|
Tính năng phát hiện khuyết tật dựa trên AI{0}}sử dụng các mô hình học sâu (CNN, máy phát hiện vật thể và Máy biến đổi thị giác) được đào tạo trên hình ảnh camera để xác định, phân loại và xác định vị trí các khuyết tật bề mặt trên thép không gỉ trong thời gian thực, ở tốc độ dây chuyền sản xuất, với độ chính xác được công bố thường ở mức 95–99% trên các tập dữ liệu điểm chuẩn tiêu chuẩn.
Sáu loại khuyết tật được sử dụng phổ biến nhất để đánh giá các hệ thống này - rạn nứt, bao gồm, vá lỗi, bề mặt rỗ,-theo tỷ lệ và vết trầy xước - đến từ cơ sở dữ liệu khuyết tật bề mặt NEU được sử dụng rộng rãi và ánh xạ chặt chẽ tới các khuyết tật thực sự của thép không gỉ như rỗ, sẹo, vết lăn và vết nứt ở cạnh.
Tầm nhìn AI thay thế hoặc tăng cường khả năng kiểm tra bằng hình ảnh thủ công và tầm nhìn máy dựa trên ngưỡng-đơn giản, tạo ra tỷ lệ dương tính giả cao tới 15–30% và không thể duy trì-tốc độ, toàn bộ-kiểm tra phạm vi bao phủ chỉ bằng mắt người.
Tầm nhìn AI chỉ kiểm tra các bề mặt - nó không thay thế kiểm tra chất thẩm thấu bằng thuốc nhuộm, kiểm tra dòng điện xoáy hoặc kiểm tra siêu âm để tìm các khuyết tật dưới bề mặt, tính nguyên vẹn của mối hàn hoặc các khuyết tật thể tích, do đó, chương trình chất lượng hoàn chỉnh vẫn kết hợp kiểm tra bề mặt AI với phương pháp NDT thích hợp.
ASTM A480 vẫn là tiêu chuẩn quản lý để phân loại độ hoàn thiện bề mặt và các tiêu chí chấp nhận khuyết tật; Hệ thống AI được đào tạo và xác thực dựa trên các tiêu chí-do con người xác định chứ không phải ngược lại, vì vậy thông số kỹ thuật và quyền xử lý cuối cùng vẫn phụ thuộc vào tiêu chuẩn vật chất hiện hành và đơn đặt hàng. |
Phát hiện lỗi dựa trên AI- là gì?
|
Tính năng phát hiện lỗi dựa trên AI{0}}sử dụng các mô hình học sâu đã được đào tạo để phân tích hình ảnh camera của bề mặt thép không gỉ và tự động xác định, phân loại cũng như khoanh vùng các lỗi trong thời gian thực, thay thế hoặc tăng cường kiểm tra trực quan thủ công và thị giác máy dựa trên quy tắc đơn giản-. Điểm khác biệt chính là hệ thống tìm hiểu các mẫu lỗi từ các ví dụ được gắn nhãn thay vì tuân theo một tập hợp các ngưỡng được lập trình cố định. |
Việc kiểm tra truyền thống các bề mặt thép không gỉ dựa vào những người kiểm tra đã được đào tạo, đôi khi được hỗ trợ bởi thị giác máy cơ bản để đánh dấu bất cứ thứ gì sáng hơn, tối hơn hoặc lớn hơn ngưỡng pixel cố định. Cả hai phương pháp đều có-các giới hạn được ghi chép rõ ràng: người kiểm tra mệt mỏi trong ca làm việc kéo dài 8- hoặc 12- giờ và không thể duy trì sự chú ý hoàn toàn trên mỗi mét của cuộn dây chuyển động, trong khi các hệ thống thị giác dựa trên ngưỡng-đơn giản tạo ra số lượng lớn kết quả dương tính giả. - nguồn tin trong ngành trích dẫn tỷ lệ dương tính giả là 15–30% - bởi vì họ không thể phân biệt được khuyết tật thực sự với biến thể bề mặt vô hại như phản xạ, dấu lăn trong phạm vi dung sai hoặc tạo tác ánh sáng.
