Методы определения дефектов в деталях машин

Цель: Закрепить полученные знания по способам выявления дефектов, дефектации деталей и составлении ведомости дефектов 

Ход работы :

1.     Изучить теоретический материал
2.     Выбрать задание по таблице в соответствии с вариантом
3.     Дать подробное описание заданных способов выявления дефектов.
4.     Заполнить ведомость дефектов в соответствии с задачей
5.     Сделать вывод

Таблица 1 – Задание

Задача

При разборке станка выявлены следующие дефекты: изогнут винт подачи каретки, большой люфт на лимбе подачи, изношены направляющие бабки, сломана шестерня в коробке скоростей.

Теоретическая часть

Очищенные детали подвергают дефектации с целью оценки их технического состояния, выявления дефектов и установления воз­можности дальнейшего использования, необходимости ремонта или замены. При дефектации выявляют: износы рабочих поверхностей в виде изменений размеров и геометрической формы детали; наличие выкрошиваний, трещин, сколов, пробоин, царапин, рисок, задиров и т. п.; остаточные деформации в виде изгиба, скручивания, короб­ления; изменение физико-механических свойств в результате воздей­ствия теплоты или среды.

Дефектацию промытых и просушенных деталей производят после их комплектования по узлам, которую необходимо выполнять аккуратно и внимательно. Каждую деталь сначала осматривают, затем соответствующим поверочным и измерительным инструментом проверяют ее размеры. В отдельных случаях проверяют взаимодействие данной детали с другими, сопряженными с ней.

Способы выявления дефектов:

1. Внешний осмотр. Позволяет определить значительную часть дефектов: пробоины, вмятины, явные трещины, сколы, выкрошивания в подшипниках и зубчатых колесах, коррозию и др.

2. Проверка на ощупь. Определяется износ и смятие резьбы на деталях, легкость проворота подшипников качения и цапф вала в подшипниках скольжения, легкость перемещения шестерен по шлицам вала, наличие и относительная величина зазоров сопряжен­ных деталей, плотность неподвижных соединений и др.

3. Простукивание. Деталь легко остукивают мягким молотком или рукояткой молотка с целью обнаружения трещин, о наличии которых свидетельствует дребезжащий звук.

4. Керосиновая проба. Проводится с целью обнаружения трещины и ее концов. Деталь либо погружают на 15—20 мин в керосин, либо предполагаемое дефектное место смазывают кероси­ном. Затем тщательно протирают и покрывают мелом. Выступаю­щий из трещины керосин — увлажнит мел и четко проявит границы трещины.

5. Измерение. С помощью измерительных инструментов и средств определяется величина износа и зазора в сопряженных деталях, отклонение от заданного размера, погрешности формы и расположения поверхностей.

6. Проверка твердости. По результатам замера твер­дости поверхности детали обнаруживаются изменения, произошед­шие в материале детали в процессе ее эксплуатации.

7. Гидравлическое (пневматическое) испытание. Служит для обнаружения трещин и раковин в корпусных де­талях. С этой целью в корпусе заглушают все отверстия, кроме одного, через которое нагнетают жидкость под давлением 0,2— 0,3 МПа. Течь или запотевание стенок укажет на наличие трещины. Возможно также нагнетание воздуха в корпус, погруженный в воду. Наличие пузырьков воздуха укажет на имеющуюся неплотность.

8. Магнитный способ. Основан на изменении величины и направления магнитного потока, проходящего через деталь, в местах с дефектами. Это изменение регистрируется нанесением на испытуе­мую деталь ферромагнитного порошка в сухом или взвешенном в керосине (трансформаторном масле) виде: порошок оседает по кромкам трещины. Способ используется для обнаружения скрытых трещин и раковин в стальных и чугунных деталях. Применяются стационарные и переносные (для крупных деталей) магнитные де­фектоскопы.

9. Ультразвуковой способ. Основан на свойстве уль­тразвуковых волн отражаться от границы двух сред (металла и пус­тоты в виде трещины, раковины, непровара). Импульс, отраженный от дефектной полости, регистрируется на экране установки, опреде­ляя место дефекта и его размеры. Применяется ряд моделей уль­тразвуковых дефектоскопов.

10. Люминесцентный способ. Основан на свойстве не­которых веществ светиться в ультрафиолетовых лучах. На поверхность детали кисточкой или погружением в ванну наносят флюоресцирующий раствор. Через 10—15 мин поверхность протирают, просушивают сжатым воздухом и наносят на нее тонкий слой порошка (углекислого магния, талька, силикагеля), впитывающего жидкость из трещин или пор. После этого деталь осматривают в затемненном помещении в ультрафиолетовых лучах. Свечение люминофора укажет расположение трещины. Используются стационарные и переносные
дефектоскопы. Способ применяется в основном для деталей из цветных металлов и неметаллических материалов, так как их контроль другим способом невозможен.

В ведомости дефектов подробно перечисляются дефекты станка в целом, каждоrо узла в отдельности и каждой детали, подлежа­щей восстановлению и упрочнению. Правильно составленная и достаточно подробная ведомость дефектов является существенным дополнением к технологическим процессам ремонта.

Дефектацию промытых и просушенных деталей производят после их комплектования по узлам. Эта операция требует большого внимания. Каждую деталь сначала осматривают, затем соответствующим поверочным и измерительным инструментом проверят его размеры. В отдельных случаях проверяют взаимодействие данной детали с другими, сопряженными с ней.

