kısmak ışığa mal olur, ışık pozlama süresine, pozlama süresi de hareketli bir hatta keskinliğe mal olur. Saniyede 0,5 metre hızla ilerleyen bir parça, 1 ms'lik pozlamada 0,5 mm bulanıklaşır; bu da görmeye çalıştığınız kusurdan büyüktür. Dolayısıyla ya pozlama düşer ve aydınlatma artar ya da parça durdurulur. Tetikleme de deterministik olmalıdır: fotoelektrik sensör veya enkoder darbesi, asla yazılım zamanlayıcısı değil; çünkü tetikleme zamanlamasındaki 20 ms'lik bir sapma, ilgilendiğiniz bölgeyi görüş alanının tamamen dışına taşımaya yeter.

Yukarıdakilerin hepsini tekrarlanabilir kılan şey fikstürdür. Parça çevrimler arasında 15 derece dönebiliyor ya da lense 8 mm daha yakın durabiliyorsa, eğitim kümeniz kusuru değil parça duruşunu modelliyor demektir ve bunu telafi etmek için birkaç kat daha fazla veriye ihtiyacınız olur. Bir iki milimetrelik mekanik tekrarlanabilirlik, tutarlı bir arka plan ve ortam ışığı ile mevsimsel gün ışığını dışarıda bırakan bir kapak, herhangi bir model mimarisi değişikliğinden daha değerlidir. Buradaki tavsiyemiz açıktır: bir görüntü işleme projesinin ilk iki üç haftasını gerçek kusurlu parçalarla görüntüleme denemelerine ayırın ve bu kusurun kabul edilebilir bir maliyetle görüntülenemeyeceği sonucuna varmaya hazır olun.

Gerçekte Ne Kadar Etiketli Veri Gerekiyor?

Her alıcının ilk sorduğu soru kaç görüntü gerektiğidir ve dürüst cevap, sayının bir kestirme kuraldan değil kusur değişkenliğinden belirlendiğidir. Her zaman aynı yerde, aynı ölçekte ve aynı görünümde çıkan bir kusur — fikstürlenmiş bir montajdaki eksik perçin — neredeyse deterministik bir örüntüdür ve birkaç yüz örnekten öğrenilebilir. Üç farklı malzeme tedarikçisi arasında boyutu, kontrastı, yönü ve arka plan dokusu değişen kozmetik bir kusur ise tek bir etiket altına gizlenmiş birkaç ayrı problemdir ve her varyantın kendi kapsamına ihtiyacı vardır. Parçaları görmeden tek bir sayı vermek, entegratörlerin üçüncü ayda kapsamı yeniden pazarlık etmesinin yoludur.

Yine de tipik olarak gördüğümüz aralıkları, bu çekince eklenmiş hâlde söylemeye değer. İyi fikstürlenmiş bir istasyonda düşük değişkenlikli kusurlar: sınıf başına kabaca 150 ila 500 etiketli örnek, artı birkaç bin sağlam ürün görüntüsü. Tek bir yüzey kaplamasındaki çizikler gibi orta değişkenlik: sınıf başına 800 ila 2.000. Tedarikçi, parti ve kaplama boyunca değişen yüksek değişkenlikli kozmetik kusurlar: 3.000 ila 10.000 ve bu noktada proje çoğu zaman bir sınıflandırıcı yerine bir anomali modeliyle daha iyi hizmet görür. Sağlam ürün toplamak ucuzdur ve gerekli hissettirdiğinden çok daha fazlasını toplamalısınız; çünkü modelin öğrendiği sınırı asıl tanımlayan şey sağlam ürün dağılımıdır.

Toplama stratejisi ham hacimden daha önemlidir. Tek bir makinede tek bir vardiyadan alınan bin görüntü, dört haftaya, iki vardiyaya, üç malzeme partisine ve iki kameraya yayılmış üç yüz görüntüden daha dar bir veri kümesidir; çünkü ikinci küme modelin gerçekten karşılaşacağı değişkenliği içerir. Kusurlu parçaları fiziksel olarak saklayın; kabul testinde ve her yeniden eğitimden sonra tekrar ihtiyacınız olacak. Her görüntünün yanına üst veriyi de kaydedin — istasyon, parti, vardiya, zaman damgası, operatör kararı — çünkü altı ay sonra bir arızayı tahmin yürüterek değil bu sayede teşhis edersiniz. Veri kümesini modellemeye uygun hâle getirme disiplini veri hazırlığı yazısında ele alınıyor.

