Изкуствен интелект при инспекция на качеството на неръждаема стомана: Автоматизирано откриване на дефекти

Какво представлява базираното на AI{0}}откриване на дефекти?

Традиционната инспекция на повърхности от неръждаема стомана разчита на обучени човешки инспектори, понякога подпомагани от основно машинно зрение, което маркира всичко, което е по-ярко, по-тъмно или по-голямо от фиксирания праг на пикселите. И двата подхода имат добре-документирани граници: човешките инспектори се уморяват за 8- или 12-часова смяна и не могат да поддържат пълно внимание на всеки метър от движеща се бобина, докато простите прагови-базирани системи за зрение генерират голям брой фалшиви положителни резултати - източници от индустрията цитират 15–30% фалшиво положителни резултати - защото те не може да различи истински дефект от безобидна промяна на повърхността, като отражение, следа от преобръщане в рамките на толеранса или светлинен артефакт.

Откриването на дефекти с изкуствен интелект, най-често изградено върху конволюционни невронни мрежи (CNN) или по-нови архитектури на Vision Transformer (ViT), се обучава на хиляди до милиони етикетирани изображения, така че да научава визуалните характеристики, които отделят истинския дефект от нормалната вариация на повърхността. Веднъж обучен, моделът прави изводи върху изображения на камера на живо при скоростта на производствената линия, маркира и класифицира дефектите и може да предаде тази информация директно на системите за контрол на линията за-сортиране, маркиране или отхвърляне в реално време - без човек да трябва да преглежда всеки кадър.

Какви типове дефекти могат да открият AI системите върху повърхности от неръждаема стомана?

Категории дефекти, съставени от базата данни за повърхностни дефекти на NEU (стандартният академичен показател за класификация на дефектите на повърхността на стоманата) и публикувани ръководства за дефекти на производителя на неръждаема стомана. Критериите за приемане за всеки конкретен тип и тежест на дефекта трябва да се позовават на изискванията за повърхностно покритие на ASTM A480 и уреждащата поръчка за покупка.

Как всъщност работи производствена система за визуална инспекция с изкуствен интелект?

Осветяване и получаване на изображение

Постоянното, добре-контролирано осветление е предпоставка, а не закъснение. Отразяващата повърхност на неръждаемата стомана прави дизайна на осветлението наистина труден: неравномерното или не-равномерно осветление е една от най-често цитираните причини, поради които изображенията на стоманената повърхност са трудни за надеждно класифициране, заедно с вибрациите, замъгляването на движението и шума от мащаба на повърхността. Високоскоростните камери за-линейно-сканиране или зоново-сканиране улавят изображения на движещата се лента или лист, често от множество ъгли или с множество геометрии на осветление, за да уловят дефекти, които стават видими само при определени ъгли на отражение.

Предварителна обработка и модел на дълбоко обучение

Заснетите изображения се обработват предварително - преоразмерени, нормализирани, понякога филтрирани за намаляване на шума или коригиране за не-равномерно осветление - преди да бъдат предадени на обучения модел. Публикувано изследване показва, че тази стъпка на предварителна обработка сама по себе си може значително да подобри точността на класификацията в допълнение към дори добре-настроената архитектура на CNN. Самият модел изпълнява една или повече от три задачи: класификация (какъв тип дефект е това), локализация (къде на изображението се намира) и сегментиране (каква е точната граница на дефекта).

Слой за решение и интеграция на линия

Последният слой преобразува изхода на модела в действие: маркиране на местоположение на дефект за обработка надолу по веригата, задействане на автоматично отхвърляне, регистриране на типа и сериозността на дефекта в качествена база данни или при по-зрели внедрявания, подаване на данни за честотата на дефекта и моделите обратно в системите за контрол и поддръжка на процеси нагоре по веригата (все по-често срещана точка на интеграция с компютъризирани системи за управление на поддръжката или CMMS), така че моделите на повтарящи се дефекти могат да задействат поддръжка на оборудването, преди да причинят допълнителни загуби.

