توسعه بازرسی کیفیت محصولات و فرایند، مبتنی بر هوش مصنوعی

 

Development of product/process quality inspection, based on artificial intelligence (AI)

امیر عباس شجاعی[1] –  دانشیار دانشکده مهندسی صنایع دانشگاه آزاد تهران جنوب

چکیده:

بازرسی کیفیت یکی از فرآیندهای حیاتی است که در آن محصول مورد ارزیابی قرار می گیرد و قابل قبول یا رد می شود، همچنین می‌توان یک محصول را در طول چرخه عمر تولید با استفاده از معیارهای کنترل کیفیت (QC) ارزیابی کرد. بازرسی ظاهری یا فرآیند بازرسی نهایی شامل یک بازرس است که به صورت حسی محصول را برای اطمینان از وضعیت آن بررسی می کند. با این حال، عوامل متعددی وجود دارد که بر فرآیند بازرسی ظاهری تأثیر می‌گذارد که منجر به دقت بالای بازرسی کلی در صنعت می‌شود. با هدف بازرسی 100% در سیستم های ساخت پیشرفته، بازرسی ظاهری دستی، هم زمان بر و هم پرهزینه است. الگوریتم‌های مبتنی بر خودکارسازی بخش‌هایی از فرآیند بازرسی ظاهری به این موضوع کمک کرده‌اند، اما هنوز چالش‌هایی وجود دارد که به آنها رسیدگی نشده است. این نوشتار یک رویکرد مبتنی بر هوش مصنوعی (AI[2]) را برای فرآیند بازرسی بصری با استفاده از یادگیری عمیق (DL[3]) ارائه می‌کند. این رویکرد برای بازرسی می‌تواند دقت بازرسی بر روی مشخصات محصولات به شدت افزایش دهد.

کلمات کلیدی: هوش مصنوعی؛ یادگیری عمیق؛ کنترل کیفیت؛ بازرسی ظاهری؛ تولید هوشمند

مقدمه:

صنعت  ساخت و تولید در یک قرن گذشته دستخوش تحولی اساسی شده است. استراتژی‌هایی مانند مدیریت کیفیت جامع (TQM[4])، شش سیگما، تولید ناب، و تولید بدون عیب به بازدهی بالاتر و در عین حال به کاهش هزینه‌ها کمک شایانی کرده است. در سالهای اخیر هم رویکردهایی مانند A.I. و Smart Manufacturing امکان ایجاد یک محیط به هم پیوسته را با توسعه در صنعت رباتیک و اتوماسیون فراهم می کنند. در حالی که شرکت‌های بزرگ‌تر از قدرت اقتصادی برای اعمال تغییرات دگرگون‌کننده در صنعت برخوردارند، شرکت‌های کوچک و متوسط ​​(SME[5]s) اغلب قادر به انجام این اقدامات نیستند. وقتی نوبت به مدیریت کیفیت (QM) می رسد، SME ها به دلایل زیر با چالش هایی اساسی مواجه می شوند:

طی سالهای اخیر، همواره کمبود اطلاعات در مورد اهمیت QM وجود داشته و با محدودیت منابع مواجه هستیم و استانداردهای SME ها ناکافی هستند. هوش مصنوعی (AI) با توسعه الگوریتم‌های جدید و محاسباتی کم‌ هزینه این مشکل را تا حدود زیادی مرتفع می‌کنند و قابلیت‌های تولید با یادگیری ماشین (ML[6] و یادگیری عمیق (DL) افزایش می‌یابد.

کاربردهای هوش مصنوعی به طور فزاینده‌ای به تولیدکنندگان در سراسر جهان امکان می‌دهد تا فرایند دارای عیب یا نقص را در ساختارهای خود را شناسایی کنند و  طبیعتا میتوان انتظار داشت که این ساختار،  حوزه پیش آگاهی ، اقدامات پیشگیرانه و رویکردهای تعمیر و نگهداری نیز تغییر دهد. در رابطه با محصول، هوش مصنوعی به اقدامات کنترل کیفیت (QC) کمک شایانی می کند. در حالی که این سیستم‌ها بسیاری از فرآیندهای تولید را مدرن می‌کنند، به نظر می‌رسد هنوز برای برخی از مراحل تصمیم‌گیری حیاتی به نیروی انسانی نیاز می باشد و بازرسی کیفیت (Quality Inspection) یکی از این فرآیندها است. [1]

1. بازرسی کیفیت (Quality Inspection)

بازرسی کیفیت فرآیندی برنامه ریزی شده و سازماندهی شده است که در آن وضعیت محصول با بررسی، اندازه گیری، آزمایش، اندازه گیری یا مقایسه ارزیابی می شود تا مشخص شود که آیا با مشخصات مورد نظر مطابقت دارد یا خیر . در بیشتر موارد برای اطمینان از انطباق نقش نیروی انسانی که محصول را بازرسی می کند، پر رنگ میشود. با این حال، دقت و قابلیت اطمینان بازرسی اغلب رضایت بخش نیست و میدانیم  با افزایش پیچیدگی محصول، دقت بازرسی انجام شده توسط اپراتورها کاهش می یابد.