Nadir Kusur Problemi ve Doğruluk Oranının Neden Anlamsız Olduğu

Olgunlaşmış bir üretim hattında gerçek kusur oranı genellikle %0,1 ile %2 arasındadır, bazı proseslerde ise milyonda parça ile ölçülür. Bu tek gerçek, çoğu kişinin ilk başvurduğu metriği geçersiz kılar. Her 500 parçadan biri kusurluysa, her parça için sağlam diyen bir model %99,8 doğruluk elde eder ve tamamen işe yaramazdır. Doğruluk oranı çoğunluk sınıfının egemenliğindedir ve önem taşıyan tek karar hakkında hiçbir şey söylemez. %0,5 kusur oranı olan bir hatta tedarikçinin %99,6 doğruluk sunduğu değerlendirme toplantılarında bulunduk; bu sayı sistemin hiçbir şey yakalamamış olmasıyla da tutarlıdır ve toplantıdan önce odada kimse bu aritmetiği yapmamıştı.

Bilgi taşıyan metrikler, sabit kesinlikte duyarlılık ve sabit duyarlılıkta kesinliktir. Çalışma noktasını açıkça yazın: çatlaklarda %95 duyarlılıkta kesinlik %62'dir, yani yakalanan her gerçek kusur için yaklaşık 1,6 sağlam parçayı reddediyoruz. Bu cümle denetlenebilir ve bir kalite müdürü ona göre karar alabilir. Karışıklık matrisini yüzde olarak değil vardiya başına mutlak sayılarla raporlayın; çünkü haftada dört kaçak ve vardiyada otuz hatalı ret, fabrikanın yürütebileceği bir konuşmadır, 0,74'lük bir F1 skoru değildir. Sayıların dayandığı örneklem büyüklüğünü de yazın: on bir kusurlu örnekten hesaplanmış bir duyarlılık değeri, ondalık basamak takmış gürültüdür. Aynı tabloyu kusur sınıfı bazında da verin; toplam duyarlılık, nadir ama pahalı tek bir sınıftaki tam başarısızlığı rahatlıkla gizler.

Nadir kusur projeleri sessizce doğrulama kümesi tasarımında bozulur. Aynı fiziksel parçaya ait birden fazla görüntü içeren bir veri kümesini rastgele bölmek, cevabı bölünme boyunca sızdırır ve raporlanan skor hayale dönüşür. Parçaya, partiye ve mümkünse zamana göre bölün: ilk altı haftada eğitin, sonraki iki haftada doğrulayın. Eğitime hiç girmeyen, ayrı tutulmuş fiziksel kusurlu parçalardan bir küme saklayın ve bunları kabul testinde ve her yeniden eğitimden sonra kurulu sistemden geçirin. Kusur sayınız on-yirmi bandındaysa çapraz doğrulama kullanın, bir güven aralığı raporlayın ve müşteriye aralığın geniş olduğunu ve aylarca geniş kalacağını dürüstçe söyleyin.

Hatalı Ret ile Kaçak Arasındaki Ekonomi: Eşiği Maliyetten Kurun

Her görüntü işleme sisteminin gerçekten önemli tek bir düğmesi vardır ve o da karar eşiğidir. Bir yöne çevirirseniz daha çok kusur yakalar, daha çok sağlam ürünü reddedersiniz; diğer yöne çevirirseniz tersi olur. Her iki hatadan da kaçınan bir ayar yoktur; dolayısıyla mantıklı tek seçim yöntemi ikisini fiyatlandırmaktır. Bir kaçak — müşteriye ulaşan kusur — iade, yeniden işleme, nakliye, iade faturası, düzeltici faaliyet raporu ve bir miktar ilişki hasarına mal olur. Bir hatalı ret ise hurdaya ayrılan ya da yeniden işlenen parçaya, onu yeniden kontrol eden operatör zamanına ve hat kapasitesinden bir dilime mal olur. Bunlar farklı sayılardır ve çoğu fabrikada ikisi de zaten bilinir.