Tính năng phát hiện khuyết tật bằng AI, thường được xây dựng trên mạng thần kinh tích chập (CNN) hoặc kiến trúc Vision Transformer (ViT) mới hơn, được đào tạo trên hàng nghìn đến hàng triệu hình ảnh được gắn nhãn để nó tìm hiểu các đặc điểm hình ảnh giúp phân biệt khiếm khuyết thực sự với biến thể bề mặt thông thường. Sau khi được đào tạo, mô hình sẽ tiến hành suy luận về hình ảnh camera trực tiếp ở tốc độ dây chuyền sản xuất, gắn cờ và phân loại lỗi, đồng thời có thể chuyển thông tin đó trực tiếp đến hệ thống điều khiển dây chuyền để-phân loại, đánh dấu hoặc loại bỏ theo thời gian thực - mà không cần con người phải xem lại từng khung hình.
Hệ thống AI có thể phát hiện những loại khuyết tật nào trên bề mặt thép không gỉ?
|
Hệ thống thị giác AI thường được đào tạo để phát hiện các loại khuyết tật tương tự đã được theo dõi thủ công từ lâu trên các vết rỗ, vết xước và vết lăn bằng thép không gỉ -, vảy và vết sẹo, tạp chất phi kim loại, vết nứt ở cạnh và mảng hoặc sự đổi màu do oxy hóa - với sáu-phân loại khuyết tật bề mặt NEU (sáng, bao gồm, mảng, bề mặt rỗ, cuộn-theo tỷ lệ, vết trầy xước) đóng vai trò là tiêu chuẩn đào tạo và nghiên cứu được sử dụng rộng rãi nhất. |
|||
|
Danh mục khiếm khuyết |
Nó trông như thế nào |
Nguyên nhân điển hình |
Tại sao nó quan trọng đối với thép không gỉ |
|
Bề mặt rỗ/rỗ |
Những chỗ trũng hoặc sâu răng nhỏ, cục bộ |
Ô nhiễm, tẩy không đều, cặn bám vào |
Phá vỡ lớp oxit crom thụ động, tạo ra môi trường cho sự ăn mòn do clorua- gây ra |
|
Vết xước/vết thủng |
Dấu bề mặt tuyến tính có độ sâu khác nhau |
Tiếp xúc với các dẫn hướng bị lệch, mảnh vụn trên con lăn, xử lý hư hỏng |
Rủi ro từ chối mỹ phẩm; các rãnh sâu hơn đóng vai trò là nơi tập trung căng thẳng |
|
Dấu cuộn |
Lặp đi lặp lại các mẫu in trên bề mặt |
Bề mặt con lăn bị hư hỏng hoặc mòn |
Cho biết sự hao mòn của thiết bị ngược dòng; thường gây ra sự thay đổi cuộn |
|
Cán{0}}theo tỷ lệ / sẹo |
Các mảng sẫm màu-như vảy cá hoặc vảy cá-không đều |
Lớp oxit được ép vào bề mặt trong quá trình cán |
Khó loại bỏ khi ngâm chua; có thể bong ra và tạo thành hố sau này |
|
Bao gồm |
Các hạt phi kim loại có hình dạng chấm, đường hoặc hình khối |
Xỉ hoặc vật liệu chịu lửa bị cuốn theo trong quá trình luyện thép |
Làm suy yếu tính chất vật liệu địa phương; có thể lan truyền dưới dạng vết nứt dưới tải |
|
Vết nứt cạnh |
Các vết nứt nhỏ đến rõ ràng dọc theo mép tấm hoặc cuộn |
Căng thẳng nhiệt do làm mát không đều, các vấn đề về hóa học |
Có thể lan truyền trong quá trình xử lý tiếp theo; thường gây ra sự từ chối cuộn dây |
|
Cơn sốt/bản vá lỗi |
Mạng lưới các vết nứt bề mặt mịn hoặc các mảng sáng/tối không đều |
Ứng suất bề mặt, nguội không đều, oxy hóa màu |
Chủ yếu mang tính chất thẩm mỹ trong những trường hợp nhẹ, nhưng đánh dấu vấn đề kiểm soát quy trình |
Các loại khuyết tật được tổng hợp từ cơ sở dữ liệu khuyết tật bề mặt NEU (tiêu chuẩn học thuật tiêu chuẩn để phân loại khuyết tật bề mặt thép) và các hướng dẫn khuyết tật của nhà sản xuất thép không gỉ đã được công bố. Tiêu chí chấp nhận đối với bất kỳ loại khuyết tật cụ thể nào và mức độ nghiêm trọng phải tham khảo các yêu cầu về độ bóng bề mặt của ASTM A480 và đơn đặt hàng quản lý.
