Inteligența artificială în inspecția calității oțelului inoxidabil: detectarea automată a defectelor

Ce este detectarea defectelor bazată pe-AI?

Inspecția tradițională a suprafețelor din oțel inoxidabil se bazează pe inspectori umani instruiți, uneori asistați de viziunea automată de bază, care semnalează orice lucru mai luminos, mai întunecat sau mai mare decât un prag fix de pixeli. Ambele abordări au limite bine-documentate: inspectorii umani obosesc pe o tură de 8- sau 12{-ore și nu pot susține o atenție deplină pe fiecare metru al unei bobine în mișcare, în timp ce sistemele de viziune simple bazate pe prag-generează un număr mare de fals pozitive - sursele din industrie nu pot distinge o rată fals pozitivă, deoarece defect autentic de la o variație inofensivă a suprafeței, cum ar fi o reflexie, un semn de rulare în limitele toleranței sau un artefact de iluminare.

Detectarea defectelor AI, cel mai adesea construită pe rețele neuronale convoluționale (CNN) sau pe arhitecturi mai noi Vision Transformer (ViT), este antrenată pe mii până la milioane de imagini etichetate, astfel încât să învețe caracteristicile vizuale care separă un defect autentic de variația normală a suprafeței. Odată antrenat, modelul efectuează inferențe asupra imaginilor camerelor în direct la viteza liniei de producție, semnalează și clasifică defectele și poate transmite aceste informații direct sistemelor de control al liniilor pentru-sortare, marcare sau respingere în timp real - fără ca un om să fie nevoit să revizuiască fiecare cadru.

Ce tipuri de defecte pot detecta sistemele AI pe suprafețele din oțel inoxidabil?

Categoriile de defecte compilate din baza de date a defectelor de suprafață NEU (referința academică standard pentru clasificarea defectelor de suprafață din oțel) și ghidurile de defecțiuni ale producătorilor de oțel inoxidabil publicate. Criteriile de acceptare pentru orice tip de defect și severitatea specifică ar trebui să facă referire la cerințele de finisare a suprafeței ASTM A480 și la comanda de achiziție.

Cum funcționează de fapt un sistem de inspecție AI Vision de producție?

Iluminare și achiziție de imagini

Iluminarea constantă, bine-controlată este o condiție prealabilă, nu o idee ulterioară. Suprafața reflectorizante a oțelului inoxidabil face proiectarea luminii cu adevărat dificilă: iluminarea neuniformă sau ne-uniformă este unul dintre motivele cele mai frecvent invocate pentru care imaginile suprafeței din oțel sunt dificil de clasificat în mod fiabil, alături de vibrații, estomparea mișcării și zgomotul de la scara suprafeței. Camerele cu scanare-linie-de mare viteză sau scanare-zonală captează imagini ale benzii sau foii în mișcare, adesea din mai multe unghiuri sau cu mai multe geometrii de iluminare pentru a detecta defectele care devin vizibile numai la anumite unghiuri de reflexie.

Preprocesarea și modelul de deep learning

Imaginile capturate sunt preprocesate - redimensionate, normalizate, uneori filtrate pentru a reduce zgomotul sau corectate pentru iluminare neuniformă - înainte de a fi transmise modelului antrenat. Cercetările publicate arată că numai acest pas de preprocesare poate îmbunătăți în mod semnificativ acuratețea clasificării chiar și pe lângă o arhitectură CNN bine-ajustată. Modelul în sine efectuează una sau mai multe dintre cele trei sarcini: clasificare (ce tip de defect este acesta), localizare (unde se află pe imagine) și segmentare (care este limita exactă a defectului).

Integrarea stratului de decizie și a liniilor

Stratul final convertește ieșirea modelului într-o acțiune: marcarea unei locații de defect pentru manipularea în aval, declanșarea unei respingeri automate, înregistrarea tipului și gravității defectului într-o bază de date de calitate sau în implementări mai mature, reintroducerea datelor de frecvență și model de defecte în sistemele de control și întreținere a proceselor din amonte (un punct de integrare din ce în ce mai comun cu sistemele computerizate de gestionare a întreținerii sau CMMS), astfel încât să declanșeze pierderi recurente ale echipamentelor înainte de a declanșa defecțiunile recurente.

Ce arhitecturi de învățare profundă sunt folosite pentru detectarea defectelor de oțel?