Aritmetiği ima etmek yerine açıkça yapın. Diyelim ki bir parçanın üretim maliyeti 40 TL ve hurdaya ayrılan parça tam kayıp; buna karşılık iade süreci ve müşteri talebi sayıldığında bir kaçağın toplam maliyeti 2.500 TL. Maliyet oranı kabaca 60'a 1'dir; yani bir kaçağı önlemek için yaklaşık altmış hatalı reddi kabul etmeye razı olmalısınız ve bu, eşiği sert biçimde duyarlılığa doğru iter. Şimdi parçayı, kaçak maliyeti 3.000 TL olan 900 TL'lik işlenmiş bir döküm parçayla değiştirin; oran yaklaşık 3'e 1'e düşer ve aynı eşik savunulamaz hâle gelir. Eşik, tesadüfen bir yapılandırma dosyasında duran bir iş parametresidir ve onu modeli eğiten kişi değil kalite birimi onaylamalıdır.

F1 için eniyileme yapmanın yanlış bir varsayılan olmasının sebebi budur. F1, kesinlik ile duyarlılığı eşit ağırlıklandırır; bu da bir hatalı ret ile bir kaçağın aynı maliyette olduğu varsayımını kodlar ve bir üretim hattında bu neredeyse hiçbir zaman doğru değildir. Daha kötüsü, F1 optimumu fabrikanın pratikte kabul etmeyeceği bir noktada durabilir. Bir de insan eşiği vardır: sistem, operatörlerin kendi muhakemesinden gözle görülür biçimde daha fazla hatalı ret veriyorsa, operatörler kararı geçersiz kılmaya başlar ve bu rutinleştiğinde sistem, PLC hâlâ çalışıyor raporlasa bile fiilen kapanmıştır. Sürekli operatör geçersiz kılma oranını, çalışma süresiyle aynı panelde birincil sağlık metriği olarak izliyoruz.

Çıkış yolu çoğu zaman ikili kararı zorlamayı bırakmaktır. Üçlü bir çıktı — geçti, reddedildi, manuel incelemeye yönlendir — ret yolunda yüksek duyarlılıkla çalışmanıza izin verirken hurda oranını katlanılabilir tutar; yeter ki inceleme hattının gerçek kapasitesi olsun. O hattı sayılardan boyutlandırın: hat vardiyada 3.000 parça işliyorsa ve belirsiz bant %1,5'ini yakalıyorsa, bu bir kontrolörün bakacağı 45 parça demektir ve gerçekçidir. Bant %12'yi yakalıyorsa gerçekçi değildir; ya eşik hareket etmeli ya da görüntüleme iyileşmelidir. Belirsiz bandı iyi tasarlamak, genellikle iki puanlık ek model doğruluğundan daha değerlidir ve elde etmesi çok daha ucuzdur.

Uçta mı Merkezde mi Çıkarım (edge vs central inference) ve Milisaniye Bütçesi

Bütçeyi çevrim süresi belirler ve bütçe insanların beklediğinden küçüktür. Dakikada 120 parça işleyen bir hat size parça başına 500 ms verir ve bunun tamamı modele kalmaz. Tetikleme gecikmesini, 5 ila 30 ms'lik pozlama ve sensör okumasını, görüntü aktarımını, varsa ön işlemeyi ve parça ret istasyonunu geçmeden önce PLC'nin iticiyi tetiklemesi için gereken süreyi düşün. Hızlı hatlarda tasarladığımız gerçekçi çıkarım penceresi 15 ila 60 ms, daha yavaş montaj istasyonlarında 200 ila 500 ms'dir. Model seçmeden önce bütün bütçeyi bir tablo hâlinde yazın; çünkü model seçimi bu tablonun girdisi değil sonucudur. Bütçeyi ortalamayla değil en kötü durumla kurun: hattı durduran şey ortalama gecikme değil, vardiyada birkaç kez yaşanan tepe gecikmedir.