مطالعات اخیر به این نتیجه رسیده اند که خطاهای اپراتور عامل حدود 23 درصد از عدم دقت در کنترل کیفیت در صنعت نفت و گاز است [5]. با این حال، هنوز بسیاری از محققان بر بهبود عملکرد روش‌های کاری تمرکز می‌کنند و رویکردی جامع برای بازرسی در نظر نمی‌گیرند و می دانیم عوامل متعددی وجود دارند که بر روند بازرسی تأثیر می‌گذارند که تا حدودی توجهی به آنها نمی‌شود. همچنین نیاز به یک روش یا رویکردی وجود دارد که تعیین کند چگونه یک روش مبتنی بر داده را می توان به شیوه ای کاربر پسند و بدون دردسر در سطح سازمان مستقر کرد.

برای این منظور بنظر می رسد اگر بتوان با رویکرد و مراحل زیر برای فرآیند بازرسی کیفیت اقدام کرد، تا حدودی تاثیر مثبت بر روند بازرسی را می توان مشاهده نمود[1]:

1. ابتدا، یک الگوریتم  (مثلا بر اساس معماری شبکه عصبی)  برای تشخیص عیب ساخته می‌شود و سپس یک ابزار طبقه‌بندی برای استقرار مدل بازرسی طراحی می‌شود.
2. نقش نظارت در تولید را از دیدگاه سیستم و محصول مورد بحث قرار می دهیم.
3. وضعیت بازرسی کیفیت و بازرسی ظاهری را بررسی می‌کنیم و برخی از عوامل کلیدی را که بر فرآیند بازرسی تأثیر می‌گذارند، تشریح می‌کنیم.
4. یک نمای کلی از فرایند تولید و چالش هایی که در فرآیند بازرسی ایجاد می کند ارائه می دهیم.
5. نقش یادگیری عمیق(DL)   را در بازرسی و اینکه چگونه DL برخی از مراحل بازرسی کیفیت را خودکار کرده است، مورد بحث و بررسی قرار می دهیم.
6. پیشرفته ترین فناوری را در بازرسی ظاهری برجسته و مشخص می شود و اهداف کار ما شناسایی می شود
7. فرآیند تشریح شده و روشی را برای بازرسی کیفیت هوشمند مبتنی بر هوش مصنوعی پیشنهاد می شود.
8. داده های محصول خاص، مورد استفاده شرح داده می شود.
9. مدل‌سازی الگوریتم و طراحی برنامه کاربردی برای سازمان

 

2. بررسی اجمالی بازرسی کیفیت

فرآیند سنتی بهبود کیفیت، چرخه‌ای است شامل ایجاد طرح‌های بازرسی، اجرای طرح‌ها و بررسی نتایج است [6]. به طور مشابه، فرآیند بازرسی شامل برنامه‌های بازرسی است که حوزه‌های مختلف تولید را که در آن بازرسی مورد نیاز است، شناسایی می‌کند. معمولاً با بازرسی مواد خام آغاز می شود، همچنین به عنوان بازرسی ورودی یا دریافتی شناخته می شود. سپس بازرسی های دوره ای پس از عملیات های مختلف انجام می شود. ماهیت این بازرسی ها در بیشتر موارد مربوط به صنعت است. در انتهای خط مونتاژ، یک بازرسی نهایی انجام می شود، جایی که مشخص می شود محصول قابل قبول است یا رد می شود. این مشابه بازرسی خروجی است. در برخی موارد، بازرسی خروجی به بازرسی محصول بسته بندی شده در حین حمل و نقل اشاره دارد.

فرآیند بازرسی یک فرآیند تصمیم گیری مهم در سیستم تولیدی است. که تصمیمات احتمالی در هر مرحله توسط تصمیم گیرنده (اپراتور) گرفته می شود تا مشخص شود که آیا محصول باید پذیرفته شود یا رد شود. بازرسی یک فرآیند مستقل در زنجیره تولید ارزش نیست، اما بر بسیاری از عملیات های دیگر تأثیر می گذارد. فرآیند تصمیم‌گیری برای بازرسی شامل عناصر متعددی است که ویژگی‌های زیر در آن مشاهده می شود::

دقت: تصمیمات اتخاذ شده باید کاملاً آگاهانه باشد تا اطمینان حاصل شود که هیچ اشتباهی وجود ندارد.