В ведомости дефектов подробно перечисляются дефекты оборудования в целом, каждого узла в отдельности и каждой детали, подлежащей восстановлению и упрочнению.

При дефектации важно знать и уметь назначать величины предельных износов для различных деталей оборудования.

При разборке подлежащего ремонту оборудования на узлы и детали производятся контроль и сортировка егo деталей на следующие группы: 

1) годные для дальнейшей эксплуатации; 

2) требующие ремонта или восстановления;

3) негодные, подлежащие замене.

Годные ­ не имеющие повреждений, влияющих на их работу в оборудовании, сохранившие свои первоначальные размеры или имеющие износ в пределах поля допуска по чертежу.

Требующие  ремонта ­ имеющие износ или повреждения, устранение которых технически возможно и экономически целесообразно. Ремонту подвергают трудоемкие в изготовлении детали, восстановление которых обходится значительно дешевле вновь изготовляемых. Ремонтируемая деталь должна обладать значительным запасом прочности, позволяющим восстанавливать или заменять размеры сопрягаемых поверхностей (по системе ремонтных размеров), не снижая (а в ряде случаев повышая) их долговечность, сохраняя или улучшая эксплуатационные качества узла и агрегата в целом.

Негодные ­ подлежащие замене, имеющие износ и повреждения, устранение которых либо невозможно по техниче­ским причинам, либо экономически нецелесообразно.

Детали подлежащие замене, если уменьшение их размеров в результате износа нарушает нормальную работу механизма или вызывает дальнейший интенсивный износ, который приводит к выходу механизма из строя.

При ремонте оборудования замене подлежат детали с предельным износом, а также с износом меше допустимого, если они по расчету не дослужат до очередного ремонта. Расчет срока службы деталей производится с учетом предельного износа интенсивности их изнашивания в фактических условиях эксплуатации.

С целью повышения качества дефектации, сокращения времени на составление ведомости на ремонт рационально пользоваться заготовленными типовыми ведомостями дефектов. Эти ведомости отличаются от известных тем, что в них внесены все изнашиваемые детали станка определенной модели, определены различные возможные виды дефектов деталей и узлов и перечислены операции или даны краткие описания конкретных работ, подлежащих выполнению при ремонте.

Готовая ведомость на ремонт резко упрощает процесс дефектации, сокращает время на ее оформление, при этом сохраняются порядковые номера пунктов ведомости и деталей, что позволяет производить маркировку последних до их разбраковки, уменьшаются ошибки при решении метода ремонта.

Таким образом, процесс дефектации в основном сводится к сверке ремонтируемых деталей с типовой ведомостью дефектов, в которой подчеркивают соответствующий порядковый номер, операцию, группу операций и ремонтных работ. Когда ( в редких случаях) в ведомости отсутствует нужная деталь или не предусмотрен возможный дефект, тогда делают соответствующую дополнительную запись.

 После составления ведомости дефектов начинается ее конструкторская проработка и выдача чертежей для проведения капитального или среднего ремонта и изготовления деталей, оформляется технологическая документация. Эта ведомость является исходным техническим и финансовым документом, по которому контролируют ход изготовления, ремонта, сборки и сдачи станка после ремонта.

Выявление дефектов и повреждений (дефектоскопия) строительных конструкций — проектно экспертная компания Моспроекткомплекс.

Первым и одним из главных этапов обследования строительных конструкций зданий и сооружений является определение внутренних и наружных дефектов и повреждений, иными словами – дефектоскопия.

Дефектоскопия – это мероприятия по выявлению дефектов и повреждений строительных конструкций, за которыми следуют их классификация, определение степени, оценка влияния на характеристики конструкции, анализ происхождения и разработка рекомендаций по устранению для дальнейшей эксплуатации конструкции.

Дефектоскопия занимается двумя видами отклонений и пороков в конструкциях – дефектами и повреждениями.
Дефект – это любое отклонение от требований норм, стандарта или проекта (например, отклонение прочности, соосности, фактических размеров элементов конструкций и их сечений и узлов соединений), которое возникает на стадии проектирования, изготовления, транспортировки материалов и изделий либо в процессе возведения здания или сооружения.
Повреждение – те же отклонения от исходного состояния, возникшие в процессе эксплуатации конструкций и превышающие установленные начальные допускаемые величины.

Каковы причины дефектов и повреждений?

Причины многочисленны. Дефекты конструкций в большинстве случаев возникают из-за низкой культуры технологии изготовления и монтажа конструкций, вследствие соответствующей классификации рабочих сил, не внимательного надзора на строительной площадке, недостаточного финансирования, нехватки времени и средств и ряда других причин. Однако происходят случаи, когда дефекты являются следствием дефектов поставочных материалов, а также ошибок при изысканиях (недостаток информации о грунтах будущего места строительства, устаревшие данные о геологических изысканиях) и проектировании (неверно заданные (неактуальные) значения нагрузок и воздействий и прочие ошибки при расчетах). Повреждения в свою очередь зависят от конкретных условий эксплуатации.

Какие бывают дефекты и повреждения?

Дефекты и повреждения делятся на несколько групп:

По степени опасности: 

• Критические дефекты (группа А), при которых дальнейшая эксплуатация конструкции практически невозможна или недоступна, существует конструктивная опасность. Как правило, соответствует аварийному или недопустимому техническому состоянию.
• Значительные дефекты (группа Б), не представляющие прямую опасность, но существенно влияющие на эксплуатационные параметры конструкции. Со временем может вызывать повреждения группы А или сами развиться до этой степени. Как правило, соответствует недопустимому или ограниченно работоспособному техническому состоянию.
• Малозначительные дефекты (группа В), имеют локальный характер и практически не влияют на дальнейшее использование конструкции.