Merkezi bir GPU'yu genellikle bu bütçe eler. Aynı fabrikadaki bir sunucuya gidiş dönüş, sağlıklı bir endüstriyel ağda 2 ila 10 ms'ye mal olur ve üzerinden 5 megapiksellik bir görüntü geçtiğinde belirgin biçimde artar; bir bulut bölgesine gidiş dönüş ise model hiçbir iş yapmadan önce 20 ila 80 ms ekler. Buna ağ dalgalanmasını, yük altındaki bir anahtarı veya bir ağ cihazının yazılım güncellemesini ekleyin; testte bütçesini rahatça karşılayan sistem salı öğleden sonra parça düşürmeye başlar. Dakikada kabaca 30 parçanın üzerindeki her şey için varsayılanımız, çıkarımı hatta, kameranın yanındaki bir endüstriyel PC'de ya da gömülü hızlandırıcıda yapmaktır.

Uçta çıkarımın kendi bedeli vardır ve bunu dürüstçe fiyatlamak gerekir. Modellerin hedef hızlandırıcı için nicelenmesi ve derlenmesi gerekir; bu, sayısal davranışı bir miktar değiştirir ve eğitim kontrol noktasını değil dağıtılan çıktıyı doğrulamanız gerektiği anlamına gelir. Güncellemeler hattı durdurmayan bir yayılım mekanizması ister ve artık onlarca cihazlık bir filo yönetiminiz vardır. Dağıtılabilir görüntü modelleri üreten aynı sıkıştırma mantığı, küçük modelleri uçta genel olarak uygulanabilir kılan mantıktır; küçük dil modelleri yazısında ele alınıyor. Görüntüler sözleşme ya da mevzuat gereği fabrikadan hiç çıkamıyorsa, seçim bir eniyilemeden çıkıp mimari kısıt hâline gelir; bu da kurum içi ve egemen yapay zeka yazısının konusudur.

Model Kayması (drift): Model Sabitken Hat Değişir

Bir görüntü işleme modeli, yerinde durmayacak bir prosese doğrultulmuş sabit bir fonksiyondur. Ham malzemenin tedarikçisi değişir ve yüzey kaplaması onunla birlikte kayar. Yeni bir malzeme partisinin yansıtıcılığı biraz farklıdır. LED aydınlatıcılar binlerce saat içinde ışık çıkışını yitirir, dolayısıyla ortalama görüntü parlaklığı bir yıl boyunca aşağı kayar. Kamera camında soğutma sıvısı buğusundan bir film birikir. Yaz aylarında biri kepenk kapısını açar ve gün ışığı istasyona ulaşır. Bir bakım teknisyeni lensi değiştirip odağı gözle ayarlar. Bu olayların hiçbiri kodunuzun tek satırını değiştirmez ve hepsi girdilerinizi değiştirir; martta kabul testini geçen bir modelin eylülde sessizce güvenilmez olmasının sebebi budur.

Model kayması izlemek derin bir altyapı gerektirmez ama birinin gerçekten bakmasını gerektirir. Üç sinyal işin çoğunu kapsar. Birincisi, istasyon ve vardiya bazında kontrol grafiğine işlenen ret oranı; çünkü ret oranındaki basamak değişimi neredeyse her zaman gerçek bir kalite olayı değil bir proses veya görüntüleme değişimidir. İkincisi, model güven skorlarının dağılımı; merkezini kaydıran ya da ikinci bir tepe geliştiren bir dağılım, girdi popülasyonunun değiştiğini söylüyordur. Üçüncüsü, sade görüntü istatistikleri — istasyon başına ortalama parlaklık, kontrast ve bir odak ölçüsü — ki bunlar lamba yaşlanmasını ve kirli camı modelin kendi çıktılarından çok önce yakalar.

En ucuz kontrol altın numune çalışmasıdır. Bir kısmı sağlam, bir kısmı bilinen kusurlara sahip on ila yirmi fiziksel parçadan oluşan bir set tutun ve bunları sabit bir programla istasyondan geçirin — kritik bir hatta vardiyada bir kez, diğerlerinde haftalık — skorları kaydederek. Bilinen bir kusurdaki skor, kararlaştırılan marjın üzerinde kaydığında, herhangi bir müşteri şikâyetinden haftalar önce gelen bir sinyaliniz olur. Yeniden eğitimi acil durum değil bir ritim olarak planlayın: yılda iki ila dört kez tipiktir ve parti ile tedarikçi değişimlerine bağlanır. Kurulu bir modeli izlemenin genel pratiği gözlemlenebilirlik ve değerlendirme yazısında ele alınıyor.