Кои архитектури за дълбоко обучение се използват за откриване на дефекти в стомана?

Цифрите са събрани от публикувани рецензирани -и проучвания за предпечат, използващи NEU и свързани набори от данни за повърхностни дефекти на стомана. Това са изследователски-резултати от бенчмарк, негарантирана производствена производителност - реалните внедрявания изискват валидиране спрямо конкретен продукт, настройка на камерата и популация от дефекти на въпросната линия.

Едно практическо предимство на съвременните олекотени CNN архитектури е скоростта на извод: няколко публикувани реализации работят с доста над 100 кадъра в секунда на един индустриален графичен процесор, което е достатъчно бързо, за да поддържа темпото с движеща се намотка или листова линия, без да се превръща в пречка в процеса.

Как се сравнява AI Vision с традиционните методи за неразрушаващ контрол като проникваща боя и тестване с вихрови токове?

Съставено от публикувана литература за NDT и машинно{0}}зрение. Изборът на метод трябва да следва приложимия стандарт за инспекция и конкретната форма на продукта (плосък-валцуван лист срещу заваръчен шев срещу тръба), вместо да се използва по подразбиране към всеки отделен метод.

Какви са ограниченията и предизвикателствата при внедряването на откриването на дефекти с изкуствен интелект?

Тежест от данни и етикетиране: един модел е толкова добър, колкото е добър наборът му за обучение и точното етикетиране на хиляди изображения на дефекти - особено редки или фини типове дефекти - е значителна предварителна инвестиция, преди системата да достигне производствен-клас на надеждност.

Дисбаланс на класа: някои типове дефекти (напукване на ръба на разцепване на намотка) се срещат много по-рядко в данните, отколкото рутинни (незначителни драскотини), които изследванията последователно идентифицират като основно предизвикателство при откриването на дефекти на стоманената повърхност, тъй като модел, обучен предимно на често срещани дефекти, може да-открие редки, но сериозни.

Вариативност на-изображението в реалния свят: вибрации, замъгляване на движението, непостоянно осветление и шум от повърхностния мащаб са специално отбелязани в литературата като фактори, които правят изображенията от реални{1}}производствени линии по-трудни за точно класифициране от чистите лабораторни сравнителни изображения.

Смяна на степен и продукт: модел, обучен на една продуктова форма, габарит или покритие, може да не се прехвърли чисто към друг без допълнителни данни за обучение или трансфер на обучение, така че поддръжката на модела е текуща програма, а не еднократно внедряване-.

Покритие-само на повърхността: както беше посочено по-горе, AI vision не може да види подповърхностни или обемни дефекти, така че не елиминира необходимостта от изпитване с пенетрант, вихрови токове или ултразвуково изпитване, когато тези видове дефекти представляват проблем.

Изискване за-в--цикъла: окончателно разпореждане спрямо спецификация на материала като ASTM A480 и преценка за гранични или нови дефекти, все още се възползват от обучен инженер по качеството, който преглежда маркираните резултати - особено през ранния период след внедряването.

Как трябва производителят да оцени възвръщаемостта на инвестициите, преди да приложи AI инспекция?

Цифрите за точност от научни статии са отправна точка, а не бизнес случай. Въпросите,-които са по-подходящи за вземане на решения, са: колко оплаквания или връщания на клиенти в момента са проследени до пропуснати повърхностни дефекти и какво би си струвало премахването на повечето от тях; колко инспекционен труд в момента е посветен на визуални повърхностни проверки и може ли този екип да бъде преразпределен към инженерна работа с по-високо-стойност; дали ръчната проверка в момента ограничава скоростта на линията и каква е стойността на този капацитет, ако бъде премахнат; и може ли класификацията на дефектите и данните за местоположението, генерирани от системата, да бъдат свързани с параметрите на процеса нагоре по веригата (състояние на ролка, настройки на линията за ецване, температурни профили), за да се намали процентът на дефектите при източника, вместо просто да се уловят по-бързо в края на линията.