Hệ thống kiểm tra bằng hình ảnh AI sản xuất thực sự hoạt động như thế nào?
|
Hệ thống thị giác AI sản xuất là một hệ thống gồm năm thành phần được liên kết - chiếu sáng được kiểm soát, camera-tốc độ cao hoặc hình ảnh quét đường truyền-, tiền xử lý hình ảnh, mô hình học sâu đã được huấn luyện và lớp quyết định đưa kết quả trở lại điều khiển đường truyền - và độ chính xác trong thế giới thực-của hệ thống phụ thuộc vào cả năm thành phần hoạt động cùng nhau chứ không chỉ vào sức mạnh của bản thân mô hình AI. |

Chiếu sáng và thu nhận hình ảnh
Ánh sáng nhất quán,{0}}được kiểm soát tốt là điều kiện tiên quyết chứ không phải là điều cần cân nhắc. Bề mặt phản chiếu của thép không gỉ khiến cho việc thiết kế hệ thống chiếu sáng trở nên thực sự khó khăn: chiếu sáng không đồng đều hoặc không{2}}đồng đều là một trong những lý do phổ biến nhất khiến hình ảnh trên bề mặt thép khó phân loại một cách đáng tin cậy, cùng với hiện tượng rung, nhòe chuyển động và nhiễu từ quy mô bề mặt. Camera-quét đường-tốc độ cao hoặc quét khu vực{6}}chụp hình ảnh của dải hoặc tấm chuyển động, thường từ nhiều góc hoặc với nhiều dạng hình học ánh sáng để phát hiện các khuyết điểm chỉ nhìn thấy được ở một số góc phản chiếu nhất định.
Tiền xử lý và mô hình học sâu
Hình ảnh đã chụp được xử lý trước - đã thay đổi kích thước, chuẩn hóa, đôi khi được lọc để giảm nhiễu hoặc hiệu chỉnh để có-ánh sáng không đồng đều - trước khi chuyển sang mô hình đã đào tạo. Nghiên cứu đã công bố cho thấy rằng chỉ riêng bước tiền xử lý này cũng có thể cải thiện đáng kể độ chính xác của việc phân loại ngay cả trên một-kiến trúc CNN được điều chỉnh tốt. Bản thân mô hình thực hiện một hoặc nhiều trong số ba nhiệm vụ: phân loại (đây là loại lỗi gì), bản địa hóa (vị trí trên hình ảnh) và phân đoạn (ranh giới chính xác của lỗi là gì).
Tích hợp lớp và dòng quyết định
Lớp cuối cùng chuyển đổi đầu ra của mô hình thành một hành động: đánh dấu vị trí lỗi để xử lý tiếp theo, kích hoạt tự động từ chối, ghi lại loại lỗi và mức độ nghiêm trọng vào cơ sở dữ liệu chất lượng hoặc trong các triển khai hoàn thiện hơn, cung cấp dữ liệu mẫu và tần suất lỗi trở lại hệ thống kiểm soát và bảo trì quy trình ngược dòng (một điểm tích hợp ngày càng phổ biến với hệ thống quản lý bảo trì bằng máy tính hoặc CMMS) để các mẫu lỗi định kỳ có thể kích hoạt bảo trì thiết bị trước khi chúng gây ra tổn thất thêm.
Kiến trúc Deep Learning nào được sử dụng để phát hiện khuyết tật thép?