اعتبار: تصمیمات اتخاذ شده باید معتبر باشند و اگر محصول برای استفاده در دسترس باشد نباید متفاوت باشد.

قابلیت اطمینان: باید در تصمیمات اتخاذ شده سازگاری وجود داشته باشد.

 تکرارپذیری و تجدیدپذیری: فرآیند تصمیم گیری نباید نیاز به کالیبراسیون مجدد ابزار اندازه گیری داشته باشد.

استحکام: تصمیم گیری باید تطبیق پذیری در تشخیص انواع مختلف عیوب را نشان دهد.

سرعت: فرآیند باید سریع باشد و قبل از تولید محصولات معیوب دیگر، بتواند عمل کند.

باید توجه داشت که ویژگی های فوق از همه فرآیندهای بازرسی صرف نظر از اینکه توسط نیروی انسانی یا اتوماسیون انجام می شود، مورد نظر است.

• بازرسی ظاهری

یکی از انواع مهم بازرسی کیفیت در ساخت، بازرسی ظاهری است. بازرسان به صورت ظاهری وضعیت محصول را در مراحل مختلف ارزیابی می کنند و تصمیم می گیرند که آیا می توان آن را به فرآیند بعدی منتقل کرد یا خیر. هدف فرآیند بازرسی ظاهری شناسایی عیوب به طور موثر و دقیق و تصمیم گیری بر اساس آن است.

بازرسی ظاهری را می توان در چهار مرحله پیشنهاد کرد که شامل وظایف زیر است:

ارائه: محصول را برای بازرسی ارائه دهید.

بررسی: بررسی و تجزیه و تحلیل محصول برای ایرادات/عیوب احتمالی.

تصمیم: عیوب/عیوب را ارزیابی کنید و مشخص کنید که آیا از مشخصات مورد نظر خارج است یا خیر.

اقدام: قبول یا رد محصول بر اساس تصمیم.

2.1.1. عوامل موثر بر بازرسی ظاهری

هر فرآیند یا سیستم بازرسی مستلزم نوعی اقدام انسانی است. بازرسی مستلزم تلاش ذهنی زیاد، توجه به جزئیات، ارتباطات و استفاده از حافظه بلند مدت و کوتاه مدت است  در بیشتر موارد، بازرسی نیز لازم است به سرعت انجام شود، یعنی قبل از تصمیم گیری، عیوب باید با دخالت انسان به سرعت شناسایی شوند. ، عوامل متعددی وجود دارد که می تواند بر اجرای کارآمد بازرسی بصری تأثیر بگذارد یا مانع از آن شود.. برخی از عوامل شناخته شده ای که بر بازرسی تأثیر می گذارند را می توان به عوامل وظیفه و بازیگران محیطی، عوامل فردی بازرس، عوامل سازمانی و غیره طبقه بندی کرد.

عوامل وظیفه به جنبه های دستی و فیزیکی کار بازرسی اشاره دارد که می تواند بر بازرس و عملکرد او تأثیر بگذارد. عوامل محیطی نیز می توانند به طور قابل توجهی بر نتیجه بازرسی بصری تأثیر بگذارند. عواملی مانند دما، رطوبت، روشنایی و غیره می توانند محیط را نامناسب کنند که به نوبه خود بر توانایی بازرس برای انجام بازرسی تأثیر می گذارد. عوامل فردی به ویژگی هایی مانند ویژگی های فیزیکی، بینایی، استعداد، شخصیت، جنسیتی و ذهنی و غیره اشاره دارد که می تواند بر عملکرد بازرس تاثیر بگذارد. عوامل سازمانی مربوط به مدیریت و سازمان است که فرآیند بازرسی تحت آن انجام می شود. همچنین شامل اهمیت سازمانی داده شده به اقدامات بازرسی است.

3. بازرسی کیفیت هوشمند

هدف رویکرد بازرسی کیفیت هوشمند (SQI[7]) بهبود عملکرد عوامل متعددی است که بر فرآیند بازرسی ظاهری تأثیر می‌گذارند. با خودکار کردن فرآیند بازرسی تا حدی می توان تأثیرات بسیاری از عوامل وظیفه، عوامل محیطی و عوامل فردی را کنترل کرد.

