Intelligenza artificiale nel controllo qualità dell'acciaio inossidabile: rilevamento automatizzato dei difetti

Cos'è il rilevamento dei difetti basato sull'AI-?

L'ispezione tradizionale delle superfici in acciaio inossidabile si basa su ispettori umani addestrati, a volte assistiti da una visione artificiale di base che segnala qualsiasi cosa più luminosa, più scura o più grande di una soglia di pixel fissa. Entrambi gli approcci hanno limiti ben-documentati: gli ispettori umani si affaticano per un turno di 8- o 12-ore e non riescono a mantenere la piena attenzione su ogni metro di una bobina mobile, mentre semplici sistemi di visione basati su soglie-generano un gran numero di falsi positivi - fonti industriali citano tassi di falsi positivi del 15-30% - perché non sono in grado di distinguere un difetto autentico da una variazione superficiale innocua come un riflesso, un segno di rotolamento entro la tolleranza o un'illuminazione artefatto.

Il rilevamento dei difetti tramite intelligenza artificiale, il più delle volte basato su reti neurali convoluzionali (CNN) o sulle più recenti architetture Vision Transformer (ViT), viene addestrato su migliaia o milioni di immagini etichettate in modo da apprendere le caratteristiche visive che separano un difetto autentico dalla normale variazione superficiale. Una volta addestrato, il modello esegue l'inferenza sulle immagini della telecamera in tempo reale alla velocità della linea di produzione, segnala e classifica i difetti e può trasmettere tali informazioni direttamente ai sistemi di controllo della linea per l'ordinamento, la marcatura o il rifiuto in tempo reale-senza che un essere umano debba rivedere ogni fotogramma.

Quali tipi di difetti possono rilevare i sistemi di intelligenza artificiale sulle superfici in acciaio inossidabile?

Categorie di difetti compilate dal database dei difetti superficiali NEU (il punto di riferimento accademico standard per la classificazione dei difetti superficiali dell'acciaio) e dalle guide pubblicate sui difetti dei produttori di acciaio inossidabile. I criteri di accettazione per qualsiasi tipo e gravità di difetto specifico devono fare riferimento ai requisiti di finitura superficiale ASTM A480 e all'ordine di acquisto in vigore.

Come funziona effettivamente un sistema di ispezione visiva con intelligenza artificiale in produzione?

Illuminazione e acquisizione di immagini

Un'illuminazione coerente e ben-controllata è un prerequisito, non un ripensamento. La superficie riflettente dell'acciaio inossidabile rende la progettazione dell'illuminazione davvero difficile: l'illuminazione irregolare o non-uniforme è uno dei motivi più comunemente citati per cui le immagini della superficie in acciaio sono difficili da classificare in modo affidabile, insieme alle vibrazioni, al motion blur e al rumore proveniente dalla scala della superficie. Le telecamere ad alta velocità-line{5}}scan o area-scan catturano immagini della striscia o del foglio in movimento, spesso da più angolazioni o con più geometrie di illuminazione per individuare difetti che diventano visibili solo a determinati angoli di riflessione.

Preelaborazione e modello di deep learning

Le immagini catturate vengono preelaborate - ridimensionate, normalizzate, talvolta filtrate per ridurre il rumore o correggere l'-illuminazione non uniforme - prima di essere passate al modello addestrato. Le ricerche pubblicate mostrano che questa fase di preelaborazione da sola può migliorare in modo significativo l'accuratezza della classificazione anche su un'architettura CNN ben-sintonizzata. Il modello stesso esegue uno o più dei tre compiti seguenti: classificazione (che tipo di difetto è questo), localizzazione (dove si trova sull'immagine) e segmentazione (qual è il confine esatto del difetto).

Livello decisionale e integrazione di linea

Lo strato finale converte l'output del modello in un'azione: contrassegnare la posizione del difetto per la gestione a valle, attivare uno scarto automatico, registrare il tipo e la gravità del difetto in un database di qualità o, in implementazioni più mature, reinserire la frequenza dei difetti e i dati sui modelli nei sistemi di controllo e manutenzione del processo a monte (un punto di integrazione sempre più comune con i sistemi di gestione della manutenzione computerizzata, o CMMS), in modo che modelli di difetti ricorrenti possano attivare la manutenzione delle apparecchiature prima che causino ulteriori perdite.

Quali architetture di deep learning vengono utilizzate per il rilevamento dei difetti dell'acciaio?

Cifre compilate da ricerche peer-reviewed e prestampa pubblicate utilizzando il NEU e i relativi set di dati sui difetti superficiali dell'acciaio. Questi sono risultati di ricerca-benchmark, non prestazioni di produzione garantite - le implementazioni reali richiedono la convalida rispetto al prodotto specifico, alla configurazione della fotocamera e alla popolazione di difetti della linea in questione.

Un vantaggio pratico delle moderne architetture leggere della CNN è la velocità di inferenza: diverse implementazioni pubblicate funzionano a oltre 100 fotogrammi al secondo su una singola GPU industriale, che è abbastanza veloce da tenere il passo con una bobina mobile o una linea di fogli senza diventare il collo di bottiglia nel processo.

Come si confronta AI Vision con i tradizionali metodi NDT come i liquidi penetranti e i test con correnti parassite?

Compilato in base alla letteratura pubblicata sugli NDT e sulla visione artificiale-. La selezione del metodo dovrebbe seguire lo standard di ispezione applicabile e la forma specifica del prodotto (lamiera piatta-laminata rispetto a saldatura rispetto a tubo) anziché ricorrere a un singolo metodo per impostazione predefinita.

Quali sono i limiti e le sfide di implementazione del rilevamento dei difetti dell'intelligenza artificiale?

Onere relativo ai dati e all'etichettatura: un modello è valido tanto quanto il suo set di addestramento e l'etichettatura accurata di migliaia di immagini di difetti - soprattutto tipi di difetti rari o impercettibili - è un investimento iniziale significativo prima che un sistema raggiunga l'affidabilità del livello di produzione-.

Squilibrio di classe: alcuni tipi di difetti (una fessura della bobina-sul bordo divisorio) si verificano molto meno spesso nei dati rispetto a quelli di routine (graffi minori), che la ricerca identifica costantemente come una sfida fondamentale nel rilevamento dei difetti della superficie dell'acciaio, poiché un modello addestrato principalmente su difetti comuni può sotto-rilevare quelli rari ma gravi.

Variabilità dell'immagine-nel mondo reale: vibrazioni, motion blur, illuminazione incoerente e rumore su scala superficiale sono specificatamente segnalati in letteratura come fattori che rendono le immagini della linea di produzione-reale più difficili da classificare con precisione rispetto alle immagini di riferimento di laboratorio pulite.

Cambi di qualità e prodotto: un modello addestrato su una forma, un calibro o una finitura del prodotto potrebbe non essere trasferito in modo pulito a un altro senza ulteriori dati di addestramento o trasferimento dell'apprendimento, quindi la manutenzione del modello è un programma continuo, non un'implementazione- una tantum.

Copertura solo superficiale-: come spiegato in precedenza, la visione dell'AI non è in grado di rilevare difetti del sottosuolo o volumetrici, quindi non elimina la necessità di test con penetranti, correnti parassite o ultrasuoni laddove questi tipi di difetti rappresentano un problema.

Requisito umano-in-the-loop: la disposizione finale rispetto a una specifica del materiale come ASTM A480 e le richieste di giudizio su presentazioni di difetti borderline o nuovi, traggono comunque vantaggio da un tecnico della qualità qualificato che esamina i risultati segnalati - in particolare durante il periodo iniziale dopo l'implementazione.

In che modo un produttore dovrebbe valutare il ROI prima di implementare l'ispezione AI?

I dati sull’accuratezza ricavati dagli articoli di ricerca sono un punto di partenza, non un business case. Le domande-più rilevanti per la decisione sono: quanti reclami o resi dei clienti sono attualmente riconducibili a difetti superficiali non rilevati e quanto varrebbe eliminarne la maggior parte; quanta manodopera ispettiva è attualmente dedicata ai controlli visivi delle superfici e tale squadra potrebbe essere riassegnata a lavori di ingegneria di qualità-di valore più elevato; l'ispezione manuale attualmente limita la velocità della linea e quanto vale tale capacità se rimossa; ed è possibile collegare la classificazione dei difetti e i dati sulla posizione generati dal sistema ai parametri del processo a monte (condizioni dei rulli, impostazioni della linea di decapaggio, profili di temperatura) per ridurre il tasso di difetti alla fonte invece di individuarli più velocemente alla fine della linea.

Un programma pilota su una singola linea o famiglia di prodotti, confrontato con i risultati delle ispezioni manuali esistenti per un periodo definito, è il modo più affidabile per convalidare sia le dichiarazioni di accuratezza che le ipotesi di produttività e manodopera prima di impegnarsi in un'implementazione completa.

Domande frequenti

D: Il rilevamento dei difetti tramite intelligenza artificiale può sostituire completamente gli ispettori di qualità umani?

R: Non del tutto. I sistemi di intelligenza artificiale gestiscono lo screening della superficie ad alta-velocità e-copertura completa in modo molto più coerente rispetto agli affaticati ispettori umani, ma la disposizione finale rispetto a una specifica del materiale, il giudizio sui difetti borderline o nuovi e la supervisione del modello stesso richiedono ancora un ingegnere della qualità qualificato. La maggior parte delle implementazioni di produzione sono umane-nel-the-loop anziché completamente autonome.

D: Cos'è il database dei difetti superficiali NEU e perché compare così spesso in questo campo?

R: Il database dei difetti superficiali della NEU (Northeastern University) è un insieme ampiamente utilizzato e disponibile al pubblico di immagini di superfici in acciaio etichettate che coprono sei categorie di difetti: - cavillature, inclusioni, macchie, superficie bucherellata, laminazione-in scala e graffi. È diventato il punto di riferimento accademico standard per la formazione e il confronto dei modelli di rilevamento dei difetti della superficie dell'acciaio, motivo per cui così tanti dati di accuratezza pubblicati fanno riferimento ad esso.

D: L'ispezione visiva tramite intelligenza artificiale sostituisce i test a correnti parassite o a ultrasuoni per le saldature?

R: No. La visione AI è un metodo di immagine-della superficie e non è in grado di rilevare difetti del sottosuolo o volumetrici. I test con correnti parassite rimangono lo standard per il rilevamento rapido di crepe superficiali e vicine alla superficie-su materiali conduttivi, mentre i test a ultrasuoni rimangono lo standard per i difetti del sottosuolo, lo spessore delle pareti e l'integrità della saldatura in profondità. Questi metodi sono complementari alla visione dell’IA, non sostituiti da essa.

D: Quanto sono accurati i sistemi di rilevamento dei difetti dell'intelligenza artificiale nella produzione reale, non solo nei benchmark di ricerca?

R: I benchmark di ricerca pubblicati riportano comunemente un'accuratezza del 95-99% +, ma queste cifre provengono da set di dati selezionati. La reale precisione della produzione dipende da quanto la telecamera implementata, l'illuminazione e le condizioni del prodotto corrispondono ai dati di formazione, e i fornitori specializzati nell'implementazione industriale citano una precisione di produzione ottenibile nell'intervallo del 95%+ una volta che un sistema è adeguatamente sintonizzato sulla linea specifica -, motivo per cui un programma pilota convalidato conta più di un solo numero di riferimento.

D: Di quali dati deve disporre un produttore prima di avviare un progetto di ispezione IA?

R: Una serie di immagini rappresentative e accuratamente etichettate che coprono i tipi di difetti effettivamente prodotti dalla linea, idealmente includendo esempi di tipi di difetti rari anziché solo quelli comuni, e immagini catturate in condizioni di produzione realistiche (non solo campioni di laboratorio puliti) in modo che il modello impari a gestire le vibrazioni, l'illuminazione e il rumore che vedrà effettivamente in servizio.

Riepilogo

Il rilevamento dei difetti basato sull'intelligenza artificiale- è passato dalla ricerca accademica a uno strumento pratico e implementabile per l'ispezione della qualità della superficie dell'acciaio inossidabile, con i modelli CNN e Vision Transformer che ora riportano una precisione nell'intervallo del 95-99%+ su benchmark standard e funzionano abbastanza velocemente da ispezionare una linea in movimento in tempo reale. Affronta direttamente i due punti deboli dei metodi che sostituisce: la fatica e l'incoerenza degli ispettori umani e gli elevati tassi di falsi{5}}positivi della visione artificiale basata su soglie semplici-.

Ciò che non fa è sostituire i metodi NDT - coloranti penetranti, correnti parassite e test a ultrasuoni - che rilevano difetti volumetrici e del sottosuolo che la visione AI non può vedere, e non sostituisce lo standard sui materiali in vigore, ASTM A480, come ultima parola sui criteri di accettazione. I produttori che ottengono il massimo valore da questa tecnologia la trattano come uno strato ben-integrato in un sistema di qualità più ampio, convalidato rispetto a dati di produzione reali, piuttosto che come una singola tecnologia sostituita per l'ispezione manuale all'ingrosso.