Phát hiện bất thường: kiểm tra chỉ bằng mẫu tốt

Lý do phổ biến nhất khiến một dự án kiểm tra bị đình trệ không liên quan gì đến công nghệ. Đó là vì không ai có thể cung cấp được hình ảnh lỗi. Sự cố xảy ra mỗi tháng một lần, các chi tiết bị loại bỏ mà không được chụp ảnh, và đội ngũ chất lượng không thể mô tả lỗi tiếp theo vì họ chưa từng thấy nó.

Phát hiện bất thường đảo ngược vấn đề. Thay vì học hình dạng của các lỗi, mô hình học hình dạng của một chi tiết tốt và đánh dấu bất kỳ điều gì khác với nó. Đây chính xác là mô tả của sản phẩm: huấn luyện chỉ bằng mẫu tốt, mô hình học hình dạng bình thường của các chi tiết của bạn và đánh dấu bất kỳ sai lệch nào là lỗi tiềm ẩn.

Có giám sát và không giám sát, mỗi loại một câu

Một mô hình có giám sát được dạy sự khác biệt giữa các danh mục có tên gọi. Bạn cho nó xem các vết xước, cho nó xem các bề mặt sạch, gán nhãn cho cả hai, và nó học được ranh giới giữa chúng. Sau đó nó có thể cho bạn biết đã tìm thấy lỗi gì, vì bạn đã cho nó biết tên gọi.

Một mô hình không giám sát chỉ được dạy hình dạng bình thường trông như thế nào. Nó xây dựng một biểu diễn của các chi tiết tốt và đo lường mức độ mỗi chi tiết mới lệch khỏi đó bao xa. Nó không thể cho bạn biết lỗi là vết xước chứ không phải vết bẩn, vì chưa ai từng cho nó biết những từ ngữ đó. Nó chỉ có thể cho bạn biết vùng này không thuộc về chuẩn bình thường.

Ba loại mô hình, và cách lựa chọn

Phát hiện bất thường không phải là một thuật toán duy nhất. Trên OV80i, khối không giám sát cung cấp ba lựa chọn, và chúng đánh đổi độ nhạy với tốc độ cũng như lượng dữ liệu cần thiết. Sản phẩm mô tả chúng một cách rõ ràng:

Con số hình ảnh này đáng để dừng lại suy ngẫm. Hai mươi chi tiết tốt chỉ tốn thời gian một ly cà phê, không phải một dự án thu thập dữ liệu. Lý do phát hiện bất thường thay đổi tiến độ dự án không phải vì nó chính xác hơn một mô hình đã huấn luyện, vì thực tế thường thì không phải vậy. Mà vì dữ liệu bạn cần đã có sẵn ngay trên dây chuyền lúc này.

Mô hình thực sự cho ra kết quả gì

Một mô hình có giám sát trả về một lớp và một mức độ tin cậy. Một mô hình bất thường trả về thứ gì đó khác, và việc hiểu rõ hình thức của kết quả đó chính là điều ngăn thanh trượt độ nhạy trở thành nguồn gốc của tranh cãi.

Bộ lọc diện tích blob tối thiểu là thiết lập quan trọng nhất trên khối này, và cũng là thiết lập thường bị bỏ qua nhất. Mọi bề mặt thực tế đều lệch chuẩn một chút ở khắp mọi nơi. Nếu quy tắc là bất kỳ sai lệch nào cũng tính, trạm kiểm tra sẽ liên tục loại bỏ những chi tiết tốt. Nếu quy tắc là vùng lệch chuẩn phải lớn hơn một diện tích xác định, nó sẽ hoạt động ổn định. Việc thiết lập con số đó là một cuộc trao đổi với đội ngũ chất lượng về việc vết đánh dấu kích thước bao nhiêu thì thực sự bị loại, và đây là một cuộc trao đổi đáng để thực hiện dù sao đi nữa.

Khi nào phát hiện bất thường là lựa chọn đúng đắn

Bốn tình huống mà nó rõ ràng là điểm khởi đầu tốt hơn.

