ВЫЯВЛЕНИЕ БРАКА НА ПОТОЧНОМ ПРОИЗВОДСТВЕ ПРИ ПОМОЩИ МАШИННОГО ОБУЧЕНИЯ

В современном мире текстильная промышленность играет ключевую роль в обеспечении потребностей населения. Бракованная ткань приводит к значительным экономическим потерям, ухудшает репутацию производителей. Качество производимой ткани напрямую влияет на конкурентоспособность предприятий и удовлетворенность потребителей. Требования к качеству продукции неуклонно растут и крайне важно уделять повышенное внимание контролю качества. Снижение издержек и повышение эффективности контроля качества является важными задачами отрасли. Проблема обнаружения и классификации дефектов на ткани, а также понимания причин их возникновения, является крайне актуальной.

Для информационного обеспечения процесса контроля качества ткани создается информационная система, выполняющая следующее задачи:

1. Захват изображения ткани

Камеры высокого разрешения делают снимки ткани в процессе производства.

2. Предварительная обработка изображения:

• Нормализация яркости

Изображение корректируется для выравнивания освещения, что особенно важно для тканей с рисунком. Выбор нормализации яркости обусловлен тем, что она позволяет снизить влияние неравномерного освещения на результаты обнаружения дефектов. Для тканей с узором это особенно важно, так как перепады яркости в узоре могут быть ошибочно интерпретированы как дефекты.

• Фильтрация шума

Шум удаляется с помощью Гауссова фильтра, параметры которого меняются в зависимости от типа узора, чтобы не повредить мелкие детали узора или дефекты. Гауссов фильтр выбран благодаря своей эффективности в подавлении случайного шума при сохранении границ объектов. Адаптивный параметр необходим для того, чтобы фильтр эффективно работал с разными типами тканей: для тканей с мелкими узорами требуется более сильное размытие, а для тканей с крупными узорами – менее сильное.

• Морфологическое открытие

Мелкие артефакты и шумы, которые могут быть ошибочно приняты за дефекты, удаляются. Морфологическое открытие используется для удаления небольших объектов, не являющихся дефектами (например, случайные изменения яркости пикселей, вызванные электронными компонентами камеры), и, следовательно, уменьшения числа ложных срабатываний.

3. Классификация узора ткани

Система определяет тип узора ткани (полосы, цветы, геометрия, отсутствие узора) с использованием алгоритма HOG (гистограммы ориентированных градиентов) и классификатора SVM (машина опорных векторов). Автоматическое определение узора позволяет исключить ошибки ввода и повысить надежность системы, так же в базе данных системы могут отсутствовать образцы новых или редких узоров, автоматическое определение узора позволяет идентифицировать такие узоры.

- Система получает изображение ткани, которое необходимо классифицировать.

- Для входного изображения вычисляются HOG-признаки.

- HOG-признаки входного изображения подаются на вход классификатора SVM, обученного на различных типах узоров.

- SVM выдает результат классификации (тип узора). HOG-признаки входного изображения сравниваются с HOG-признаками образцов узоров из базы данных.

- Вычисленные HOG-признаки входного изображения сравниваются с HOG-признаками эталонных образцов узоров, хранящихся в базе данных. (Сравнение с образцами повышает надежность классификации, особенно в сложных случаях, когда узор может быть плохо выражен или поврежден.)

Если степень сходства с каким-либо образцом узора превышает заданный порог (например, 0.9), то считается, что тип узора определен на основе сравнения с образцом. Если степень сходства со всеми образцами ниже порога, то используется результат классификации, выданный SVM.

Метод HOG выбран благодаря его способности эффективно извлекать признаки, описывающие форму и текстуру узора, которые остаются без изменений при изменении масштаба и освещения. SVM используется в качестве классификатора, поскольку он хорошо работает с данными высокой размерности и обеспечивает высокую точность классификации даже при небольшом количестве обучающих данных (альтернативой является классификация с помощью CNN, но она требует больших вычислительных ресурсов)

4. Обнаружение дефектов

• Нейронная сеть YOLOv5 анализирует изображение и выявляет потенциальные дефекты, определяя их тип (полоса, пятно, дырка), координаты и степень уверенности в обнаружении. YOLOv5 выбрана благодаря своей высокой скорости и точности обнаружения объектов в режиме реального времени, что критически важно для работы системы в поточном производстве. Преимуществами является высокая скорость обработки, относительная простота интеграции и возможность обнаружения объектов малого размера.

Степень уверенности корректируется с учетом типа узора ткани. Например, если на ткани с полосами YOLOv5 обнаружила “полосу”, то уверенность снижается, чтобы избежать ложных срабатываний. Корректировка уверенности позволяет уменьшить количество ложных срабатываний, связанных с тем, что элементы узора могут быть ошибочно приняты за дефекты.

В зависимости от выбранного режима работы системы, выводятся все дефекты или только те, которые характерны для конкретного оборудования. Режим выбора дефектов, характерных для конкретного оборудования, позволяет сосредоточиться на наиболее важных дефектах и упростить процесс принятия решений для операторов.

5. Определение характеристик дефектов

Определяется направление и резкость обнаруженных дефектов. Определение этих характеристик позволяет получить дополнительную информацию о дефекте, которая может быть полезна для анализа причин их возникновения.

6. Анализ причин возникновения дефектов

• Гибридная модель, сочетающая экспертную систему и классификатор LightGBM, определяет наиболее вероятные причины дефектов. Использование гибридной модели позволяет сочетать преимущества экспертных знаний и машинного обучения. Экспертная система обеспечивает надежность анализа в типичных ситуациях, а LightGBM позволяет учитывать сложные и неявные взаимосвязи между различными факторами и причинами дефектов.

Экспертная система использует знания о технологическом процессе и возможных причинах брака. Экспертные знания необходимы для учета специфики конкретного производства и возможных неисправностей оборудования. LightGBM использует данные о характеристиках дефектов, типе ткани, параметрах оборудования и других факторах для прогнозирования вероятности различных причин. LightGBM является эффективным инструментом для обработки больших объемов данных и выявления сложных взаимосвязей, что позволяет повысить точность анализа причин дефектов.

Результаты работы экспертной системы и LightGBM объединяются для повышения точности анализа. Комбинация результатов экспертной системы и LightGBM позволяет создать более устойчивую и надежную систему анализа причин дефектов.

• Система генерирует SHAP-графики (это метод, используемый для объяснения прогнозов, сделанных моделями машинного обучения), которые показывают, какие факторы наиболее сильно влияют на вероятность каждой причины дефекта. SHAP-графики позволяют операторам понять, какие факторы наиболее важны для возникновения того или иного дефекта, что упрощает процесс принятия решений по устранению проблем (используется для объяснения прогнозов LightGBM).

Система предоставляет оператору информацию о выявленных дефектах, их типе, координатах, характеристиках и наиболее вероятных причинах их возникновения.

Каждый этап системы тесно связан с предыдущим и последующим, образуя единый процесс. Предварительная обработка улучшает качество входных данных для классификации узора и обнаружения дефектов. Классификация узора позволяет повысить точность обнаружения дефектов и анализа причин. Анализ причин возникновения дефектов дает обратную связь для оптимизации производственного процесса и предотвращения повторного появления брака.

Использование современных методов машинного обучения (YOLOv5, LightGBM) в сочетании с классическими алгоритмами компьютерного зрения (HOG, SVM) и экспертными знаниями позволяет создать эффективную и надежную систему контроля качества ткани, адаптированную к специфике текстильного производства.