OV Spark
Verbessern Sie die KI-Vision-Inspektion anhand von Produktionsbeispielen
Erleichtern Sie das erneute Training mit Bildern, die bereits auf der Kamera gespeichert sind. Überprüfen Sie gespeicherte Bilder und Ergebnisse in der Bibliothek, um repräsentative Produktionsbeispiele zu finden. Ihr Team wählt die Beispiele aus, korrigiert die Beschriftungen, trainiert unterstützte Tools neu und validiert das Update, bevor es in die Produktion zurückkehrt.
Beginnen Sie mit dem Bild hinter dem Ergebnis
Wenn ein Gutteil abgelehnt wird, bewahren Sie das Bild auf und prüfen Sie, welches Werkzeug das Ergebnis erzeugt hat. Wurde das Teil am richtigen Ort gefunden? War das geprüfte Merkmal im Fokus? Hat ein Spiegelbild die Markierung verdeckt? Ein Bildproblem kann wie ein Modellproblem aussehen. Überprüfen Sie daher die Kameraansicht, bevor Sie weitere Trainingsdaten hinzufügen.
Vergleichen Sie bei einem übersehenen Defekt den geprüften Bereich mit dem physischen Merkmal, das hätte ausfallen sollen. Ein Fehler außerhalb dieser Region wird nicht durch die Änderung eines Klassifizierungsschwellenwerts behoben. Legen Sie mit dem Qualitätsteam das erwartete Ergebnis fest, einschließlich aller Grenzproben, damit die nächste Änderung einen klaren Zweck hat.
Sehen Sie sich gemeinsam verwandte Beispiele an
Die Bildbibliothek von Spark bietet Ihnen die Möglichkeit, die Beispiele hinter den Inspektionsergebnissen zu überprüfen. Stellen Sie Bilder des Verhaltens zusammen, das Sie verbessern möchten, überprüfen Sie die relevanten Funktionen und korrigieren Sie die Bezeichnungen, bevor Sie sie für das Training verwenden. Produktionsbeispiele bringen die tatsächlichen Teile, Oberflächen und Lichtverhältnisse in diese Arbeit ein.
Vergleichen Sie die problematischen Bilder mit ähnlichen Teilen, die korrekt geprüft wurden. Möglicherweise finden Sie eine bestimmte Teileposition, eine neue Zuliefererlackierung oder ein gedrucktes Zeichen, das Probleme verursacht. Wenn Sie sie gemeinsam durchgehen, können Sie einen nützlichen nächsten Schritt auswählen und vermeiden, dass Sie jedes Mal, wenn sich die Produktion ändert, einen neuen Trainingssatz von Grund auf beginnen müssen.
Nehmen Sie eine Änderung vor, die den Fehler behebt
Unterstützte Tools bieten Ihnen verschiedene Möglichkeiten, auf die gefundenen Informationen zu reagieren. Fügen Sie beschriftete Beispiele hinzu, wenn ein Modell kein gültiges Produktionsbild gesehen hat. Bringen Sie dem Aligner bei, welche Kandidatenübereinstimmungen korrekt sind, wenn der Standort unzuverlässig ist. Passen Sie einen OCR-Bereich an, wenn ein Zeichen außerhalb dieses Bereichs liegt. Das Bild weist Sie auf die Änderung hin, die den Fehler behebt.
Stellen Sie Sparky Fragen zu den Bildern und Ergebnissen in der Bibliothek, um Ihre Überprüfung zu unterstützen. Ihr Team entscheidet, ob der nächste Schritt eine Bildanpassung, eine Regeländerung oder eine Umschulung ist. Zeichnen Sie die Änderung auf und validieren Sie sie vor der Veröffentlichung anhand separater Muster.
Importieren Sie überprüfte Beispiele direkt aus der Bibliothek oder Ihrem Computer als Schulungs- oder Vorlagenbilder in ein Tool. Senden Sie für längerfristige Aufzeichnungen Erfassungen mit Anmerkungen und Werkzeugergebnissen an den FTP-, SFTP- oder SMB-Speicher und planen Sie tägliche oder wöchentliche Prüfrezeptsicherungen.
Überprüfen Sie Verbesserungen an separaten Beispielen
Halten Sie Bewertungsbilder getrennt von den Beispielen, die zum Trainieren des Modells verwendet werden. Berücksichtigen Sie das neue Problem, normale Produktionsabweichungen und bekannte Mängel, die bei der Inspektion bereits behandelt wurden. Ein Austausch, der das fehlerhafte Teil akzeptiert, muss auch die Ablehnung tatsächlich fehlerhafter Teile gewährleisten.
Überprüfen Sie falsche Ausschüsse und übersehene Fehler separat und verwenden Sie dabei Zählungen und Beispiele und nicht nur eine Gesamtgenauigkeitszahl. Wenn mehrere SKUs die Inspektion verwenden, bewerten Sie jede einzelne. Sobald die Bildtests Ihren Anforderungen entsprechen, führen Sie die geänderte Inspektion unter den erwarteten Linienbedingungen durch und befolgen Sie Ihren Freigabeprozess. Weitere Produktionsbeispiele können als Grundlage für eine weitere Rezension dienen; Modellaktualisierungen bleiben eine bewusste Maßnahme.
Häufige Fragen
- Lernt Spark automatisch aus jeder Inspektion?
- Dieser Workflow verwendet überprüfte Beispiele und absichtliche Schulungsänderungen. Gehen Sie nicht davon aus, dass das Modell durch die Ausführung weiterer Teile automatisch aktualisiert wird. Entscheiden Sie, welche Bilder in die Schulung gehören, bestätigen Sie deren Beschriftung und bewerten Sie die geänderte Inspektion, bevor Sie sie in der Produktion verwenden.
- Kann das Hinzufügen von Beispielen falsche Ablehnungen reduzieren?
- Dies kann hilfreich sein, wenn das Modell noch kein gültiges Serienbild aufweist. Überprüfen Sie zunächst das Bild, die Ausrichtung, den Inspektionsbereich und die Akzeptanzregel. Zusätzliches Training kann nicht jede Ursache beheben und die Wirkung muss an separaten Proben gemessen werden.
- Kann das System die Grundursache eines Ausschusses erklären?
- Sparky unterstützt Fragen zu Bildern und Ergebnissen in der Bibliothek. Überprüfen Sie diese Erfassungen zusammen mit dem physischen Teil und dem Prozess, um den Fehler zu untersuchen. Ihr Team entscheidet, was geändert werden soll und prüft das Ergebnis.
- Wie gehen wir mit einem neuen Fehlertyp um?
- Speichern Sie repräsentative Bilder, einigen Sie sich auf die richtigen Etiketten und prüfen Sie, ob der Defekt für das ausgewählte Inspektionstool sichtbar ist. Aktualisieren Sie die relevante Schulung oder Konfiguration und bewerten Sie dann sowohl den neuen Fehler als auch zuvor getestete Fälle. Die genaue Methode hängt vom verwendeten Werkzeug ab.
Bringen Sie die Inspektionen mit, die Sie verbessern möchten
Teilen Sie Beispiele für falschen Ausschuss, übersehene Mängel und korrekt geprüfte Teile. Wir können überprüfen, welcher Teil des Bild- oder Inspektionsworkflows Aufmerksamkeit erfordert.
Überprüfen Sie Ihre Inspektionsaufgabe