|
Mạng thần kinh chuyển đổi (các biến thể ResNet, MobileNet, SqueezeNet, EfficiencyNet) vẫn là kiến trúc phù hợp để phân loại khuyết tật bề mặt thép, với các công cụ phát hiện đối tượng như Faster R-CNN và các mô hình Vision Transformer mới hơn được sử dụng để bản địa hóa và các cảnh lộn xộn, khó khăn hơn; độ chính xác được công bố trên điểm chuẩn tiêu chuẩn nằm trong khoảng từ khoảng 95% đến trên 99%, mặc dù độ chính xác trong sản xuất-trong thế giới thực phụ thuộc rất nhiều vào mức độ phù hợp chặt chẽ của dữ liệu đào tạo với điều kiện dây chuyền thực tế. |
||
|
Gia Đình Kiến Trúc |
Vai trò điển hình |
Hiệu suất được báo cáo (điểm chuẩn nghiên cứu) |
|
Bộ phân loại CNN (ResNet-50, MobileNetV2, EfficiencyNetB3, SqueezeNet) |
Phân loại lỗi bản vá toàn bộ-hình ảnh hoặc bị cắt- |
Độ chính xác thường được trích dẫn từ khoảng 95% đến 99%+ tùy thuộc vào tập dữ liệu và kiến trúc; một nghiên cứu dựa trên SqueezeNet-đã báo cáo 100% trên bộ thử nghiệm rõ ràng và 97,5% có thêm biến thể nhiễu, mờ và ánh sáng |
|
Trình phát hiện đối tượng (R-CNN nhanh hơn và các biến thể) |
Định vị và phân loại nhiều lỗi trong một hình ảnh |
Mức cải thiện độ chính xác trung bình trung bình khoảng 0,1–0,15 được báo cáo so với đường cơ sở R-CNN nhanh hơn sau khi sửa đổi kiến trúc, trên điểm chuẩn NEU-DET |
|
Máy biến áp tầm nhìn (ViT) |
Phân loại và bản địa hóa, với khả năng nắm bắt bối cảnh hình ảnh tầm xa-mạnh mẽ hơn so với CNN |
Độ chính xác tổng thể đạt khoảng 96% được báo cáo cho sáu-phân loại lỗi bề mặt thép trong nghiên cứu được công bố gần đây |
Số liệu được tổng hợp từ nghiên cứu-được bình duyệt và in trước đã xuất bản bằng cách sử dụng bộ dữ liệu về khuyết tật bề mặt thép của NEU và có liên quan. Đây là các kết quả-nghiên cứu tiêu chuẩn, không đảm bảo hiệu suất sản xuất. - việc triển khai thực tế yêu cầu xác thực đối với sản phẩm cụ thể, thiết lập máy ảnh và số lượng lỗi của dòng được đề cập.
Một lợi thế thực tế của kiến trúc CNN nhẹ hiện đại là tốc độ suy luận: một số triển khai đã xuất bản chạy ở tốc độ trên 100 khung hình/giây trên một GPU công nghiệp, đủ nhanh để theo kịp cuộn dây hoặc dây chuyền chuyển động mà không trở thành nút cổ chai trong quy trình.
Tầm nhìn AI so sánh như thế nào với các phương pháp NDT truyền thống như thử nghiệm thẩm thấu thuốc nhuộm và dòng điện xoáy?
|
PHẦN KẾT LUẬN Tầm nhìn AI là một phương pháp kiểm tra-chỉ bề mặt và không thay thế cho thử nghiệm thẩm thấu thuốc nhuộm, thử nghiệm dòng điện xoáy hoặc thử nghiệm siêu âm nhằm phát hiện các vết nứt bề mặt-và các khuyết tật dưới bề mặt mà máy ảnh không thể nhìn thấy - một chương trình chất lượng thép không gỉ hoàn chỉnh sử dụng tầm nhìn AI để sàng lọc bề mặt-tốc độ cao, bao phủ toàn bộ{4}}và dự trữ các phương pháp NDT để đảm bảo tính toàn vẹn của mối hàn, phát hiện vết nứt và các khuyết tật thể tích. |
|||
|
Phương pháp |
Những gì nó phát hiện |
Tốc độ / Tự động hóa |
Phù hợp nhất |
|
Thị giác máy dựa trên AI- |
-Chỉ các khuyết tật có thể nhìn thấy được trên bề mặt (rỗ, trầy xước, vảy, vết bẩn nhìn thấy được trên bề mặt, các mảng) |
Toàn bộ-tốc độ, phạm vi-đầy đủ, kiểm tra tự động liên tục |
Sàng lọc bề mặt tấm, dải và cuộn có khối lượng lớn-phẳng{1}} |
