Model kayması ve yeniden eğitim: bir muayene modelini zaman içinde doğru tutmak.

Bir muayene hattında model kayması nedir?

Model kayması, bir modelin üzerinde eğitildiği parçalar ile bugün gördüğü parçalar arasında açılan kademeli boşluktur. Model değişmedi; hat değişti. Gelen parçalar eğitim kümesinden uzaklaştıkça, modelin normal saydığı şeyin resmi hattın gerçek normaliyle örtüşmeyi bırakır ve kimse yazılıma dokunmadan doğruluk aşınır.

Bir muayene modeli için pratik endişe veri kaymasıdır: hatasız-parça görüntülerinin dağılımı kayar; böylece geçen çeyrek uyan aynı anomali eşiği artık yanlış yerde oturur. Model hâlâ aynı hızda çalışır ve her parça için bir güven skoru verir; ama o skor, sessizce bayatlamış bir normal resmine karşı ölçülmektedir.

Kayma, modeldeki bir kusur değil, bir hat gerçeğidir. Sabit bir örnek kümesi üzerinde eğitilen herhangi bir muayeneci, altındaki proses değişirse kayar; gerçek bir üretim hattında da bu zamanla her zaman olur. Soru kaymanın olup olmayacağı değil, ne kadar hızlı fark ettiğiniz ve ne kadar çabuk yeniden eğitebileceğinizdir.

Bir muayene modelinin kaymasına gerçekte ne yol açar?

Gerçek bir hatta kayma, algoritmadan değil proseste fiziksel değişimden gelir. Bir avuç kaynak bunun çoğunu açıklar ve her biri, yeni bir kusur eklemek yerine hatasız bir parçanın görünümünü kaydırır.

Yaygın tetikleyiciler şunlardır: malzeme ve tedarikçi değişiklikleri (yeni bir reçine partisi, farklı bir kaplama, biraz farklı bir yüzeye sahip taze bir bobin), takım ve kalıp aşınması (bir hatasız parçadaki yüzey dokusu, çapak ve çentik takım yaşlandıkça evrilir) ve aydınlatma bozulması (LED çıkışı binlerce saat boyunca düşer ve mevsimsel ortam ışığı sensörün kaydettiğini değiştirir). Temizlik ve bakımdan kaynaklanan kamera ya da fikstür kaymaları da bunun üstüne çerçeveleme kaymaları ekler.

Bunların hiçbiri önceden bir kural yazabileceğiniz arızalar değildir; öğrenilmiş bir modeli aşındırmalarının nedeni de tam olarak budur. Endüstriyel bir kalıp olarak, aşınma ve aydınlatmadan kaynaklanan kayma haftalar ya da aylar boyunca yavaşça birikme eğilimindeyken, bir parti ya da tedarikçi değişikliği normal resmini bir gecede kaydırabilir. Zaman ölçeğini prosese özgü olarak ele alın: hattınızın kayma hızını bilmenin tek güvenilir yolu, ürettiği sayıları izlemektir.

Bir muayene modelinin kaydığını nasıl anlarsınız?

Kaymanın ilk görünür belirtisi genellikle yükselen bir yanlış ret oranıdır: hat, eskiden geçirdiği iyi parçaları işaretlemeye başlar. Modelin normal fikri daraldığı ya da kaydığı için, artık gerçekten iyi olan daha fazla parça bunun dışına düşer ve operatörler bunu dolan bir ret kutusu ve daha fazla manuel yeniden kontrol olarak yaşar. Bu örüntünün tek nedeni kayma değildir; bu yüzden bir yeniden eğitim planlamadan önce yanlış ret sorunlarını giderme kılavuzuyla diğer şüphelileri, aydınlatmayı, fikstürlemeyi ve yanlış ayarlanmış bir eşiği elemeye değer.

İkinci bir sinyal güven skorlarında oturur. Eskiden eşiği rahatça geçen hatasız bir parça artık sınıra yakın puan alıyorsa, skorların dağılımı kaymaktadır ve o kayma, ret oranının kendisi belirginleşmeden önce erken bir uyarıdır. Tek bir sıçramayı değil, skorların ve ret oranının zaman içindeki eğilimini izlemek, gerçek kaymayı normal gürültüden ayıran şeydir.