• مزایای استفاده از هوش مصنوعی در کنترل کیفیت :

بازرسی کیفیت قطعات کاری فشرده است و مستعد ایجاد خطا می باشد. همچنین، بازرسی 100٪ دستی قطعات یا محصولات پرهزینه و زمان بر است و برخی موارد ممکن است امکان پذیر نباشد. بینایی ماشین AI SHARP VISSION  یک تکنیک بازرسی سریع، اقتصادی و قابل اعتماد را ارائه می دهد. همچنین یک تکنیک خودکار، غیر مخرب و مقرون به صرفه است که می تواند در صنایع برای کاربردهای مختلف مورد استفاده قرار گیرد. برخی از مزایای کلیدی استفاده از بینایی ماشین را می توان به شرح زیر برشمرد:

دقت: سیستم بینایی ماشین، دقت بیشتری را در بازرسی کیفیت در مقایسه با بازرسی توسط اپراتورهای انسانی ارائه می‌دهد. حتی زمانی که انسان ها به ذره بین یا میکروسکوپ تکیه می کنند، ماشین ها همچنان دقیق تر هستند زیرا می توانند قطعات را با تلرانس های مختلف ببینند و مطمئن شوند.

سرعت: با سیستم بینایی ماشین، قطعات را می توان با سرعت بالاتری نسبت به بازرسی توسط انسان بازرسی کرد. علاوه بر این، چنین بازرسی هایی با سرعت بالا را می توان با کارایی و بهره وری بیشتر انجام داد.

تکرارپذیری: بازرسی های کیفیت را می توان دقیقاً به همان روش توسط سیستم های بینایی ماشین بدون خستگی، 24 ساعته و 365 روز در سال تکرار کرد. در مقابل، بازرسان ممکن است در زمان‌های مختلف به نتایج متفاوتی برسند، حتی اگر تمام قطعات دقیقاً یکسان باشند.

بازرسی 100% :سیستم های بینایی ماشین را می توان به گونه ای طراحی کرد که 100% قطعات یا محصولات تولید شده را بازرسی کند. در غیر این صورت، اغلب بازرسی قطعات یا محصولاتی که به صورت تصادفی با استفاده از روش‌ها و ابزارهای آماری نمونه‌ برداری شده‌اند ، ممکن است.

رویکرد مشخص شده برای توسعه بازرسی کیفیت هوشمند SQI روشی برای اجرای بازرسی ظاهری مبتنی بر هوش مصنوعی در سازمان، می باشد. مراحل مختلف اجرای بازرسی کیفیت هوشمند SQI را در شش ناحیه منطقه تولید وجود دارد،  از دریافت محصول در منطقه بازرسی تا بازرسی آن با استفاده از هوش مصنوعی و مستندسازی نتایج.

• مراحل و فرایند مربوط به بازرسی کیفیت هوشمند در زیر توضیح داده شده است.

مرحله 1: محصول تولیدی به منطقه بازرسی می رسد:

در مرحله اول، محصول از خط مونتاژ به منطقه بازرسی آورده می شود. آیتم در محل تعیین شده قرار می گیرد تا فرآیند بازرسی آغاز شود.

مرحله 2: تصویر محصول گرفته می شود

در این مرحله از یک دوربین باکیفیت بالا، برای ثبت تصاویر محصول در حال بازرسی استفاده می شود. شرایط نور و فاصله از محصول بر اساس اندازه محصول و تجهیزات دوربین در حال استفاده اندازه گیری می شود.

مرحله 3: پیش پردازش تصویر

مشخص می شود که آیا تصاویر رنگی یا خاکستری بر اساس در دسترس بودن منابع محاسباتی و دقت و صحت مورد نظر پیش بینی ها مناسب هستند یا خیر. هر گونه تغییر یا تبدیل در این مرحله در صورت لزوم انجام می شود.

مرحله 4: تشخیص نقص مبتنی بر CNN[8]

با استفاده از شبکه‌ عصبی (CNN) که یک عنصر کلیدی در بینایی کامپیوتری و پردازش تصویر است، معماری برای تشخیص نقص در تصاویر تدوین و استفاده می شود. معماری این قابلیت تطبیق پذیری را دارد تا انواع مختلف تصاویر را تنها با تعداد کمی تغییرات مدیریت کند. این مدل بر روی تصاویر محصولات معیوب و محصولات غیر معیوب آموزش داده می شود تا ویژگی های لازم بدست آید. مدل تشخیص عیب در یک برنامه کاربردی تعبیه شده است و می تواند در هر لایه کاری استفاده شود تا فرآیند بازرسی بدون مشکل باشد.

مرحله 5: مرحله تصمیم گیری برای پذیرش/ رد محصول

بازرس محصول را با استفاده از الگوریتم تشخیص نقص بررسی می کند و بلافاصله نتایج بازرسی را از برنامه رایانه دریافت می کند. بر اساس نتایج، تصمیم گیری در مورد پذیرش یا رد محصول گرفته می شود.