|
Thử nghiệm thẩm thấu thuốc nhuộm (PT) |
Bề mặt-các vết nứt và độ xốp bị phá vỡ, bao gồm cả trên-thép không gỉ sắt từ |
Quy trình thủ công, gồm nhiều{0}}bước (áp dụng, giữ lại, xóa, phát triển, kiểm tra) |
Bề mặt hàn và đúc-kiểm tra vết nứt trong đó hình học hoặc vật liệu loại trừ các phương pháp khác |
|
Kiểm tra dòng điện xoáy (ECT) |
Các vết nứt bề mặt và gần{0}}bề mặt trong vật liệu dẫn điện; kết quả gần như{1}}tức thời |
Có thể được tự động hóa và sắp xếp, nhưng nhạy cảm với độ nhám và hình học của mối hàn |
Ống, mối hàn mỏng hơn và-sàng lọc khuyết tật bề mặt trên các sản phẩm không gỉ dẫn điện |
|
Kiểm tra siêu âm (UT) |
Các khuyết tật dưới bề mặt và thể tích, độ dày thành, sự ăn mòn, tính toàn vẹn của mối hàn ở độ sâu |
Yêu cầu người vận hành được đào tạo hoặc hệ thống mảng-theo giai đoạn tự động; không phải là phương pháp hình ảnh-bề mặt |
Mối hàn dày hơn, xác minh độ dày-của tường và phát hiện lỗ hổng bên trong |
Được tổng hợp từ tài liệu về thị giác máy và NDT đã xuất bản. Việc lựa chọn phương pháp phải tuân theo tiêu chuẩn kiểm tra hiện hành và dạng sản phẩm cụ thể (tấm cuộn-dẹt so với mối hàn và ống) thay vì mặc định theo bất kỳ phương pháp duy nhất nào.
Những hạn chế và thách thức triển khai của việc phát hiện lỗi AI là gì?
|
Việc phát hiện lỗi AI bị hạn chế bởi các yếu tố giống như hạn chế của bất kỳ mô hình được đào tạo nào: nó cần dữ liệu đào tạo lớn, mang tính đại diện và được dán nhãn chính xác; nó gặp khó khăn với các loại khiếm khuyết hiếm gặp được thể hiện thiếu trong dữ liệu đó (mất cân bằng lớp); nó có thể bị đánh lừa bởi các điều kiện-thực tế như độ rung, chuyển động mờ và ánh sáng không-đồng nhất khác với hình ảnh huấn luyện của nó; và nó vẫn yêu cầu sự giám sát của con người đối với các trường hợp nguy hiểm, giới thiệu sản phẩm mới và quyết định xử lý cuối cùng. |
Gánh nặng về dữ liệu và ghi nhãn: một mô hình chỉ hoạt động tốt bằng tập huấn luyện của nó và việc gắn nhãn chính xác cho hàng nghìn hình ảnh lỗi -, đặc biệt là các loại lỗi hiếm gặp hoặc khó phát hiện - là một khoản đầu tư trả trước đáng kể trước khi hệ thống đạt được độ tin cậy-cấp sản xuất.
Mất cân bằng loại: một số loại khuyết tật (vết nứt cạnh tách cuộn dây) xảy ra trong dữ liệu ít thường xuyên hơn nhiều so với các khuyết tật thông thường (vết xước nhỏ), mà nghiên cứu luôn xác định là thách thức cốt lõi trong việc phát hiện khuyết tật bề mặt thép, vì một mô hình được đào tạo chủ yếu về các khuyết tật phổ biến có thể-phát hiện kém những khuyết tật hiếm gặp nhưng nghiêm trọng.

Sự biến đổi của hình ảnh trong thế giới thực: độ rung, chuyển động mờ, độ sáng không nhất quán và nhiễu ở quy mô bề mặt được gắn cờ cụ thể trong tài liệu là các yếu tố khiến cho hình ảnh dây chuyền sản xuất thực tế-khó phân loại chính xác hơn so với hình ảnh chuẩn trong phòng thí nghiệm sạch sẽ.
Chuyển đổi cấp độ và sản phẩm: một mô hình được đào tạo trên một dạng sản phẩm, thước đo hoặc lớp hoàn thiện này có thể không được chuyển giao hoàn toàn sang một sản phẩm khác nếu không có dữ liệu đào tạo bổ sung hoặc học tập chuyển giao, vì vậy việc bảo trì mô hình là một chương trình diễn ra liên tục chứ không phải triển khai một lần.