Etiketleme Operasyonu ve Etiketleyiciler Arası Uyuşmazlık

Hiçbir model etiketlerinden daha tutarlı olamaz ve sınırdaki kozmetik kusurlarda insan etiketleri herkesin beklediğinden belirgin biçimde daha tutarsızdır. Aynı fabrikadan iki deneyimli kontrolöre aynı elli sınır görüntüyü verin; yüzde 70 ila 85 bandında bir uyum normaldir, kabul sınırına yakın çizik şiddetinde bunun daha düşüğünü de gördük. Bu uyuşmazlık dikkatsizlik değildir. Görünür çizik olmayacak diyen ama görünürü hangi aydınlatmada, hangi mesafeden, hangi uzunlukta tanımlamayan bir şartnameyi yansıtır. Model bu belirsizliği miras alır ve sonra kabul testinde bunun suçlusu ilan edilir; çünkü hataları tam olarak iki kontrolörün birbiriyle anlaşamadığı yerde kümelenir. Bu yüzden kabul testine girmeden önce, kontrolörler arası uyumu ölçüp raporlamak hem adil hem de sizi koruyan bir adımdır.

Çözüm, etiketleme başlamadan önce hazırlanan ve görüntü işleme ekibinin değil kalite biriminin sahiplendiği, resimli yazılı bir kusur standardıdır. Her kusur sınıfı için bir tanım, varsa ölçülebilir bir eşik — 2 mm üzeri uzunluk, 0,1 mm üzeri derinlik, 3 milimetrekare üzeri alan — ve bir sınır galerisi taşımalıdır: kabul edilebilir beş görüntü ve edilemez beş görüntü, bariz olanlardan değil en zor vakalardan seçilmiş. Sonra uyumu ölçün. İki etiketleyiciye 200 ila 300 görüntülük örtüşen bir örneklemi bağımsız olarak etiketletin ve sınıf başına uyumu hesaplayın. Kabaca yüzde 80'in altında kalan sınıfların üzerine daha fazla eğitim verisi atılmamalı, standardı yeniden yazılmalıdır.

Etiketlemeyi, birinin vardiya aralarında sıkıştırdığı bir iş olarak değil; kuyruğu, hakemlik yolu ve denetim örneklemi olan bir operasyon olarak yürütün. Uyuşmazlıklar, kararı standardı güncelleyen adı belli bir hakeme gider; böylece standart, külliyat büyüdükçe taşlaşmak yerine iyileşir. Eforu dürüstçe bütçeleyin: etiketleyici eğitildikten sonra basit bir kusurun sınırlayıcı kutuyla etiketlenmesi görüntü başına yaklaşık 10 ila 30 saniye sürer; yayvan kozmetik bir kusurun piksel düzeyinde bölütlenmesi ise 2 ila 5 dakika alabilir. Dolayısıyla 5.000 görüntülük bir bölütleme kümesi birkaç haftalık iştir ve ilk görüntü işleme projesinde genellikle en büyük tek kalemdir. Bu kalemi teklif aşamasında görünür kılın; sonradan çıkan etiketleme eforu, projelerin takvimini en sık kaydıran sebeptir.

Neredeyse Hiç Kusur Örneğiniz Yokken Anomali Tespiti

Yeni bir hatta ya da kusurların gerçekten nadir olduğu kadar iyi bir proseste, elinizde binlerce sağlam parça ve on bir kusurlu parça olabilir. Bu sayılarla denetimli sınıflandırma mümkün değildir ve örnek biriktirmek için bir yıl beklemek kimsenin fonlayacağı bir plan değildir. Anomali tespiti problemi tersine çevirir: yalnızca sağlam ürünle eğitin, normalin neye benzediğini öğrenin ve ondan sapmayı işaretleyin. Pratikte bu, sağlam parçalardan alınan görüntü yamalarının embedding'i ve bu referansa karşı bir mesafe ya da yoğunluk ölçüsü demektir; size hem bir skor hem de sapmanın nerede olduğunu gösteren bir ısı haritası verir. Bir yıllık kusur toplama sonrasında değil, haftalar içinde kullanılabilir bir sistemi fabrikaya sokar.