Cifre compilate din cercetări publicate-examinate de către colegi și din cercetări preliminare folosind NEU și seturile de date aferente defectelor de suprafață din oțel. Acestea sunt rezultate ale cercetării-rezultatele de referință, performanța producției nu este garantată - implementările reale necesită validare în raport cu produsul specific, configurația camerei și populația de defecte ale liniei în cauză.

Un avantaj practic al arhitecturilor moderne CNN ușoare este viteza de inferență: mai multe implementări publicate rulează cu mult peste 100 de cadre pe secundă pe un singur GPU industrial, care este suficient de rapid pentru a ține pasul cu o bobină sau o linie de foi în mișcare fără a deveni blocajul în proces.

Cum se compară AI Vision cu metodele NDT tradiționale, cum ar fi testarea cu colorant penetrant și cu curenți turbionari?

Compilat din literatura publicată de NDT și{0}}machine vision. Selecția metodei ar trebui să urmeze standardul de inspecție aplicabil și forma specifică a produsului (folă-plană laminată vs. sudură vs. tub) în loc să utilizeze orice metodă implicită.

Care sunt limitările și provocările de implementare ale detectării defectelor AI?

Sarcina de date și etichetare: un model este la fel de bun ca setul său de instruire, iar etichetarea cu precizie a mii de imagini cu defecte - în special pentru tipurile de defecte rare sau subtile - este o investiție inițială semnificativă înainte ca un sistem să ajungă la fiabilitatea de nivel de producție-.

Dezechilibru de clasă: unele tipuri de defecte (o fisură de la marginea bobinei-despicată) apar mult mai rar în date decât cele de rutină (zgârieturi minore), pe care cercetările le identifică în mod constant drept o provocare principală în detectarea defectelor de suprafață din oțel, deoarece un model instruit în principal pe defecte comune poate sub-detecta unele rare, dar grave.

Variabilitatea imaginii-lumea reală: vibrațiile, neclaritatea mișcării, iluminarea inconsecventă și zgomotul la scară de suprafață sunt semnalate în mod special în literatură ca factori care fac ca imaginile reale de producție-să fie mai greu de clasificat cu acuratețe decât imaginile de referință de laborator curate.

Schimbări de notă și de produs: un model instruit pe o formă de produs, ecartament sau finisaj poate să nu se transfere în mod curat la altul fără date suplimentare de instruire sau transfer de învățare, astfel încât întreținerea modelului este un program continuu, nu o implementare-o singură dată.

Acoperire-numai la suprafață: așa cum sa menționat mai sus, viziunea AI nu poate vedea defectele subterane sau volumetrice, așa că nu elimină nevoia de testare cu penetranți, curenți turbionari sau cu ultrasunete atunci când aceste tipuri de defecte sunt o problemă.

Cerința umană-în--buclă: dispoziție finală față de o specificație de material, cum ar fi ASTM A480, și solicitările de judecată privind prezentările de defect la limită sau noi, beneficiază în continuare de un inginer de calitate instruit care examinează rezultatele semnalate -, în special în perioada timpurie după implementare.

Cum ar trebui un producător să evalueze rentabilitatea investiției înainte de a implementa inspecția AI?

Cifrele de acuratețe din lucrările de cercetare sunt un punct de plecare, nu un caz de afaceri. Cele mai relevante-întrebări de decizie sunt: ​​câte reclamații sau retururi ale clienților se regăsesc în prezent până la defecte de suprafață ratate și ce ar valorifica eliminarea celor mai multe dintre ele; câtă forță de muncă de inspecție este în prezent dedicată verificărilor vizuale ale suprafeței și ar putea acea echipă să fie redistribuită pentru a-lucrari de inginerie de calitate mai mare; inspecția manuală limitează în prezent viteza liniei și cât valorează această capacitate dacă este eliminată; și datele de clasificare și localizare a defectelor generate de sistem pot fi conectate la parametrii de proces din amonte (condiția ruloului, setările liniei de decapare, profilele de temperatură) pentru a reduce rata defectelor la sursă, mai degrabă decât a le prinde mai repede la sfârșitul liniei.

Un program pilot pe o singură linie sau familie de produse, comparat cu rezultatele inspecției manuale existente pe o perioadă definită, este modalitatea cea mai fiabilă de a valida atât afirmațiile de acuratețe, cât și ipotezele privind randamentul și forța de muncă înainte de a se angaja la o lansare completă.