По способам обнаружения: 

• Явный дефект, для выявления которого в нормативах предусмотрены соответствующие правила, методы, средства.

• 
  Скрытый дефект, для обнаружения которых в действующих нормах отсутствуют соответствующие правила, методы, средства.

По возможности устранения: 

По типу и материалу конструкций.

В группе учитывается специфика работы каждых видов конструкций в зависимости от материала, т.к. у каждого из них свои физические свойства.

Железобетонные конструкции. 

Характерные и наиболее серьезные повреждения и дефекты:
Технологические: неустановка монтажных связей, несоосность элементов, недостаточные длины опираний, отсутствие закладных деталей, низкое качество монтажных соединений, нарушение последовательности монтажа, механические повреждения в виде сколов бетона, отклонения элементов от вертикали/горизонтали, отсутствие сплошности монолита бетона: раковины, каверны, полости и пр. Редко опасным дефектом является обрыв преднапряженной арматуры при изготовлении.
Эксплуатационные: отслоение (разрушение) защитного слоя, уменьшение размеров поперечных сечений элементов конструкции, чрезмерные прогибы, коррозия арматурных стержней, образование трещин и их недопустимое раскрытие, появление высолов на поверхности, расстройство стыков, нарушение температурных швов, вибрация конструкций, их биоповреждения, механические повреждения (пробивка отверстий).

Металлические конструкции.

Характерные и наиболее серьезные повреждения и дефекты:

Вырезы и трещины в конструкциях, отсутствие соединительных прокладок, неполномерность и другие дефекты швов крепления элементов или монтажных узлов, искривления, местный погибы элементов или фасонок, ослабление анкерных болтов, дефекты заклепок, смещение элементов от проектной отметки в уровне базы, относительно вертикальной оси, расцентровка элементов в узлах, механические повреждения, различные виды коррозии.

Каменные конструкции.

Характерные и наиболее серьезные повреждения и дефекты:

Пережог или недожоги кирпичей, известковые включения, некачественная перевязка швов каменной кладки, утолщение горизонтальных швов в кладке, неполное заполнение вертикальных швов, трещины различного происхождения, появление которых в подавляющем большинстве связано с деформациями грунтовых оснований, отслоение кладки, выветривание кладки или раствора, шелушение поверхностей, замачивание кладки, отклонения стен от вертикали, выпучивание стен.

Деревянные конструкции.

Характерные и наиболее серьезные повреждения и дефекты:

Образование различных пороков, грибы (деревоокрашивающие и плесневые), гниение древесины, червоточины, поражение энтомовредителями (наличие короедов, термитов), усушка, набухание, трещины, коробление, накопление влаги, ворсистость и повреждения из-за солнечной радиации и изменения влажности, прогибы, выгибы из плоскости (депланация), разрушение пролетных частей, скалывание опорных участков, обугливание древесины.

Визуальная дефектоскопия

Визуальная дефектоскопия (фактически – визуальной осмотр) строительных конструкций – часть визуального обследования строительных конструкций зданий и сооружений. При визуальном осмотре эксперты проводят предварительный сплошной или выборочный контроль (в зависимости от программы обследования объекта) конструкций невооруженным глазом и при помощи простых средств измерения. Выявляются видимые поверхностные дефекты и повреждения, например, трещины, коррозия арматуры, высолы и прочие. Выполняется их фотофиксация и фиксация местоположения на чертежах планов или фасадов, далее эти данные вместе с их описанием, классификацией и возможными рекомендациями по устранению прилагаются в заключении по результатам обследования.

В ходе визуального осмотра эксперты определяют общую картину текущего состояния объекта, уточняют будущую инструментальную часть обследования.

Инструментальная дефектоскопия

Инструментальная дефектоскопия в свою очередь – часть инструментального обследования строительных конструкций зданий и сооружений, позволяющая точно определять характеристики и местоположение дефектов и повреждений (глубину трещин, степень коррозии, величину прогибов, поиск местоположения внутренних (скрытых) дефектов и другие).

Инструментальные методы дефектоскопии достаточно разнообразны и имеют широкое распространение в современном обследовании. С помощью них можно определить фактически любые дефекты и повреждения во всех типах конструкций независимо от их расположения и степени распространения. Примечательно, что все они относятся к неразрушающим методам и не влекут за собой трудоёмкие работы и локальные разрушения конструкций. 

Обширная техническая база позволяет нашей компании «Моспроекткомплекс» выполнять все виды инструментальной дефектоскопии строительных конструкций зданий и сооружений. Основные методы представлены ниже: это ультразвуковой метод и георадиолокационный. 

Ультразвуковой метод дефектоскопии

Используемые приборы и оборудование: дефектоскоп ПУЛЬСАР-2.2 (свидетельство о поверке №12691/2020).

Физический смысл этого вида дефектоскопии аналогичен ультразвуковому методу определения прочности железобетонных и каменных конструкций. Ультразвуковой метод дефектоскопии выполняется прибором ПУЛЬСАР-2.2, который предназначен для поиска дефектов в бетонных конструкциях по аномальному снижению скорости и форме визуализируемых сигналов ультразвуковых импульсов, для определения глубины трещин, для оценки пористости, трещиноватости и анизотропии композитных материалов.