Sınırlar gerçektir ve bunları kabul testinde değil en başta söylemelisiniz. Anomali modelleri bir şeyin olağandışı olduğunu tespit eder, ne olduğunu değil; dolayısıyla sınıflandırma ve karar hâlâ bir insana ya da sonraki bir denetimli aşamaya ihtiyaç duyar. Daha önce anlatılan değişkenliğe tam olarak duyarlıdırlar: fikstürlenmemiş bir parça, yeni bir malzeme partisi ya da kirli bir lens anomali olarak okunur ve normal kümesi yeterince genişletilmeden önceki ilk haftalarda yüzde 3 ila 10 arası hatalı ret oranları olağandır. Normal değişkenliğe yapısal olarak benzeyen kusurları da kaçırırlar; ince ve düzgün bir renk sapmasının kötü bir eşleşme olmasının sebebi budur. Proses meşru biçimde her değiştiğinde normal modelini yeniden eğitmeyi bekleyin.

Pragmatik desen aşamalıdır. Önce anomali tespitini devreye alın, onu operatörlerin sonradan doğruladığı ya da reddettiği aday kusurları toplamak için kullanın ve denetimli bir modelin er geç ihtiyaç duyacağı etiketli kümeyi onun kurmasına izin verin. Üç ila altı ay sonra, hurdanızın büyük kısmını oluşturan iki üç kusur sınıfı için genellikle yeterli doğrulanmış örneğe sahip olursunuz ve bunları bir sınıflandırıcıya taşırken anomali modeli uzun kuyruğu yakalamayı sürdürür. Görsel-dil modelleri, olağandışı bir bölgeyi muayene raporu için kelimelerle tarif etmekte de kullanışlı hâle geliyor; bu yetenek çok modlu yapay zeka yazısında ele alınıyor, gerçi bugün böyle bir modeli ret kararı yoluna koymayız.

PLC ve MES Entegrasyonu: Ret Anında Ne Oluyor?

Skor üreten model belki sistemin üçte biridir. Projeler gerçeklikle sonrasında karşılaşır. Karar, çevrim içinde, deterministik bir endüstriyel protokol üzerinden, açık bir zaman aşımı ve karar geciktiğinde tanımlı bir davranışla PLC'ye ulaşmak zorundadır. Gecikmenin ne anlama geldiğine devreye almadan önce karar verin: çoğu hatta eksik bir karar parçayı geçirmeli ve alarm üretmelidir; çünkü bir ağ kesintisinde hattı durdurmak, kontrol edilmemiş tek bir parçadan çok daha pahalı bir arızadır. Güvenlikle ilgili karakteristiklerde ise varsayılan bunun tersi olmalıdır. Bu kuralı yazın ve fabrikaya imzalatın; çünkü ilk ay içinde mutlaka denenecektir. Aynı belgeye, sistem tamamen devre dışı kaldığında hattın nasıl çalışmaya devam edeceğini de yazın; bu senaryo her kurulumda en az bir kez yaşanır.

İzlenebilirlik, izin verirseniz son haftada ortaya çıkan sessiz gerekliliktir. Sistem her parça için tanımlayıcıyı, zaman damgasını, istasyonu, kararı, skoru, yürürlükteki eşiği, model sürümünü ve saklanan görüntüye bir referansı kaydetmeli ve sonucu iş emri üzerinden MES'e iletmelidir. Depolama tasarımını iki soru belirler: görüntülerin ne kadar saklanması gerektiği — sağlam parçalar için yaygın olarak 30 ila 180 gün, retler için kalıcı — ve bir denetçinin ya da müşterinin sizden belirli bir kararı yeniden üretmenizi isteyip istemeyeceği. İsteyecekse, model sürümü ve eşik yalnızca kurulum başına değil parça başına geri getirilebilir olmalıdır. Depolama maliyetini de baştan hesaplayın; vardiyada birkaç bin görüntü, bir yılda kolayca terabaytlarla ifade edilen bir arşive dönüşür.

