Snijplanken op maat

Introduction Bij het verwerken van opdrachten zien we dat mensen ook fouten maken. Natuurlijk heel

erg vervelend als er schade aanwezig is op een product, en niemand het heeft gezien. Geen winnaars in zo'n geval, en we leveren dan een product af dat niet aan onze standaarden voldoet. Omdat we dit nooit meer mee willen maken, hebben we ervoor gekozen om de handmatige kwaliteitscontrole te versterken met geautomatiseerde inzichten.

We hebben er dus voor gekozen om flink te investeren in de automatische kwaliteitscontrole. Met onze eigen software engineers is er een processing pipeline opgezet, die automatisch vervormingen en krassen detecteert.

Het startpunt

Voordat we automatisch krassen detecteren, moeten we eerst zelf snappen wat krassen zijn, vanuit een menselijk perspectief zegmaar. Bijvoorbeeld, als je een object tegen een lamp houdt zie je eerder krassen verschijnen dan in een donkere ruimte. Probeer dat maar eens uit met je telefoon als het scherm uitstaat. Loop naar buiten en zorg dat de zon op het scherm schijnt, je ziet dat de krassen of vingerafdrukken worden gereflecteerd door de zon.

De testopstelling

Het idee is, om de zon in een gecontroleerde en gesloten ruimte na te bootsen. Dit kan natuurlijk het besten met lampen die in een doos staan. Om de menselijke handeling over te nemen, maken we gebruik van drie lampen die allemaal aanspringen bij het maken van de foto en daarna een voor een aanspringen om reflectie vanuit andere hoeken te forceren. Doordat de camera op een centraal gefocust punt is gericht, is het mogelijk dat krassen vanuit een andere invalshoek wel zichtbaar zijn.

(foto testopstelling)

Processing pipeline

De testopstelling is inmiddels naar wens ingericht, nu komt het aan op het inrichten van de "processing pipeline". In de praktijk analyseren we de gemaakte foto's stapsgewijs. Deze stappen met elkaar samengevoegd vormen dan de processing pipeline. Hieronder een versimpeld voorbeeld van onze processing pipeline voor het detecteren van krassen of vervormingen.

Machine learning Omdat er (natuurlijk) geen absolute formule bestaat - dus ook geen oplosing - voor

het detecteren van krassen, vallen we terug op kunstmatige intelligentie (AI). Met het supervised learning algoritme, leren we ons model aan wat krassen zijn en wat niet. Iedere keer als een batch producten de deur uitgaat, controleert een QA-specialist de batch. Als er krassen aanwezig zijn wordt dit dus met terugwerkende kracht aangekruist door de specialist. Het model heeft dus weer wat extra's geleerd en neemt dit in de volgende "batch" mee voor het bepalen van krassen.

Accuraat

Ons huidige model kan met 87% zekerheid aangeven of iets een kras is. Vervormingen zijn nog niet accuraat. Bij het creeeren van het model hebben we rekening gehouden met de True Positive Rate (TPR) en de False Negative Rate (FNR). Wat we met de TPR en FNR bedoelen is dat de TPR (juiste inschatting) hoog moet zijn. Als de TPR laag is, dan heeft het model een foute inschatting gemaakt bij een True Positive). Aan de andere kant hebben we liever dat het model weinig False Negatives heeft. In dat geval zit er wel een kras op het product, maar het model geeft aan van niet.

Door de focus te plaatsen op deze twee parameters zien we dat de aantal false negatives 0.06% is. Gecombineerd met onze QA-specialist in het proces kunnen we geen foute producten meer afleveren. We kunnen dit aantonen met een Receiver operating characteristic curve (ROC curve)

# Conclusie Er zitten natuurlijk nog een aantal limitaties aan onze automatische kwaliteitscontrole, zoals het detecteren van buigingen en onjuistheden. Echter vinden wij het een goed idee om een concreet startpunt te maken voor onze kwaliteitscontrole, anders was de eerste variant van de kwaliteitscontrole nooit afgekomen. De uitgebreidere kwaliteitscontrole is inmiddels in ontwikkeling en wij verwachten deze in januari 2023 af te hebben.

Wil je meer weten over onze kwaliteitscontrole, of ben je benieuwd? je kan altijd contact opnemen via de mail info@plexicastle.com of gewoon eens bellen.