通过生产示例改进 AI 视觉检测

从结果背后的图像开始

当好的零件被拒绝时，保留图像并检查哪个工具产生了结果。该零件是否在正确的位置找到？被检查的特征是否清晰？反光是否遮盖了标记？图像问题可能看起来像模型问题，因此在添加更多训练数据之前检查相机视图。

对于遗漏的缺陷，将检查区域与应该失败的物理特征进行比较。该区域之外的缺陷不会通过更改分类阈值来修复。与质量团队建立预期结果，包括任何边界样本，以便下一次变更有明确的目的。

一起回顾相关例子

Spark 的图像库为您提供了查看检查结果背后的示例的地方。在使用它们进行训练之前，组装您想要改进的行为的图像，检查相关特征并纠正标签。生产示例将实际的零件、饰面和照明条件带入该工作中。

将有问题的图像与正确检查的类似零件进行比较。您可能会发现导致问题的特定零件位置、新的供应商表面处理或印刷字符。一起查看它们可以帮助您选择有用的下一步，并避免每次生产变化时从头开始新的训练集。

进行更改以解决故障

支持的工具为您提供了不同的方式来对您发现的内容采取行动。当模型尚未看到有效的生产外观时，添加带标签的示例。当位置不可靠时，教导对齐器哪些候选匹配是正确的。当字符落在 OCR 区域之外时调整 OCR 区域。该图像向您指出解决故障的更改。

向 Sparky 询问有关库中图像和结果的问题，以支持您的审阅。您的团队决定下一步是进行成像调整、规则更改还是重新培训。记录更改并在发布前针对单独的示例进行验证。

将审阅的示例直接从库或计算机导入到工具中作为培训或模板图像。对于长期记录，将带有注释的捕获和工具结果发送到 FTP、SFTP 或 SMB 存储，并安排每日或每周的配方备份。

检查单独样本的改进

将评估图像与用于训练模型的示例分开。包括新问题、正常生产变化以及检查已处理的已知缺陷。接受有问题的好零件的变更也必须保留对真正有缺陷的零件的拒绝。

使用计数和示例而不是仅使用总体准确度数字来分别检查误剔除和遗漏缺陷。如果多个 SKU 使用该检查，请对每个 SKU 进行评估。一旦图像测试满足您的要求，请在预期的生产线条件下运行更改后的检查并遵循您的发布流程。进一步的生产示例可以为另一次审查提供信息；模型更新仍然是一个有意为之的行为。