Întrebări frecvente

Î: Poate detectarea defectelor AI să înlocuiască complet inspectorii de calitate umană?

A: Nu în totalitate. Sistemele de inteligență artificială se ocupă de screening-ul suprafeței de mare-viteză,-acoperire completă cu mult mai consecvent decât inspectorii umani obosiți, dar dispoziția finală împotriva unei specificații de material, judecata asupra defectelor limită sau noi și supravegherea modelului în sine necesită încă un inginer calificat. Majoritatea implementărilor de producție sunt umane-în-buclă-, mai degrabă decât complet autonome.

Î: Ce este baza de date a defectelor de suprafață NEU și de ce apare atât de des în acest domeniu?

R: Baza de date NEU (Universitatea de Nord-Est) a defectelor de suprafață este un set de imagini de suprafață din oțel etichetate, utilizat pe scară largă, disponibil publicului, care acoperă șase categorii de defecte - crăpare, includere, petice, suprafață cu sâmburi, rulat-la scară și zgârieturi. A devenit standardul academic de referință pentru instruirea și compararea modelelor de detectare a defectelor de suprafață din oțel, motiv pentru care atât de multe date de precizie publicate se referă la el.

Î: Inspecția vizuală AI înlocuiește testarea cu curenți turbionari sau cu ultrasunete pentru suduri?

R: Nu. Viziunea AI este o metodă de imagine-de suprafață și nu poate detecta defectele subterane sau volumetrice. Testarea cu curenți turbionari rămâne standardul pentru detectarea rapidă a fisurilor de suprafață și aproape de-suprafață pe materiale conductoare, iar testarea cu ultrasunete rămâne standardul pentru defectele subterane, grosimea peretelui și integritatea sudurii la adâncime. Aceste metode sunt complementare viziunii AI, nu sunt înlocuite de aceasta.

Î: Cât de precise sunt sistemele de detectare a defectelor AI în producția reală, nu doar referințe de cercetare?

R: Benchmark-urile de cercetare publicate raportează în mod obișnuit o acuratețe de peste 95–99%, dar aceste cifre provin din seturi de date selectate. Precizia reală a producției depinde de cât de aproape se potrivesc camera instalată, iluminarea și condițiile produsului cu datele de instruire, iar furnizorii specializați în implementare industrială citează o precizie de producție realizabilă în intervalul de peste 95% odată ce un sistem este reglat corespunzător la linia specifică -, motiv pentru care un program pilot validat contează mai mult decât un număr de referință.

Î: Ce date trebuie să aibă un producător înainte de a începe un proiect de inspecție AI?

R: Un set reprezentativ, etichetat cu precizie de imagini care acoperă tipurile de defecte pe care linia le produce, în mod ideal, incluzând exemple de tipuri de defecte rare, mai degrabă decât cele comune, și imagini capturate în condiții de producție realiste (nu doar probe de laborator curate), astfel încât modelul să învețe să gestioneze vibrațiile, iluminarea și zgomotul pe care le va vedea în funcțiune.

Rezumat

Detectarea defectelor bazată pe IA-a trecut de la cercetarea academică la un instrument practic, implementabil pentru inspecția calității suprafețelor din oțel inoxidabil, modelele CNN și Vision Transformer raportând acum o acuratețe în intervalul de 95-99%+ pe benchmark-uri standard și funcționând suficient de rapid pentru a inspecta o linie în mișcare în timp real. Acesta abordează în mod direct cele două puncte slabe ale metodelor pe care le înlocuiește: oboseala și inconsecvența inspectorilor umani și ratele ridicate fals-pozitive ale vederii automate bazate pe prag simplu-.

Ceea ce nu face este să înlocuiască metodele NDT - colorant penetrant, curenți turbionari și testare cu ultrasunete - care detectează defectele subterane și volumetrice pe care viziunea AI nu le poate vedea și nu înlocuiește standardul material de reglementare, ASTM A480, ca cuvânt final privind criteriile de acceptare. Producătorii care obțin cea mai mare valoare din această tehnologie o tratează ca un strat bine-integrat într-un sistem de calitate mai larg, validat pe baza datelor reale de producție, mai degrabă decât o singură tehnologie schimbată pentru inspecția manuală angro.