Phạm vi-chỉ bề mặt: như đã đề cập ở trên, tầm nhìn AI không thể nhìn thấy các lỗ hổng dưới bề mặt hoặc thể tích, do đó, nó không loại bỏ nhu cầu kiểm tra chất thẩm thấu, dòng điện xoáy hoặc siêu âm trong đó các loại lỗ hổng đó đáng lo ngại.
Yêu cầu về con người-trong--vòng lặp: xử lý cuối cùng dựa trên thông số vật liệu chẳng hạn như ASTM A480 và yêu cầu đánh giá về các bản trình bày về ranh giới hoặc khiếm khuyết mới, vẫn được hưởng lợi từ kỹ sư chất lượng đã qua đào tạo xem xét các kết quả được gắn cờ -, đặc biệt là trong giai đoạn đầu sau khi triển khai.
Nhà sản xuất nên đánh giá ROI như thế nào trước khi thực hiện kiểm tra AI?
|
Đánh giá ROI kiểm tra AI dựa trên bốn yếu tố có thể đo lường được - làm giảm tình trạng bỏ sót và khiếu nại của khách hàng, phân bổ lại lao động kiểm tra, thông lượng dây chuyền đạt được từ việc loại bỏ kiểm tra thủ công như một nút thắt tốc độ và giá trị của chính dữ liệu lỗi để cải thiện quy trình ngược dòng - thay vì riêng biệt về độ chính xác của việc phát hiện lỗi-. |
Số liệu chính xác từ các tài liệu nghiên cứu là điểm khởi đầu, không phải là một trường hợp kinh doanh. Các câu hỏi-có liên quan đến quyết định hơn là: có bao nhiêu khiếu nại hoặc trả lại của khách hàng hiện đang truy tìm lại các lỗi bề mặt bị bỏ sót và điều gì sẽ có giá trị khi loại bỏ hầu hết các lỗi đó; lượng lao động kiểm tra hiện đang được dành cho việc kiểm tra bề mặt trực quan và liệu nhóm đó có thể được tái triển khai cho công việc kỹ thuật có chất lượng-có giá trị cao hơn không; Việc kiểm tra thủ công hiện có giới hạn tốc độ đường truyền không và công suất đó có giá trị bao nhiêu nếu bị loại bỏ; và liệu dữ liệu vị trí và phân loại lỗi do hệ thống tạo ra có thể được kết nối với các tham số quy trình ngược dòng (điều kiện cuộn, cài đặt dây chuyền tẩy, cấu hình nhiệt độ) để giảm tỷ lệ lỗi tại nguồn thay vì chỉ bắt lỗi nhanh hơn ở cuối dây chuyền.
Chương trình thí điểm trên một dây chuyền hoặc dòng sản phẩm, được so sánh với các kết quả kiểm tra thủ công hiện có trong một khoảng thời gian xác định, là cách đáng tin cậy nhất để xác thực cả các tuyên bố về độ chính xác cũng như các giả định về sản lượng và lao động trước khi cam kết triển khai đầy đủ.
Câu hỏi thường gặp
Câu hỏi: Việc phát hiện khuyết điểm bằng AI có thể thay thế hoàn toàn người kiểm tra chất lượng con người không?
Đ: Không hoàn toàn. Hệ thống AI xử lý việc sàng lọc bề mặt-tốc độ cao, bao phủ toàn bộ{2}}một cách nhất quán hơn nhiều so với những người kiểm tra mệt mỏi của con người, nhưng quyết định cuối cùng đối với thông số kỹ thuật của vật liệu, phán đoán về các khiếm khuyết ở ranh giới hoặc mới lạ cũng như việc giám sát bản thân mô hình vẫn cần đến một kỹ sư chất lượng đã được đào tạo. Hầu hết hoạt động triển khai sản xuất đều do con người tham gia-trong-vòng lặp- chứ không phải tự chủ hoàn toàn.
Câu hỏi: Cơ sở dữ liệu về khuyết tật bề mặt NEU là gì và tại sao nó lại xuất hiện thường xuyên trong lĩnh vực này?
Đáp: Cơ sở dữ liệu về khuyết tật bề mặt của NEU (Đại học Northeastern) là một tập hợp các hình ảnh bề mặt thép được dán nhãn được sử dụng rộng rãi và công khai bao gồm sáu loại khuyết tật - nứt nẻ, bao gồm, vá lỗi, bề mặt rỗ, cán-theo tỷ lệ và vết trầy xước. Nó đã trở thành tiêu chuẩn học thuật tiêu chuẩn để đào tạo và so sánh các mô hình phát hiện khuyết tật bề mặt thép, đó là lý do tại sao có rất nhiều dữ liệu về độ chính xác được công bố đề cập đến nó.