1. Bạn không có hình ảnh lỗi và không thể tạo ra chúng. Trường hợp phổ biến nhất, và là lý do thực sự khiến hầu hết các hệ thống kiểm tra không bao giờ được xây dựng.
2. Danh mục lỗi là mở rộng không giới hạn. Nhiễm bẩn, vật lạ và hư hỏng ngoại quan không xuất phát từ một danh sách hữu hạn. Một mô hình được huấn luyện trên tám loại lỗi mà bạn đã biết sẽ tất yếu bỏ sót loại lỗi thứ chín.
3. Bề mặt có kết cấu hoặc có hoa văn. Khi không có hai chi tiết tốt nào trông giống hệt nhau, việc mô tả lỗi theo hình dạng gần như là bất khả thi, nhưng việc mô tả ranh giới của trạng thái bình thường lại khả thi.
4. Sản lượng thấp hoặc đa dạng sản phẩm. Nếu một mã chi tiết chỉ chạy vài trăm lần mỗi năm, bạn sẽ không bao giờ tích lũy được một bộ dữ liệu lỗi có gán nhãn cho nó. Nhưng hai mươi chi tiết tốt thì bạn có thể có được ngay từ lần chạy đầu tiên.

Và điều ngược lại cũng đúng. Hãy sử dụng mô hình có giám sát khi cách xử lý phụ thuộc vào loại lỗi cụ thể, khi bạn cần tên gọi của lỗi để phản hồi cho quy trình chứ không chỉ là tín hiệu loại bỏ, hoặc khi bạn đã có sẵn một bộ dữ liệu gán nhãn tốt, trong trường hợp đó một mô hình đã huấn luyện thường vừa chính xác hơn vừa dễ bảo vệ hơn trong một nghiên cứu năng lực.

Hai cách tiếp cận này không loại trừ lẫn nhau. Một recipe trên OV80i có thể chạy nhiều mô hình trên cùng một hình ảnh, vì vậy một cách bố trí phổ biến và hợp lý là để mô hình có giám sát xử lý các lỗi đã biết với các lớp có tên gọi, đồng thời mô hình không giám sát chạy song song như một lưới an toàn cho mọi thứ mà không ai dự đoán được.

Chế độ hư hỏng cần lên kế hoạch đối phó

Phát hiện bất thường có một điểm yếu đặc trưng, và tốt hơn hết là nêu rõ nó ra thay vì để tự phát hiện. Mô hình định nghĩa trạng thái bình thường dựa trên các chi tiết tốt mà bạn đã cung cấp cho nó. Nếu hai mươi mẫu tốt của bạn không bao gồm đầy đủ phạm vi biến động có thể chấp nhận được, mọi thứ nằm ngoài phạm vi đó sẽ bị đọc thành bất thường.

Trong thực tế, điều đó có nghĩa là một trạm kiểm tra được vận hành trên các chi tiết từ một lô vật liệu sẽ đánh dấu lô tiếp theo khi bề mặt hoàn thiện thay đổi nhẹ. Đây không phải là lỗi của mô hình, mà là một báo cáo chính xác rằng chi tiết trông khác đi, đúng như những gì bạn đã yêu cầu. Cách khắc phục là đưa sự biến động thực tế vào bộ mẫu tốt: các lô khác nhau, các ca khác nhau, cả đầu chấp nhận được của dải dung sai lẫn phần giữa của nó.

Đây cũng là lý do vì sao một con đường huấn luyện lại quan trọng hơn đối với phát hiện bất thường so với công việc có giám sát. Khi sản xuất thay đổi, bạn cần đưa những chi tiết thực sự tốt nhưng bị đánh dấu nhầm quay trở lại bộ mẫu tốt. Khả năng tìm ra những hình ảnh đó trong lịch sử sản xuất và thêm chúng vào tập huấn luyện mà không cần đến một quy trình khoa học dữ liệu chính là sự khác biệt giữa một trạm kiểm tra tồn tại được một năm và một trạm bị tắt đi vào tháng thứ ba. Hướng dẫn của chúng tôi về hệ thống thị giác máy trình bày vị trí của vấn đề này trong thiết kế trạm kiểm tra rộng hơn, và hướng dẫn về ánh sáng trình bày nửa còn lại, vì một mô hình bất thường thậm chí còn nhạy cảm hơn với sự trôi dạt ánh sáng so với một mô hình có giám sát: sự thay đổi ánh sáng trông giống hệt như một chi tiết bất thường.