Sonra rutin olarak en son tasarlanan ve aslında en önce tasarlanması gereken insan yolu gelir. Bir operatörün kararı geçersiz kılabilmesi için tanımlı bir yol olmalı, bu işlem bir gerekçe koduyla kayda alınmalı ve geçersiz kılma oranı bir panelde görünür olmalıdır; çünkü sistemin hattın güvenini kaybettiğinin en erken göstergesi budur. Belirsiz parçaların veritabanında bir bayrak değil fiziksel bir hedefi olmalıdır — bir inceleme hattı, işaretli bir kutu. Otomasyonu da kapsam içinde tutun: bir görüntü işleme sonucu, kaliteyi bilgilendirmek ya da bir uygunsuzluk kaydı açmak gibi alt akışları tetikleyebilir ve bu tür otomasyonun operasyonel uyarıları üretim ortamında yapay zeka ajanları yazısının konusudur.

Bir Görüntü İşleme Pilotunu Nasıl Yürütüyoruz?

İlk görüntü işleme projesini tek bir istasyona, tek bir parça ailesine ve iki üç kusur sınıfına daraltırız ve genişletme girişimlerinin hepsine direniriz. Sebep temkinlilik değil ölçülebilirliktir: tek istasyon size bir referans ret oranı, bilinen bir kaçak geçmişi ve düzgün eğitilebilecek kadar küçük bir operatör grubu verir; böylece sonunda işin çalışıp çalışmadığına dair tartışmasız bir cevap olur. Tipik bir takvim, iki üç hafta görüntüleme denemesi ve fikstür tasarımı, model çalışmasıyla paralel yürüyen dört ila altı hafta veri toplama ve etiketleme, ve sistemin herhangi bir şey üzerinde karar almasına izin verilmeden önce iki ila dört hafta gölge çalışmadır.

Gölge mod bizim sıralamamızda pazarlık konusu değildir. Sistem her parçayı skorlar ve bir karar kaydeder, bu sırada mevcut muayene gerçek kararı vermeye devam eder; bu, gerçek üretim üzerinde doğrudan bir karşılaştırma verir ve daha da önemlisi uyuşmazlıkları kusur standardına karşı hakemliğe açar. Kabul kriterleri bu faz başlamadan önce anlaşılır ve bir metrik olarak değil bir çalışma noktası olarak yazılır: ayrı tutulmuş fiziksel kusur kümesinde belirtilen kesinlikte duyarlılık, hattın soğurmaya razı olduğu bir hatalı ret oranı, milisaniye cinsinden uçtan uca bir gecikme tavanı ve zaman aşımında tanımlı bir davranış. Gölge modda ölçülemeyen bir kriter, kriter değildir.

Ayrıca makul sıklıkta hayır deriz ve bunu erken söylemeyi tercih ederiz. Kusur kabul edilebilir bir maliyetle tekrarlanabilir biçimde görüntülenemiyorsa, şartname özneldir ve kalite birimi bir kusur standardı yazmaya istekli değilse ya da hattın gerçek kusur oranı bir yıllık toplamanın sonunda bile size yirmi örnek bırakacak kadar düşükse, dört ay sonra kapatılacak bir sistem teslim etmektense bunu görüntüleme denemesinin sonunda raporlamayı tercih ederiz. Baktığımız taleplerin kayda değer bir kısmında birinci fazın doğru çıktısı, daha iyi bir fikstür ve yeniden yazılmış bir muayene standardıdır; model ikinci faza ertelenir. Bu, projeyi kaybetmek anlamına gelse bile, dört ay sonra kapatılan bir sistemden hem müşteri hem de biz daha kârlı çıkarız.

görüntü işleme mühendisliği işimizin çoğu modelin içinde değil etrafında durur: görüntüleme denemeleri, fikstür ve aydınlatma şartnamesi, etiketleme operasyonu ve arkasındaki standart, fabrikanın kendi maliyet rakamlarından eşik seçimi, uçta devreye alma ve güncelleme mekanikleri, PLC ile MES entegrasyonu ve devir sonrası sistemi dürüst tutan model kayması izlemesi. Mekanik bir düzeltmenin, basit bir mastarın ya da daha iyi bir proses kontrol grafiğinin problemi herhangi bir modelden daha ucuza çözdüğü durumlarda da aynı açıklıkla konuşuruz. Görüntü işleme sistemi, garantiyle teslim edilen bir ürün değil, işletme maliyeti olan bakımlı bir varlıktır. Devir sırasında bu maliyeti yıllık bir rakam olarak yazıyoruz ki sistem, sahipsiz kalan bir yatırım hâline gelmesin.