Kurz gesagt:
Der Artikel "Contrôle visuel de la qualité perçue par apprentissage automatique" schlägt ein automatisiertes System für die Qualitätskontrolle in der Industrie vor, um der Subjektivität und Variabilität menschlicher Inspektionen zu begegnen. Es wird ein Ansatz des maschinellen Lernens vorgestellt, der YOLOv5 für die Fehlererkennung und XGBoost für die Einschätzung des Schweregrads verwendet, wobei ein neuer Datensatz von PVC-Platten mit verschiedenen Fehlern verwendet wird. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Erkennung von Defekten und der Abschätzung ihres Schweregrads mit einer mittleren durchschnittlichen Präzision (mAP) von 0,99. Praktische Tests mit menschlichen Bedienern bestätigen die Robustheit und Effektivität des Modells. Die Studie unterstreicht das Potenzial des maschinellen Lernens zur Verbesserung der Effizienz und Zuverlässigkeit von Qualitätskontrollprozessen im industriellen Umfeld.
Zusammenfassung:
Um die Qualität industrieller Produkte zu sichern, ist es notwendig, wahrgenommene Qualitätskontrollen an den hergestellten Teilen durchzuführen. Diese Aufgabe ist jedoch aufgrund ihrer zeitaufwändigen und gefährlichen Aspekte komplex, da die Inspektion durch die verschiedenen Bediener subjektiv erfolgt. Wir schlagen einen Ansatz vor, der darauf abzielt, die Fehler in der wahrgenommenen Qualität zu erkennen, zu klassifizieren und zu bewerten, um den Bedienern bei dieser Aufgabe zu helfen. Um unsere Methode zu bewerten, haben wir einen neuen Anwendungsfall geschaffen. Unser Ansatz wird anhand von zwei Kriterien bewertet: die automatische Erkennung von Mängeln und die Einschätzung ihrer Kritikalität.