Model nauczony na zdjęciach z dziennej zmiany może nie rozpoznawać odbić przy nocnym oświetleniu. Test odbiorowy powinien obejmować oba warunki. Ten scenariusz pokazuje, dlaczego wdrożenie funkcji „Kontrola jakości kamerą AI” powinno być testowane na konkretnych zdarzeniach, a nie tylko na poprawnie wyglądającym pulpicie.
Problem operacyjny i oczekiwany rezultat
Celem nie jest samo zastosowanie modelu sztucznej inteligencji. Oczekiwany rezultat jest mierzalny: zaznacza podejrzane obszary obrazu i klasyfikuje zdefiniowane niezgodności do weryfikacji lub ustalonego procesu odrzutu. Punkt wyjścia to dane obejmujące obrazy produktów z ustalonej pozycji kamery, definicje wad, zdjęcia dobrych i wadliwych sztuk oraz numer partii. Bez tego system może tworzyć pozornie precyzyjne zestawienia.
Trzy kontrole przed automatyzacją
- Czy mamy zdjęcia wad naprawdę występujących na linii?
- Czy znamy koszt fałszywego odrzutu i przeoczenia?
- Czy operator ma procedurę kontroli spornych przypadków?
Każdą kontrolę warto przetworzyć w warunek odbioru oprogramowania. Pracownik powinien móc sprawdzić nie tylko wynik, ale też dane wejściowe, zastosowaną regułę i identyfikator operacji.
Co robi algorytm, a co zatwierdza człowiek?
W trakcie pracy system zaznacza podejrzane obszary obrazu i klasyfikuje zdefiniowane niezgodności do weryfikacji lub ustalonego procesu odrzutu. W sprawach niejednoznacznych pokazuje przyczynę i wymaga korekty lub akceptacji. Log zmian powinien zawierać czas zdarzenia, użytkownika, źródło danych i poprzednią wartość.
Połączenie z kamer przemysłowych, sterownika linii, stanowiska kontroli jakości i bazy partii należy przetestować również podczas przerwania komunikacji. Ponowione żądanie nie może bez kontroli tworzyć drugiego zamówienia, wpisu lub zadania.
Jak wykonać pilotaż?
- Zakres testu: jeden typ wady i jedno stanowisko ze stałą kamerą.
- Zbierz reprezentatywne przypadki zwykłe, graniczne i błędne, nie tylko kilka wygodnych przykładów.
- Równolegle wykonuj czynność dotychczasowym sposobem i porównuj rezultaty z nowym procesem.
- Udokumentuj odstępstwa oraz sposób ich poprawienia przed rozszerzeniem rozwiązania.
KPI i kryteria odbioru
Podstawowe miary: false reject rate, false negative rate, skuteczność wykrywania wad i czas kontroli. Trzeba również kontrolować liczbę ręcznych interwencji, czas potrzebny na obsługę wyjątku i odsetek działań poprawionych po zatwierdzeniu.
Nie należy deklarować stałego procentu oszczędności dla wszystkich zakładów. Inny wynik osiągnie firma z uporządkowanymi danymi, a inny organizacja z brakami w ewidencji.
Błąd, którego warto uniknąć
zmiana oświetlenia lub wzoru opakowania może znacząco pogorszyć jakość modelu
Przykład decyzji do podjęcia
Na linii opakowań kamera sprawdza obecność etykiety i poprawność jej położenia. Oświetlenie, prędkość taśmy i obrót produktu są ustalone, aby wynik był porównywalny.
Po wdrożeniu warto przeanalizować pierwsze zgłoszone wyjątki wspólnie z planistą, operatorem lub działem jakości. To często źródło ważniejszych poprawek niż samo dostrajanie modelu.
Podsumowanie
Dobrze zaprojektowane kontrola jakości kamerą ai wymaga spójnych danych, jasnego podziału odpowiedzialności i mierzalnej kontroli. Dopiero po udanym pilotażu warto zwiększać liczbę maszyn, produktów lub wydziałów.
Chcesz przeanalizować ten proces w swoim zakładzie? JOFRA AI projektuje systemy dopasowane do sposobu pracy firmy, danych i dostępnych integracji. Opisz proces i skalę operacji: contact@jofraai.eu.
Opis pokazuje możliwy zakres wdrożenia. Ostateczne działanie, skuteczność i koszt zależą od danych, integracji oraz testów w konkretnym zakładzie.
Przeczytaj również: Kontrola jakości kamerą AI z AI: jak działa system?, Sztuczna inteligencja w przemyśle: 16 praktycznych zastosowań.