Câu hỏi: Kiểm tra bằng hình ảnh AI có thay thế kiểm tra dòng điện xoáy hoặc siêu âm cho mối hàn không?
Đáp: Không. Tầm nhìn AI là phương pháp hình ảnh-bề mặt và không thể phát hiện các lỗ hổng dưới bề mặt hoặc thể tích. Thử nghiệm dòng điện xoáy vẫn là tiêu chuẩn để phát hiện nhanh vết nứt bề mặt và gần{3}}bề mặt trên vật liệu dẫn điện, đồng thời thử nghiệm siêu âm vẫn là tiêu chuẩn cho các khuyết tật dưới bề mặt, độ dày thành và tính toàn vẹn của mối hàn ở độ sâu. Những phương pháp này bổ sung cho tầm nhìn AI chứ không phải thay thế nó.
Câu hỏi: Hệ thống phát hiện lỗi AI trong sản xuất thực tế có độ chính xác như thế nào chứ không chỉ là các tiêu chuẩn nghiên cứu?
Đáp: Các tiêu chuẩn nghiên cứu được công bố thường cho độ chính xác trên 95–99%, nhưng những số liệu đó đến từ các tập dữ liệu được tuyển chọn. Độ chính xác trong sản xuất thực tế phụ thuộc vào mức độ trùng khớp giữa điều kiện máy ảnh, ánh sáng và sản phẩm được triển khai với dữ liệu đào tạo và các nhà cung cấp chuyên về triển khai công nghiệp cho biết độ chính xác sản xuất có thể đạt được trong phạm vi trên 95% khi hệ thống được điều chỉnh phù hợp với dòng cụ thể -. Đó là lý do tại sao chương trình thử nghiệm đã được xác thực lại quan trọng hơn chỉ riêng con số chuẩn.
Câu hỏi: Nhà sản xuất cần có dữ liệu gì trước khi bắt đầu dự án kiểm tra AI?
Đáp: Một bộ hình ảnh đại diện, được dán nhãn chính xác bao gồm các loại lỗi mà dây chuyền thực sự tạo ra, lý tưởng nhất là bao gồm các ví dụ về các loại lỗi hiếm gặp thay vì chỉ những lỗi phổ biến và hình ảnh được chụp trong điều kiện sản xuất thực tế (không chỉ các mẫu sạch trong phòng thí nghiệm) để mô hình học cách xử lý độ rung, ánh sáng và tiếng ồn mà nó thực sự sẽ thấy khi vận hành.
Bản tóm tắt
Tính năng phát hiện khuyết tật dựa trên AI{0}}đã chuyển từ nghiên cứu hàn lâm sang một công cụ thực tế, có thể triển khai để kiểm tra chất lượng bề mặt thép không gỉ, với các mô hình CNN và Vision Transformer hiện báo cáo độ chính xác trong khoảng 95–99%+ đối với điểm chuẩn tiêu chuẩn và chạy đủ nhanh để kiểm tra đường chuyển động trong thời gian thực. Nó trực tiếp giải quyết hai điểm yếu của các phương pháp mà nó thay thế: sự mệt mỏi và thiếu nhất quán của người kiểm tra con người cũng như tỷ lệ sai-dương tính cao của thị giác máy dựa trên ngưỡng đơn giản{6}}.
Những gì nó không làm là thay thế các phương pháp NDT - thử nghiệm thẩm thấu thuốc nhuộm, dòng điện xoáy và siêu âm - phát hiện các lỗ hổng dưới bề mặt và thể tích mà AI mà tầm nhìn không thể nhìn thấy và nó không thay thế tiêu chuẩn vật liệu quản lý, ASTM A480, như là lời cuối cùng về tiêu chí chấp nhận. Các nhà sản xuất thu được nhiều giá trị nhất từ công nghệ này đang coi nó như một-lớp được tích hợp tốt trong hệ thống chất lượng rộng hơn, được xác thực dựa trên dữ liệu sản xuất thực tế chứ không phải là một công nghệ duy nhất được hoán đổi để kiểm tra thủ công toàn bộ.

