Görsel muayenede altın numune nedir?

Görsel muayenede altın numune nedir?

Altın numune, doğru bir parçanın nasıl göründüğünü tanımlayan referans standardıdır; böylece bir muayene sisteminin, gelen her parçayı karşılaştırabileceği bir dayanağı olur. Klasik görüntü işlemede altın numune çoğu zaman tek bir fiziksel usta parça ya da bir şablon görüntüdür; boyut, konum ve varlık için eşikleri belirlemede kullanılır. Referansla eşleşen parçalar geçer; referanstan fazla sapan parçalar işaretlenir.

Bu fikir eski ve işe yarardır: hatasız olduğu bilinen bir referansı sabitleyin, ardından ondan sapmayı ölçün. Yapay zeka muayenesiyle değişen şey, referansın gerçekte ne olduğudur. Bir anomali tespiti modeli için referans tek bir kusursuz parça değil, örnek görüntülerden öğrenilen hatasız olanın tüm aralığının bir tanımıdır. Bu kayma, yani tek bir usta parçadan bir altın görüntü kümesine geçiş, bu yazının konusudur.

Tek bir altın parça yapay zeka muayenesi için neden yeterli değildir?

Tek bir altın parça, hatasız bir parçanın kaplayabileceği normal aralığı değil, kusursuzluğu tanımlar. Gerçek üretim değişkenlik gösterir: döküm dokusu, yüzey bitişi, renk partisi, baskı konumu ve fikstürleme, hepsi tolerans içinde hareket eder ve bir parçayı kusurlu yapmaz. Tek bir tertemiz üründen kurulan bir referans, sisteme yalnızca o tam görünümün kabul edilebilir olduğunu, geri kalan her şeyin yanlış göründüğünü öğretir.

Anomali tespiti, aynı anda birçok hatasız parçadan öğrenerek bu tuzaktan kaçınır; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların üzerine kurulduğu hatasız-küme yaklaşımıdır. Model, bir dizi iyi görüntüden normal dağılımın, yani kabul edilebilir görünümün yayılımının bir resmini kurar, ardından her yeni parçayı ne kadar saptığına göre puanlar. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir ve bu şekilde eğitilir: yaklaşık 20 hatasız referans görüntüsünden başlar ve başlamak için hiçbir kusur numunesine ihtiyaç duymaz.

Model yalnızca hatasız parçalar üzerinde eğitildiği için altın küme, tek bir usta parçadan farklı bir iş yapar. Görevi tek bir ideal geometriyi tanımlamak değildir; kabul edilebilir değişkenlik ile gerçek bir kusur arasındaki sınırı öğretmektir. Bu sınırı doğru kurmak, temiz bir muayeneyi aşırı reddeden birinden ayıran şeydir.

Normali tanımlayan altın görüntüleri nasıl seçersiniz?

Kusursuzluğu değil, değişkenliği temsil eden hatasız parçalar seçin. Altın görüntü kümesi, hattın gerçekte ürettiği doğal yayılımı kapsamalıdır; böylece model o yayılımı işaretlemek yerine normal kabul eder. Tek bir kusursuz parçanın neredeyse aynı 20 çekimi, hatasız üretimin gerçek aralığını kapsayan 20 görüntüden daha zayıftır.

• Sürecinizin izin verdiği doğal değişkenliği dahil edin: renk partileri, yüzey dokusu ve hepsi hâlâ hatasız olan küçük konum veya fikstürleme farkları.
• Görüntülemeyi hatla tutarlı tutun: çalışan muayenenin kullanacağı aynı çerçeveleme, odak, çalışma mesafesi ve aydınlatma; böylece model rastlantısal farkları öğrenmez.
• Kusurları ve kirlenmeyi hariç tutun: hatasız sayılan bir görüntüdeki bir çizik, bir leke ya da kirli bir lens, modele o kusurun normal olduğunu öğretir.
• Ünite üzerinde yakalayın ve kontrol edin: cihaz üstünde önizleme, referans kümesini makinede çerçevelemenize, aydınlatmanıza ve onaylamanıza olanak tanır; dizüstü bilgisayar yok, ayrı bir PC yok.

Bu küme üzerinde model eğitimi 48 saatten kısa sürede tamamlanır; dolayısıyla bir altın küme kurmak ya da yeniden kurmak, aylar süren bir veri projesi değil, bir-iki günle ölçülen bir iştir. Yüksek karışımlı bir elektronik hattında aynı disiplin her kart revizyonu için yinelenir; yapay zeka ile PCB ve elektronik muayenesi hatta hâlihazırda bulunan kural tabanlı AOI’yi böyle tamamlar.

Altın küme yanlış olduğunda ne olur?

Zayıf bir altın küme, yanlış redler olarak ortaya çıkar. Referans görüntüler fazla temiz veya fazla azsa, model normalin yapay biçimde dar bir tanımını öğrenir ve sıradan değişkenlik, biraz farklı bir renk partisi ya da bir milimetre kaymış oturan bir parça, bir sapma gibi okunur. Hat o zaman sağlam ürünü reddeder, bir operatör kontrole olan güvenini yitirir ve birileri, gerçek kusurlar da kaçmaya başlayana kadar eşiği genişletir.

Bunun tersi başarısızlık, kazara kusur içeren bir altın kümedir. Çizik ya da kirlenmiş bir parça hatasız olarak dahil edildiğinde, model o kusuru normal fikrine katar ve onu işaretlemeyi bırakır. Her iki başarısızlık da aynı kök nedene dayanır: referans, hatasız bir parçanın gerçek sınırını tanımlamamıştır. Aşağıdaki karşılaştırma, güçlü ve zayıf bir altın kümeyi karşılaştırır.

Altın görüntü kümesi muayene hattınıza nasıl oturur?

Altın kümeyi tek seferlik bir iş değil, sürdürdüğünüz bir varlık olarak ele alın. Süreç kaydığında, yeni bir malzeme partisi, bir takım değişikliği ya da bir aydınlatma güncellemesi olduğunda, normalin tanımı da onunla birlikte hareket eder ve altın küme, yeniden yakalayıp yeniden eğittiğiniz şeydir. Eğitim yalnızca hatasız parçalar üzerinde çalıştığı ve 48 saatten kısa sürede bittiği için, referansı güncel tutmak yeniden mühendislik projesi değil, rutin bir işlemdir.

Yaklaşık 20 hatasız görüntüden eğitmenin ardındaki tam yöntem için, few-shot ve anomali muayenesi üzerine kardeş yazıya bakın. Yapay zeka görsel muayenesinin bir hatta nasıl oturduğuna dair daha geniş resim için ana kılavuza, ve bir altın küme iş akışını muhafazanız ve montajınızla eşleştirmek için sistem sayfasına bakın.