Пилотна програма за една линия или продуктово семейство, сравнена със съществуващи резултати от ръчна инспекция за определен период, е най-надеждният начин за валидиране както на претенциите за точност, така и на допусканията за производителност и труд, преди да се ангажираме с пълно внедряване.

Често задавани въпроси

В: Може ли AI откриването на дефекти напълно да замени човешките инспектори по качеството?

О: Не съвсем. Системите с изкуствен интелект се справят с високо{1}}скоростно, пълно-покриващо повърхностно скрининг много по-последователно от уморените човешки инспектори, но окончателното разпореждане спрямо спецификацията на материала, преценката за гранични или нови дефекти и надзора на самия модел все още изискват обучен инженер по качеството. Повечето производствени внедрявания са човешки-в--цикъла, а не напълно автономни.

В: Какво представлява базата данни за повърхностни дефекти NEU и защо се появява толкова често в тази област?

О: Базата данни за повърхностни дефекти на NEU (Североизточния университет) е широко използван, обществено достъпен набор от етикетирани изображения на стоманени повърхности, обхващащи шест категории дефекти - напукване, включване, петна, назъбена повърхност, валцована-в мащаб и драскотини. Той се превърна в стандартен академичен еталон за обучение и сравняване на модели за откриване на дефекти на стоманена повърхност, поради което толкова много публикувани данни за точност го споменават.

В: Визуалната инспекция с изкуствен интелект замества ли вихровотоковото или ултразвуковото изпитване за заварки?

О: Не. Визията с изкуствен интелект е повърхностен-метод на изображението и не може да открие подповърхностни или обемни дефекти. Тестването с вихрови токове остава стандарт за бързо откриване на повърхностни и близки-повърхностни пукнатини върху проводими материали, а ултразвуковото изпитване остава стандарт за подповърхностни дефекти, дебелина на стената и цялост на заваръчните шевове в дълбочина. Тези методи допълват AI зрението, а не го заменят.

Въпрос: Колко точни са системите за откриване на дефекти с изкуствен интелект в реално производство, а не само в изследователски бенчмаркове?

О: Публикуваните бенчмаркове за изследване обикновено отчитат 95–99%+ точност, но тези цифри идват от подбрани набори от данни. Реалната производствена точност зависи от това доколко разгърнатата камера, осветлението и условията на продукта съответстват на данните за обучение, а доставчиците, специализирани в промишленото внедряване, посочват постижима производствена точност в диапазона от 95%+, след като системата е правилно настроена към конкретната линия -, поради което валидираната пилотна програма е по-важна от самото число за сравнение.

Въпрос: Какви данни трябва да има производителят, преди да започне проект за инспекция с изкуствен интелект?

О: Представителен, точно етикетиран набор от изображения, покриващ типовете дефекти, които линията действително произвежда, като в идеалния случай включва примери за редки типове дефекти, а не само често срещани, и изображения, заснети при реалистични производствени условия (не само чисти лабораторни проби), така че моделът да се научи да се справя с вибрациите, осветлението и шума, които действително ще види при работа.

Резюме

Базираното на AI{0}}откриване на дефекти се премести от академични изследвания в практичен инструмент за разгръщане за проверка на качеството на повърхността на неръждаема стомана, като моделите на CNN и Vision Transformer сега отчитат точност в диапазона 95–99%+ при стандартни показатели и работят достатъчно бързо, за да инспектират движеща се линия в реално време. Той адресира директно двете слабости на методите, които заменя: умората и непоследователността на човешкия инспектор и високите фалшиви-положителни нива на обикновеното прагово-базирано машинно зрение.

Това, което не прави, е да замени методите за NDT - пенетрант с багрило, вихров ток и ултразвуково изпитване -, които откриват подповърхностни и обемни дефекти, които AI визията не може да види, и не замества управляващия стандарт за материали, ASTM A480, като последна дума за критериите за приемане. Производителите, които извличат най-голяма стойност от тази технология, я третират като един добре-интегриран слой в по-широка система за качество, валидирана спрямо реални производствени данни, а не като единична технология, заменена за ръчна проверка на едро.