مرحله 6: نتایج سند در گزارش بازرسی

نتایج فرآیند بازرسی به برنامه طبقه بندی فروشگاه SQI وارد می شود و به طور خودکار در یک صفحه گسترده ذخیره می شود.

 

4. نتیجه گیری

در این مقاله به حوزه نظارت بر کیفیت محصول از منظر فرآیند بازرسی کیفیت توجه شده است. نظارت بر کیفیت سیستم و محصول در تولید بررسی می شود. مراحل مربوط به بازرسی کیفیت و فرآیند بازرسی ظاهری مورد بحث قرار گرفته و عوامل کلیدی که بر فرآیند بازرسی ظاهری تأثیر می‌گذارند، تجزیه و تحلیل می‌شوند. عملیات تولیدی بررسی شده و روند بازرسی چشمی محصولات تولیدی مورد بررسی قرار می گیرد. بر اساس چالش های موجود در بازرسی ظاهری، رویکرد مبتنی بر هوش مصنوعی بازرسی کیفیت هوشمند (SQI) پیشنهاد شده است. یک مدل CNN سفارشی برای SQI طراحی و اجرا شده که روی تصاویر محصول تولیدی می‌شود. این مدل منجر به دقت بالا در بازرسی محصولات تولیدی می شود. دقت و امتیاز این مدل در مقایسه با روش های قبلی روی مجموعه داده ها بسیار بالا است. علاوه بر این، میتوان یک برنامه کاربردی در سازمان تولیدی نیز توسعه داده شود تا فرآیند بازرسی را با دردسر کمتری و با دقت بالای انجام دهیم. هدف این برنامه به حداقل رساندن تا حد امکان عوامل اخلال مؤثر بر فرآیند بازرسی است. اثرات بسیاری از عوامل انسانی، عوامل اجتماعی و عوامل سازمانی با بازرسی مبتنی بر هوش مصنوعی به حداقل می رسد. حتی برخی از عوامل وظیفه و عوامل محیطی کنترل می شوند. به عنوان مثال، در یک سیستم بازرسی خودکار، عوامل محیطی مانند مدت زمان شیفت کاری هیچ تاثیری بر عملکرد مدل هوش مصنوعی ندارند. این برنامه همچنین به بازرس اجازه می دهد تا یافته های خود را از فرآیند بازرسی،  مستند و در یک گزارش بازرسی ذخیره کند.

مشاهده می شود، زمینه هایی وجود دارد که می توان کار پیشنهادی را در آنها بهبود بخشید. عیوب محصولات تولیدی را می‌توان به انواع مختلفی طبقه‌بندی کرد: سوراخ‌ها، لکه‌های سطحی، ترک‌ها، چسبندگی‌ها، و غیره. قبل از طبقه‌بندی عیوب، می‌توان یک دسته‌بندی رسمی از عیوب انجام داد. تشخیص محلی نقص یکی دیگر از ویژگی هایی است که می تواند در SQI گنجانده شود. تشخیص عیب موضعی محل دقیق عیوب را شناسایی می کند و احتمال وقوع نقص در آن مکان را نشان می دهد. توسعه این ویژگی در حال انجام است، اما در حال حاضر نتایج کاملا رضایت بخش نیست و نیاز به رفع مشکلات اجرای آن است. مشاهذه میشود برخی از شرایط محیطی در طول جمع آوری داده ها کاملا تحت کنترل نیست. به عنوان مثال، کنترلی زیادی بر تنظیم نور برای ثبت تصاویر نیست و همچنین تجهیزات دوربین مورد استفاده مناسب نیستند. این مورد در مورد اکثر مجموعه داده های در دسترس وجود دارد. از سوی دیگر، دسترسی فوری به کارخانه‌هایی که می‌توان در آن‌ها آزمایش‌ها را انجام داد، محدود است. در یک سناریوی ایده آل، می توان این سیستم را مستقیماً در خط مونتاژ با گرفتن تصاویر دقیق از محصول تنظیم کرد. این امر فرآیند بازرسی را بیشتر خودکار می‌کند و عوامل باقی‌مانده را که ممکن است بر عملکرد بازرس تأثیر بگذارد، کاهش می‌دهد.

 

 

[1] amir@ashojaie.com

[2] Artificial Intelligence

[3] Deep learning

[4] Total Quality Management

[5] Small & Medium Enterprises

[6] Machine Learning

[7] Smart Quality Inspection

[8] Convolutional Neural Network