Umursamanın nedeni asimetriktir. Yükselen bir yanlış ret oranı can sıkıcı ve maliyetlidir; ama kaymanın daha tehlikeli biçimi, kusurların normal olarak puan almaya başlamasına izin verir ve bu da bunun yerine kaçış oranını yükseltir. İzlemenizi etrafında tasarlamanız gereken ikinci arıza modu budur; çünkü kaçırılan bir kusur tesisten çıkarken, bir yanlış ret yalnızca bir kutuyu doldurur.

Yeniden eğitim döngüsü nasıl görünür?

Yeniden eğitim döngüsü, kaymanın hattın hiç önüne geçmemesi için bilinçli olarak kısadır. Dört adımı vardır: kaymayı tespit et, mevcut hatasız parçaları yeniden yakala, modeli yeniden eğit ve üniteye yeniden dağıt. Bir rutin olarak tutulduğunda döngü, kaymayı yavaş bir doğruluk sızıntısından planlı bakıma dönüştürür.

Yeniden yakalama, döngüyü ucuz tutan adımdır. Model yalnızca hatasız parçalar üzerinde eğitildiğinden, yeniden eğitmek için kusur toplamaz ya da sahnelemezsiniz; hattın mevcut normalini temsil eden, yeni partiyi ya da mevcut takım durumunu içeren yaklaşık 20 hatasız parçayı fotoğraflarsınız; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların ölçtüğü, yalnızca hatasız parçayla çalışan yaklaşımdır. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir; yeniden eğitim döngüsü, muayeneyi yapan aynı ünite üzerinde çalışır; böylece yeniden yakalama, ayrı bir düzenek yerine üretim kamerasını ve aydınlatmasını kullanır.

Eğitim ardından 48 saatten kısa sürede tamamlanır ve güncellenen model numune parçalar üzerinde doğrulanıp üniteye yeniden dağıtılır. Kullanışlı bir ayrıntı: ünite, klasik bilgisayarlı görü ile yapay zeka çıkarımının bir hibridini çalıştırır. Deterministik ölçüm tarafı (milimetre cinsinden sabit bir boyut, bir barkod) öğrenilmiş bir anomali modeli gibi kaymaz; bu yüzden yeniden eğitim genellikle bütün kontrolü yeniden mühendislik etmekle değil, öğrenilmiş normal resmini tazelemekle ilgilidir.

Ağdan yalıtılmış bir hatta bir muayene modelini yeniden eğitebilir misiniz?

Evet. Ünite edge üzerinde çalışıp eğitildiğinden, yeniden eğitim bir bulut bağlantısı ya da görüntüleri hattan dışarı göndermek gerektirmez. Model güncellemeleri USB bellekle taşınır; böylece muayene hücresini ağdan yalıtılmış tutan bir fabrika, dışarıya bir ağ yolu açmadan kayan bir modeli yine de tazeleyebilir.

Bu iki nedenle önemlidir. Birincisi, ham parça görüntüleri çoğu zaman hassas proses verisidir; yakalamayı, eğitimi ve yeniden dağıtımı hatta tutmak, görüntülerin tesisten hiç çıkmaması demektir. İkincisi, ağdan yalıtılmış bir güncelleme yolu, kaymanın birikmesine izin verme bahanesini ortadan kaldırır: yeniden eğitmek için bir bağlantı penceresi ya da bir satıcı ziyareti planlamak zorunda değilsiniz; çünkü döngü, entegratörünüzün ya da eğitimli bir operatörün çalıştırabileceği yerel bir işlemdir. Edge dağıtımının verinizi ve çalışma süresini neden sizin tarafınızda tuttuğuna dair tam gerekçe için, edge ile bulut görsel muayene üzerine kardeş yazıya bakın; yeniden yakalama görüntülerinin kendilerini üzerinde yeniden eğitilecek kadar iyi kılan şey için ise, eğitim verisi kalitesi ile niceliği üzerine tamamlayıcı yazıya bakın.

Bu yazı, yapay zeka görsel muayene üzerine ana rehberin bir dalıdır; yeniden yakalama ve yeniden eğitim döngüsünü çalıştıran cihaz üstü üniteyi görmek için sistem genel bakışına göz atın.