Если описывать метод более популярно – прибор «прозвучивает» конструкцию, и в случае отклонений показаний в скорости ультразвука фиксируются дефекты. При двустороннем доступе к конструкции используется метод сквозного прозвучивания с применением продольной волны, в противном случае – метод продольного профилирования на основе того, что время распространения ультразвука в бетоне постоянное, а в случае обнаружения дефекта время будет увеличиваться из-за большего пути, который необходимо пройти фронту для огибания дефекта.  Кроме того, при данном виде дефектоскопии с достаточной точностью определяется глубина трещин в конструкциях «русским» и «английским» способом.

Георадиолокационный метод дефектоскопии

Используемые приборы и оборудование: портативный георадар Proceq GPR Live. Физический смысл геодариолокалицонного метода (также – георадарный, геофизический метод) основан на излучении электромагнитных волн и регистрации сигналов, отраженных от различных объектов зондируемой среды. Простыми словами – прибор «сканирует», «просчечивает» конструкцию по глубине и выдает ее четкое изображение либо 3D-модель (имеется даже функция дополненной реальности).

В основном георадиолокация используется для Определения армирования и защитного слоя бетона. Однако с развитием и усовершенствованием современного оборудования появилась и возможность использовать георадары в дефектоскопии. Таким универсальным прибором и является портативный георадар Proceq GPR Live, с помощью которого наши специалисты проводят сканирование строительных конструкций зданий и сооружений с целью нахождения возможных внутренних, скрытых дефектов, зон материала с дефектной структурой и последующего автоматического получения их графического отображения. Большим преимуществом метода является быстрая способность выполнять объемные работы по сканированию конструкций (большие плиты перекрытия, длинные стены зданий).

Кроме выявления дефектов в исторических зданиях и сооружениях, а также памятниках архитектуры (дореволюционные здания, дома советской постройки) георадиолокационным методом удается найти различные ценные находки, тайники и прочие артефакты.

Мониторинг трещин в несущих строительных конструкциях

Трещины в конструкциях могут быть вызваны силовыми воздействиями (силовые трещины), неравномерной осадкой грунта (осадочные трещины) или воздействием перепада температур (температурные трещины). Ширина их раскрытия варьируется от долей миллиметра до нескольких миллиметров. Она измеряется при визуальной дефектоскопии вспомогательными инструментами – шаблонами-линейками.

За обнаруженными и измеренными трещинами устанавливается наблюдение при помощи маяков одноразового или длительного мониторинга.  К одноразовым относятся гипсовые или алебастровые маяки. В случае необходимости долгосрочного и более детального наблюдения или развития трещины в течение долгого времени, чтобы не устанавливать каждый раз новый одноразовый маяк, часто применяются пластинчатые или точечные маяки.

Среди неквалифицированных обследователей распространено использование стеклянных и бумажных маяков. Специалисты «Моспроекткомплекс» обращают внимание на то, что использование стеклянных и бумажных маяков может производиться или по незнанию, или намеренно, для введения в заблуждение. Применение таких средств для контроля и мониторинга трещин недопустимы.

Обнаружение дефектов и классификация в производстве с использованием Amazon Lookout for Vision и пользовательских этикеток Amazon Rekognition

Обнаружение дефектов в производственных процессах является жизненно важным шагом для обеспечения качества продукции. Своевременное обнаружение неисправностей или дефектов и принятие соответствующих мер имеют важное значение для снижения эксплуатационных расходов и затрат, связанных с качеством. Согласно исследованию Aberdeen, «у многих организаций настоящие затраты, связанные с качеством, составляют от 15 до 20 процентов от выручки от продаж».

Текущий метод ручных проверок на линии или в конце линии требует много времени и средств. Для визуального осмотра вам требуются обученные специалисты-люди. В результате цикл обратной связи становится медленнее и может вызвать узкие места в производстве и повлиять на сроки выхода на рынок. Кроме того, этот процесс является субъективным и дорогостоящим для эффективного масштабирования.

Надежный, эффективный и масштабируемый механизм обнаружения аномалий необходим для принятия объективных решений при визуальном осмотре с быстрой обратной связью и при низких затратах для максимального повышения качества производимых товаров. В этом посте мы представляем автоматизированный рабочий процесс проверки для точного определения типов дефектов, который может позволить операторам предприятия принимать целенаправленные решения об утилизации продукции и управлении технологическим процессом.

Обзор решения

В публикации Amazon Lookout for Vision — новый сервис машинного обучения упрощает обнаружение дефектов для производства мы использовали Amazon Lookout for Vision для бинарной классификации продукта как нормального или ненормального. В этом посте вы научитесь определять типы дефектов с помощью сочетания Lookout for Vision и пользовательских меток Amazon Rekognition. Например, на производственной линии печатной платы могут возникать дефекты нескольких типов, включая поврежденные платы, изогнутые выводы, дефекты пайки и царапины. Эта способность обеспечивать множественную классификацию дефектов дает операторам предприятия детальное представление о типах дефектов, возникающих в процессе производства. В свою очередь, операторы предприятия могут предпринять точные корректирующие действия для устранения проблем, вызывающих эти аномалии. Мы также демонстрируем следующее:

• Методы дополнения для увеличения количества изображений, используемых для обучения, и улучшения результатов
• Использование Lookout for Vision для обнаружения производственных дефектов с последующим применением пользовательских меток Amazon Rekognition для классификации дефектов дает лучшие результаты, чем просто использование пользовательских меток Amazon Rekognition

При использовании Lookout for Vision и пользовательских меток Amazon Rekognition вам не нужны знания в области машинного обучения. Все, что вам нужно, это набор данных для обучения, чтобы начать.

