یادگیری ماشین در کنترل کیفیت صنعتی: از بازرسی چشمی تا بینایی ماشین

یادگیری ماشین در کنترل کیفیت صنعتی: از بازرسی چشمی تا بینایی ماشین

در بسیاری از خطوط تولید، کنترل کیفیت هنوز بر بازرسی چشمی انسان تکیه دارد: اپراتور در پایان خط، قطعه ها را یکی یکی نگاه می کند و عیب هایی مانند خش، مونتاژ نادرست یا قطعه جاافتاده را جدا می کند. این روش دو محدودیت دارد: نخست، خستگی و تفاوت دقت میان افراد، یعنی یک عیب یکسان در یک شیفت دیده می شود و در شیفتی دیگر نه؛ دوم، سرعت خط از سرعت بازرسی دقیق بیشتر است و بازرسی به گلوگاه تولید تبدیل می شود. نتیجه، هزینه ای پنهان است: قطعه معیوب به مشتری می رسد، یا در مراحل بعد با هزینه ای چندبرابر اصلاح می شود. چالش اصلی این است که چگونه می توان دقت بازرسی را بدون کند کردن خط تولید، بالا برد و هم زمان نتیجه بازرسی را به داده ای قابل تحلیل تبدیل کرد.

در این معماری، دوربین های نصب شده در نقاط حساس خط، تصویر هر قطعه را ثبت می کنند؛ مدل های طبقه بندی تصویر (Image Classification) و تشخیص شیء (Object Detection) قطعه سالم را از معیوب جدا می کنند و مدل های تشخیص ناهنجاری (Anomaly Detection) که تنها با تصاویر قطعات سالم آموزش دیده اند، عیب های نادر یا تازه را نیز علامت می زنند. پردازش در لبه خط (Edge Computing) انجام می شود تا تصمیم در کسری از ثانیه و بدون وابستگی به شبکه گرفته شود. نکته کلیدی، کیفیت داده آموزشی است: تصاویر باید با نور یکنواخت و زاویه ثابت گرفته شوند و برچسب گذاری عیب ها با نظر کارشناس کیفیت انجام گیرد؛ در غیر این صورت مدل، تفاوت نور یا زاویه را با عیب اشتباه می گیرد. همچنین در موارد مرزی، تصمیم نهایی باید با بازرس انسانی باشد و نتیجه واقعی هر بازبینی، دوباره به داده آموزشی برگردد تا مدل اصلاح شود.

نکته استراتژیک اینجاست که ارزش این سامانه فقط در جدا کردن قطعه معیوب نیست؛ داده بازرسی، بازخوردی زنده به خود تولید است. اگر یک عیب خاص در ساعتی معین تکرار شود، علت محتمل در تنظیم دستگاه یا مواد اولیه است، نه در بازرسی. توصیه عملی، آغاز با یک عیب پرتکرار روی یک خط است: پیش از تعمیم، دو شاخص «نرخ تشخیص درست عیب» و «نرخ هشدار کاذب» سنجیده شود و تنها زمانی سامانه گسترش یابد که هشدار کاذب آن کمتر از خطای بازرسی انسانی باشد. اگر این چارچوب رعایت شود، کنترل کیفیت از ایستگاهی پرهزینه در پایان خط، به چشمی هوشمند در سراسر تولید تبدیل می شود: عیب زودتر دیده و علت آن ردیابی می شود و کیفیت به جای بررسی در پایان، در طول فرآیند ساخته می شود.

کلیدواژه ها: بینایی ماشین، کنترل کیفیت، یادگیری ماشین، تشخیص ناهنجاری، صنعت هوشمند

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی