Use Case: Detectie van defecten in metalen oppervlakken

Met de opkomst van Industrial IoT (IIoT) en Industry 4.0 speelt ML een steeds grotere rol bij het mogelijk maken van automatisering . Met dit in gedachten hebben we een ML-model gebouwd dat defecten op metalen materialen kan classificeren met behulp van beeldherkenning.

Grondstoffen zoals multiplex, metaal en kunststoffen ondergaan vaak strenge kwaliteitscontrolemaatregelen om ervoor te zorgen dat ze voldoen aan de behoeften en vereisten van de industrieën waarin ze worden gebruikt. In sommige gevallen kunnen dergelijke materialen worden ingedeeld in verschillende klassen op basis van het type en de hoeveelheid aanwezige defecten, terwijl in andere gevallen materialen kunnen worden weggegooid omdat ze defecten hebben.

Met de opkomst van Industrial IoT (IIoT) en Industrie 4.0, speelt ML een steeds grotere rol bij het mogelijk maken van automatisering. Dit omvat het gebruik van computervisie om defecten te analyseren en op te sporen met producten zoals grondstoffen op assemblagelijnen, maar ook in het veld (bijvoorbeeld om metaalmoeheid te detecteren).

Met dit in gedachten hebben we een ML-model gebouwd dat defecten op metalen materialen kan classificeren met behulp van beeldherkenning. Dit omvatte het voorbereiden en ruziën van de trainingsgegevens, het bouwen van een .csv-bestand om die gegevens toe te wijzen aan de classificaties en het herhalen met het model in PerceptiLabs.

Dataset

We hebben een subset van afbeeldingen uit deze Kaggle-dataset gebruikt die 10 verschillende metaaldefecten vertegenwoordigen:

• Kreuk: verticale of transversale vouwen over een metalen strip veroorzaakt tijdens het afwikkelproces.
• Crescent Gap: defecten veroorzaakt door snijden, in de vorm van een halve cirkel.
• Inclusie: oppervlaktedefecten in verschillende vormen (bijv. visschubbenvorm) die los kunnen zitten en gemakkelijk van het metaal kunnen vallen of in het metaal kunnen worden gedrukt.
• Olievlek : vervuiling veroorzaakt door mechanisch smeermiddel dat het uiterlijk van het product aantast.
• Ponsen: stalen strips met extra, ongewenste ponsgaten veroorzaakt door mechanisch defect.
• Rolled Pit: periodieke uitstulpingen of putjes op het metaaloppervlak, vaak veroorzaakt door werk of spanningsrol schade.
• Silk Spot: golfachtige plaque op het oppervlak, vaak veroorzaakt door de ongelijke druk of temperatuur van een roller.
• Laslijn : een laslijn die optreedt wanneer een stalen strip wordt vervangen.
• Watervlek: vlekken die optreden bij het drogen van het metaal tijdens de productie.
• Tailleplooien: rimpelachtige plooien veroorzaakt door koolstofarm.

Opmerking: zie Kaggle voor meer informatie over deze defecten.

Afbeelding 1: afbeeldingen uit de trainingsdataset met verschillende metalen vouwen.

We gebruikten PerceptiLabs’ Data Wizard om het formaat van de afbeeldingen te wijzigen naar een resolutie van 224×224 pixels en een .csv-bestand te maken om de afbeeldingen toe te wijzen aan hun respectievelijke classificaties. Hieronder ziet u een gedeeltelijk voorbeeld van hoe het .csv-bestand eruitziet:

Voorbeeld van een .csv-bestand om gegevens in PerceptiLabs te laden door afbeeldingen toe te wijzen aan classificaties.

De doelkolom specificeert de nominale waarden die de classificatie van elke afbeelding vertegenwoordigen. Deze classificaties worden hier getoond:

Modeloverzicht

Ons model is gebouwd met slechts drie componenten:

Figuur 2: Topologie van het model in PerceptiLabs.

Training en resultaten

Figuur 3: PerceptiLabs’ Statistiekweergave tijdens de training.

We hebben het model geconfigureerd om te worden uitgevoerd met behulp van een Cross Entropy-verliesfunctie en de ADAM-optimizer met een leersnelheid van 0,001, over 10 tijdperken in batches van 64.

Met een trainingstijd van 22 minuten en 33 seconden, konden we een trainingsnauwkeurigheid van 98,51% en een validatienauwkeurigheid van 80,4% bereiken. In de volgende screenshot van PerceptiLabs kunt u zien hoe zowel de trainings- als de validatienauwkeurigheid zijn toegenomen het meest tijdens het eerste tijdperk. De nauwkeurigheid van de training bleef stijgen tot rond het vijfde tijdperk, terwijl de validatienauwkeurigheid redelijk stabiel bleef vanaf het tweede tijdperk met een tijdelijke afname tussen het vijfde en zevende tijdperk:

Afbeelding 4: Nauwkeurigheidsgrafiek.

Afbeelding 5 toont het verlies tijdens de training:

Figuur 5: Verliesgrafiek.

Trainingsverlies begon relatief hoog, nam het meest af tijdens de eerste periode en bleef geleidelijk afnemen tijdens de training. Validatieverlies begon relatief laag en bleef redelijk stabiel met weinig afname tijdens de training.

Verticale applicaties

Voor IIoT- en Industrie 4.0-toepassingen zou een dergelijk model kunnen worden gebruikt om visuele kwaliteitsborgingsprocessen te automatiseren die defecten identificeren. Beelden of videostreams die door een camera op een assemblagelijn worden ontvangen, kunnen bijvoorbeeld worden geanalyseerd om materiaaldefecten periodiek of in realtime te identificeren. Deze gegevens kunnen ook worden vergeleken met die van andere camera's om te helpen identificeren waar zich problemen in het productieproces voordoen (bijvoorbeeld om machines te identificeren die onderhoud nodig hebben).

Het model zelf zou ook als basis kunnen worden gebruikt voor transfer learning om modellen te creëren die andere materiaaldefecten detecteren, zoals die gevonden worden bij de productie van multiplex. In dit geval kunnen defecten afkomstig zijn van het hout zelf in plaats van van een productieproces, in welk geval het product een kwaliteitsklasse kan krijgen en dienovereenkomstig geprijsd.

Samenvatting

Dit gebruik case is een eenvoudig voorbeeld van hoe ML kan worden gebruikt om defecten in materialen te identificeren met behulp van beeldherkenning. Als je een soortgelijk deep learning-model wilt bouwen, voer dan PerceptiLabs uit en pak een kopie van onze voorverwerkte dataset van GitHub.