Рабочий процесс использует комбинацию Lookout for Vision для обнаружения дефектов и пользовательских меток Amazon Rekognition для классификации дефектов по нескольким меткам, как показано на следующей диаграмме.

Исходный набор данных

Мы используем набор данных печатной платы для демонстрации решения. Этот набор данных содержит нормальные и аномальные изображения.

На следующем изображении показана обычная печатная плата.

На следующем изображении показана печатная плата с изогнутым контактом.

На следующем изображении показана поврежденная печатная плата с отсутствующими компонентами

На следующем изображении показана печатная плата с царапинами.

На следующем изображении показана печатная плата с дефектом пайки.

Мы реорганизовали исходный набор данных печатной платы, чтобы он соответствовал потребностям этого варианта использования. Загрузите ZIP-архив amazon-lookout-for-vision-rekognition-multiclassification и разархивируйте его. Эта папка содержит все наборы данных, файлы кода и наборы инструкций, относящиеся к этому сообщению.

В этом посте мы проведем вас через следующие шаги:

1. Обучение моделей с помощью Lookout for Vision для обнаружения аномалий.
2. Обучите модели с помощью пользовательских меток Amazon Rekognition для классификации дефектов.
3. Продемонстрируйте методы дополнения данных, чтобы увеличить количество и разнообразие обучающих наборов данных и повысить производительность модели Amazon Rekognition Custom Labels.
4. Продемонстрируйте, что использование комбинации Lookout for Vision и пользовательских этикеток Amazon Rekognition обеспечивает лучшую производительность модели для обнаружения и классификации производственных дефектов, чем использование только пользовательских этикеток Amazon Rekognition.

Учебная модель Lookout for Vision

Мы начинаем с обучения модели в Lookout for Vision, чтобы изучить различия между обычными и аномальными изображениями печатной платы. Мы используем набор данных в папке монтажной платы-lkv загруженного пакета .zip. Эта папка содержит обучающие и тестовые наборы данных для нормальных и аномальных изображений. Есть 60 обучающих и 20 тестовых изображений для обучения модели Lookout for Vision. Шаги для обучения модели следующие:

1. Подготовьте изображения для набора данных.
2. Создать проект.
3. Создайте набор данных из изображений в корзине Amazon Simple Storage Service (Amazon S3).
4. Обучите свою модель.

Конкретные шаги по обучению модели Lookout for Vision для набора данных монтажная плата-lkv можно найти в PDF-файле для обучения модели Amazon Lookout for Vision, который находится в загруженном zip-архиве.

Когда обучение завершено, вы можете увидеть показатели производительности тестовых изображений по сравнению с обученной моделью.

Вы можете просмотреть следующие показатели производительности модели:

• Точность — Количество правильно предсказанных дефектов из общего числа прогнозов
• Отзыв — Количество правильно предсказанных дефектов из общего числа дефектов
• Оценка F1 – Среднее значение точности и отзыва

В этом случае качество модели отличное: 10 из 10 дефектов были правильно предсказаны для оценки полноты 1,0, оценки точности 0,909 с 1 ложным срабатыванием и общей оценки F1 0,952 . Вы можете целенаправленно улучшить производительность модели, добавив больше изображений в набор обучающих данных.

Обучение модели Amazon Rekognition Custom Labels

В этом разделе мы используем мультиметочную классификацию Amazon Rekognition Custom Labels для обучения модели различным типам дефектов печатных плат, таким как дефекты пайки, изогнутые контакты, поврежденные платы и царапины, с использованием набора данных в печатной плате -rekcl-. папка по умолчанию zip-пакета. Папка Circuitboard-rekcl-default содержит обучающий и тестовый набор данных для обучения модели Amazon Rekognition Custom Labels. Аномальные изображения разделены на папки со своими пользовательскими метками: погнутые контакты , поврежденная плата , царапина и дефект пайки . Это сложный обучающий набор данных с небольшим количеством изображений для каждой из пользовательских меток: 2 погнутых контакта, 3 поврежденных платы, 3 царапины и 25 дефектов пайки. Чтобы обучить модель с этим набором данных, выполните следующие шаги:

1. Подготовьте изображения для набора данных.
2. Создать проект.
3. Создайте набор данных из изображений в корзине S3.
4. Обучить модель.

Конкретные шаги по обучению модели пользовательских меток Amazon Rekognition для набора данных монтажная плата-rekcl-default приведены в PDF-файле обучения модели пользовательских меток Amazon Rekognition, который находится в ZIP-архиве.

На следующем снимке экрана показаны результаты обучения модели. Ключевыми показателями являются оценка F1, точность и отзыв. Оценка, близкая к 1,0, указывает на хорошую производительность модели во время логического вывода. Общий балл F1 здесь составляет 0,725. Некоторые пользовательские метки, такие как дефект пайки и поврежденная плата имеют лучшие оценки F1, чем другие этикетки.

Мало обучающих изображений: 2 погнутых контакта, 3 поврежденных платы, 3 царапины и 25 дефектов пайки. В следующем разделе мы используем методы увеличения данных, чтобы увеличить количество обучающих изображений и их разнообразие для повышения производительности модели.

Увеличение данных

Мы можем использовать увеличение данных, чтобы увеличить количество обучающих изображений аномалий. Основной передовой практикой является увеличение количества и разнообразия набора обучающих данных. Набор тестовых данных не должен содержать дополненных изображений.

Наш обучающий набор данных является хорошим кандидатом на расширение. Он имеет небольшое количество изображений для классификации по нескольким меткам с помощью пользовательских меток Amazon Rekognition. Вы можете выполнить увеличение данных в блокноте Amazon SageMaker Jupyter с помощью API Keras, доступного в TensorFlow 2. Используйте следующий код, чтобы настроить диапазоны параметров для увеличения данных:

 # Импорт функций Keras в TensorFlow2
из keras.preprocessing.image импортировать ImageDataGenerator, array_to_img, img_to_array, load_img
импорт бото3

# Инициализация класса ImageGenerator и передача параметров расширения
генератор данных = ImageDataGenerator(
        диапазон_вращения = 30,
        сдвиг_диапазон = 0,08,
        масштаб_диапазон = 0,1,
        Horizontal_flip = Истина,
        диапазон_яркости = (0,5, 0,7)) 

Затем, чтобы сгенерировать желаемое количество дополненных изображений для исходного тренировочного изображения, используйте следующий фрагмент кода:

 # Генерация и сохранение дополненных семплов в блокноте с использованием заданных параметров
 итерация = 0
 для партии в datagenerator. flow(x, batch_size = 1,
     save_to_dir = 'предварительный просмотр',
     save_prefix = фото, save_format = 'jpeg'):
     итерация += 1
     если итерация > 10:
  перерыв 

Записная книжка Jupyter с полным кодом для выполнения аугментации данных на обучающих изображениях называется Augmentation.ipynb и находится в zip-архиве.

Ниже приведены некоторые примеры изображений аномальной печатной платы до и после увеличения данных. Вы можете наблюдать различия в исходном изображении и дополненном изображении с несколькими изменениями, такими как вращение, сдвиг и масштабирование.

На следующем изображении показана поврежденная печатная плата с отсутствующими компонентами.

Ниже показано увеличенное изображение поврежденной печатной платы с небольшим поворотом

На следующем изображении показана печатная плата с царапинами.

На следующем изображении показано увеличенное увеличенное изображение печатной платы с царапинами

Вы можете найти набор данных с дополненными изображениями в папке Circuitboard-rekcl-augmented ZIP-пакета. Учебные изображения для различных меток дефектов увеличились до 32 погнутых контактов, 48 поврежденных плат, 48 царапин и 50 дефектов пайки. Количество изображений в тестовом наборе данных остается прежним.

Используя этот новый расширенный набор обучающих данных, повторите обучение модели Amazon Rekognition Custom Labels, выполнив действия, описанные в предыдущем разделе.

Результаты обучения модели с использованием расширенного набора данных показаны на следующем снимке экрана.

Общий показатель F1 модели, использующей расширенный набор обучающих данных, улучшился с 0,725 до 0,831. Вы можете наблюдать показатели точности 1,0 для нескольких меток. Это демонстрирует, что увеличение данных повысило производительность модели пользовательских меток Amazon Rekognition.

На следующей диаграмме показана производительность трех моделей, которые мы уже обучили.

На следующем графике видно, что сочетание модели Lookout for Vision с моделью пользовательских меток Amazon Rekognition с дополненным набором данных привело к повышению производительности модели по сравнению с нерасширенным набором данных.

Суммарный балл F1 получается путем умножения отдельных баллов F1 моделей Lookout for Vision и Amazon Rekognition Custom Labels.

Например:

• Оценка Lookout for Vision F1 = 0,952
• Оценка F1 Amazon Rekognition Custom Labels — без дополнений = 0,725
• Суммарный балл F1 = 0,952 x 0,725 = 0,69

Производительность автономной модели Amazon Rekognition Custom Labels

В этом разделе мы рассмотрим производительность автономной модели Amazon Rekognition Custom Labels.

Мы обучаем две модели Amazon Rekognition Custom Labels, используя наборы данных (расширенные и нерасширенные), расположенные в папке только для печатной платы пакета .zip, предоставленного изначально. Эта папка содержит три набора данных: rekcl_only_train_default , rekcl_only_train_augmented и rekcl_only_test . Каждая из этих папок содержит дополнительную папку с обычными изображениями печатной платы, а также папки с отдельными дефектами. Мы используем тестовую папку как с дополненными, так и с нерасширенными наборами данных для каждой модели.

Повторите предыдущие шаги, чтобы обучить две модели с дополненными и нерасширенными наборами данных.

На следующем снимке экрана показана производительность модели нерасширенного набора данных только с использованием пользовательских меток Amazon Rekognition.

На следующем снимке экрана показана производительность модели расширенного набора данных только с использованием пользовательских меток Amazon Rekognition.

Сравнивая оценки F1 двух автономных моделей Amazon Rekognition Custom Labels с оценками F1 более ранних моделей, мы видим, что использование Lookout for Vision в сочетании с Amazon Rekognition Custom Labels для производственного обнаружения и классификации повышает производительность модели. Следующая диаграмма подчеркивает этот вывод.

Заключение

С помощью Lookout for Vision мы можем автоматизировать обнаружение дефектной продукции в промышленных и производственных процессах. Добавляя пользовательские метки Amazon Rekognition в рабочий процесс, мы можем еще больше сократить расходы и накладные расходы ресурсов за счет автоматизации выявления конкретных дефектов. Эта многоуровневая классификация дефектов дает операторам предприятия детальное представление о типах дефектов, возникающих в процессе производства. В свою очередь, операторы предприятия могут предпринять точные корректирующие действия для устранения проблем, вызывающих эти аномалии. Это приводит к повышению эффективности производственных линий и улучшению бизнес-результатов клиентов.

Начните свой путь к обнаружению и идентификации промышленных аномалий, посетив страницы ресурсов Lookout for Vision и Amazon Rekognition Custom Labels.

Об авторах

Прашант   Ганапати — старший архитектор решений в сегменте малого и среднего бизнеса (SMB) в AWS. Ему нравится узнавать об сервисах AWS AI/ML, и он помогает клиентам добиваться результатов в бизнесе, создавая для них решения. Вне работы Прашант любит фотографировать, путешествовать и пробовать разные кухни.

Амит Гупта  – архитектор сервисов искусственного интеллекта в AWS. Он увлечен предоставлением клиентам хорошо спроектированных решений машинного обучения в масштабе.

Обнаружение дефектов в производстве с помощью неконтролируемого обучения

По данным Американского общества качества, многие организации несут расходы, связанные с качеством, до 40% от общего объема производственных доходов. Большая часть этих затрат связана с неэффективностью ручного контроля, который является наиболее распространенным способом обеспечения контроля качества на производстве.

Применение искусственного интеллекта для автоматизации контроля качества представляет собой более продуктивный и точный способ визуального контроля на производственных линиях. Однако традиционные методы машинного обучения накладывают некоторые ограничения на то, как мы можем обучать и использовать модели для обнаружения дефектов. Итак, в этой статье мы обсудим преимущества неконтролируемого обучения для обнаружения дефектов и подробно расскажем о подходах, которые MobiDev использует в нашем практическом опыте.

Что такое обнаружение дефектов ИИ и где оно используется?

Обнаружение дефектов ИИ основан на компьютерном зрении, которое предоставляет возможности для автоматизации всего процесса проверки качества ИИ с использованием алгоритмов машинного обучения. Модели дефектоскопии обучены визуально осматривать изделия, проходящие через производственную линию, и распознавать аномалии на их поверхности, а также выявлять несоответствия размеров, формы или цвета. Вывод зависит от того, чему обучена модель, но в случае обнаружения дефекта последовательность действий обычно выглядит так:0003

Кратко о том, как работает обнаружение дефектов с помощью ИИ

Применительно к процессам контроля качества, искусственный интеллект для обнаружения дефектов эффективен при проверке больших производственных линий и обнаружении дефектов даже в самых мелких частях конечного продукта. Это относится к большому спектру выпускаемой продукции, которая может содержать поверхностные дефекты различной природы.

Выявление дефектов в различных отраслях производства

Источник изображения: www.necam.com

Intel описывает случай применения компьютерного зрения для автоматизации проверки качества шин. Как говорится в отчете, точность контроля качества выросла с 90% до 99% процентов, а затраты на оплату труда на производственной линии сократились примерно на 49 000 долларов. Но такие системы не привязаны к стационарному оборудованию на заводе. Например, дроны с камерами можно использовать для осмотра дефектов дорожного покрытия или других наружных поверхностей, что значительно сокращает время, необходимое для охвата больших территорий города.

Фармацевтическая промышленность также выигрывает от проверки производственных линий для различных продуктов. Например, Orobix применяет обнаружение дефектов при производстве лекарств с помощью камеры определенного типа, которую может использовать неподготовленный оператор-человек. Тот же принцип применяется для проверки дефектов фармацевтического стекла, таких как трещины и пузырьки воздуха, попавшие в стекло.

Такие примеры можно найти в пищевой, текстильной, электронной, тяжелой промышленности и других отраслях. Но есть некоторые специфические проблемы в том, как мы можем подойти к алгоритмам обнаружения дефектов с помощью традиционного машинного обучения. Поскольку производители ежедневно проверяют тысячи продуктов, становится сложно собирать образцы данных для обучения, а также маркировать их. Вот где в игру вступает неконтролируемое обучение.

Что такое обучение без учителя?

Большинство приложений машинного обучения используют контролируемые методы машинного обучения . Обучение с учителем подразумевает, что мы предоставляем модели наземную истинную информацию, вручную маркируя собранные данные. С точки зрения производственной линии сбор и маркировка данных могут быть невозможны, поскольку мы не можем собрать все варианты трещин или вмятин на продукте, чтобы гарантировать точное обнаружение моделью. Здесь мы сталкиваемся с четырьмя проблемами:

• трудности с получением большого количества аномальных данных
• возможность очень небольшой разницы между нормальным и аномальным образцом
• значительное различие между двумя аномальными образцами
• невозможность заранее узнать тип и количество аномалий

Контролируемое и неконтролируемое обнаружение дефектов

Неконтролируемое машинное обучение Алгоритмы позволяют находить шаблоны в наборе данных без предварительно помеченных результатов и обнаруживать базовую структуру данных, где невозможно обучить алгоритм так, как вы нормально бы. В отличие от обучения с учителем, процесс обучения становится менее трудоемким, поскольку мы ожидаем, что модель будет обнаруживать закономерности в данных с более высоким порогом вариаций.

Обнаружение аномалий выявляет ранее невидимые редкие объекты или события без каких-либо предварительных знаний о них. Единственная доступная информация заключается в том, что процент аномалий в наборе данных невелик. Что касается обнаружения дефектов, то это помогает решить проблему с маркировкой данных и сбором большого количества образцов. Итак, давайте посмотрим, как можно использовать методы обучения без учителя для обучения модели обнаружения дефектов.

Как неконтролируемое обучение применяется для обнаружения дефектов?

Обнаружение дефектов относится к проблеме обнаружения аномалий в машинном обучении. Хотя мы не полагаемся на маркировку, в неконтролируемом обучении есть и другие подходы, направленные на группировку данных и предоставление подсказок модели.

• Кластеризация группирует немаркированные примеры по сходству. Кластеризация широко используется для рекомендательных систем, сегментации рынка или клиентов, анализа социальных сетей или кластеризации результатов поиска.
• Горнодобывающая ассоциация предназначен для наблюдения за часто встречающимися закономерностями, корреляциями или ассоциациями из наборов данных.
• Модели со скрытыми переменными предназначены для моделирования вероятности распределения со скрытыми переменными. Он в основном используется для предварительной обработки данных, сокращения функций в наборе данных или разложения набора данных на несколько компонентов на основе функций.

Открытые шаблоны с неконтролируемым обучением можно использовать для реализации традиционных моделей машинного обучения. Например, мы можем применить кластеризацию к доступным данным, а затем использовать эти кластеры в качестве обучающего набора данных для моделей обучения с учителем.

Обнаружение трещин в бетоне с помощью машинного обучения без присмотра

Имея большой опыт в области машинного обучения, мы провели эксперимент с использованием набора данных Concrete Crack. Цель состояла в том, чтобы создать модель, способную распознавать изображения с дефектами и нормальные, используя обучение без учителя. Кроме того, исследование проверяет, как количество изображений дефектов влияет на определенные алгоритмы, используемые в этом проекте.

Примеры наборов данных о трещинах в бетоне

В выбранном нами варианте использования мы предполагаем, что метки изображений не могут быть известны заранее во время обучения. Только тестовый набор данных помечен для проверки качества предсказания модели, поскольку обучение происходит неконтролируемым подходом. Итак, здесь мы использовали пять различных подходов для получения результатов классификации из модели обучения без учителя.

Кластеризация

Поскольку у нас нет размеченных наземных данных, группировка неразмеченных примеров выполняется с помощью кластеризации. В нашем случае есть два кластера изображений, которые нам нужно выделить из набора данных. Это было выполнено с помощью предварительно обученной сверточной нейронной сети VGG16 для извлечения признаков и K-средних для кластеризации. Что кластеризация сделала здесь, так это сгруппировала изображения с трещинами и без них на основе их визуального сходства. Вкратце кластеризация выглядит примерно так.

Кластеризация K-средних

Методы кластеризации просты в реализации и обычно считаются базовым подходом для дальнейшего моделирования глубокого обучения.

Кластеризация Birch

При таком подходе изображения были кластеризованы на основе визуального сходства с предварительно обученной нейронной сетью ResNet50 для извлечения признаков и Birch для кластеризации. Этот алгоритм строит древовидную структуру данных, в которой центроиды кластера считываются с листа. Это экономичный алгоритм онлайн-обучения. Результаты кластеризации были визуализированы с помощью анализа основных компонентов: 

Результаты кластеризации берез

Как мы видим, кластеризация берез показывает довольно хорошее распределение классов, даже в точках, где выборка находится достаточно далеко от своего центра тяжести.

Пользовательский сверточный автоэнкодер

Пользовательский сверточный автоэнкодер содержит два блока: кодер и декодер. Это помогает получить признаки в части кодировщика и реконструировать изображения из них в части декодера.

Визуализация энкодера-декодера

Поскольку у нас нет меток для обучения сети, нам нужно выбрать другой подход для получения классов — например, адаптивно выбираемый порог. Назначение адаптивно выбираемого порога — как можно точнее разделить два распределения (изображения без трещин и изображения с трещинами):

Результаты распределения автоэнкодера

DCGAN

DCGAN генерирует изображения из z-пространства с помощью состязательные потери (BCALoss). Наконец, у нас есть три потери — потери генератора, потери дискриминатора и потери MSE (для сравнения сгенерированных изображений и истинности). Мы можем строить нашу классификацию на том же подходе, что и в пользовательском автоэнкодере — через сравнение потерь на изображениях с трещинами и без с помощью адаптивно выбираемого порога. Для порога будет уместно использовать потери дискриминатора или потери MSE в зависимости от их распределения.

GANomaly 

GANomaly использует условный подход GAN для обучения генератора созданию изображений нормальных данных. Во время вывода, когда передается аномальное изображение, он не может правильно захватить данные. Это приводит к плохой реконструкции дефектных изображений и хорошей реконструкции нормальных изображений и дает оценку аномалии.

Архитектура GANomaly
Источник изображения: arxiv.org

Как подойти к неконтролируемому обнаружению аномалий

Возможно, самая полезная сторона неконтролируемых методов обучения заключается в том, что мы можем избежать сбора огромных объемов выборочных данных и их маркировки для обучения. Применяя методы неконтролируемого обучения для получения шаблонов данных, мы не ограничены тем, какую модель можно использовать для фактической классификации и обнаружения дефектов.

Однако модели обучения без учителя лучше подходят для сегментации существующих данных на классы, поскольку довольно сложно проверить точность предсказания модели, особенно без размеченного набора данных. Поэтому консультация с экспертами MobiDev по машинному обучению, имеющими большой опыт обучения без учителя, вероятно, является лучшим способом обнаружения дефектов.