لنز عیب‌یابی: هوش مصنوعی در بینایی کیفیت تولید

مدل بازرسی فقط با کشیدن کادر دور عیب، کیفیت را بهتر نمی‌کند. ارزش وقتی پدید می‌آید که اندازه‌گیری تکرارپذیر باشد، تصمیم به فرایند کنترل‌شده وصل شود، اپراتور بتواند آن را اصلاح کند، مهندس عیب را به علت محتمل برساند و هنگام ضعف شاهد، کارخانه امن متوقف یا محدود شود.

بینایی تولید یک سامانه اندازه‌گیری کامل است: ارائه قطعه، optics، نور، trigger، دوربین، calibration، مرجع، برچسب، مدل، threshold، اتصال خط، rework، disposition و feedback. امتیاز test بالا می‌تواند کنار escape پرهزینه باشد اگر نور، ماده، تامین‌کننده، ابزار یا شیوع عیب تولید با development متفاوت باشد.

این راهنما منابع عمومی تا ۳۰ ژوئیه ۲۰۲۶ را بازتاب می‌دهد. الزامات محصول، ماشین، ایمنی کارگر، metrology، کیفیت، حریم و بخش باید برای خط واقعی بررسی شوند. AI نباید تابع ایمنی مهندسی‌شده یا اختیار disposition کیفیت را دور بزند.

پیش از دوربین و مدل، تصمیم کیفیت را تعریف کنید

از control plan و failure mode شروع کنید، نه هدف کلی «تشخیص عیب». مشخص کنید:

• قطعه و خانواده، ایستگاه، مرحله، سرعت خط و بودجه takt time؛
• کلاس عیب، مرجع فیزیکی، شدت، کوچک‌ترین اندازه قابل تشخیص و پیامد مالی یا ایمنی؛
• پوشش بازرسی، sampling، معیار پذیرش و مالک disposition؛
• اینکه سامانه تشخیص، اندازه‌گیری، طبقه‌بندی، localization، پیشنهاد، reject یا stop می‌کند؛
• هزینه false accept و false reject هر کلاس؛
• تغییر مورد انتظار تامین‌کننده، lot، ماده، سطح، orientation، fixture و محیط؛
• fallback شکست تصویر، sensor، network، model، actuator یا traceability.

نقشه راه NIST برای AI و ML در تولید هوشمند در ژوئیه ۲۰۲۶، sensing و perception، metrology داده‌محور، explainability، reliability، availability، maintainability و safety را اولویت مرتبط می‌داند. این نقشه پژوهش و پذیرش است، نه گواهی یا استاندارد ایمنی خط.

از معماری تولید هوشمند برای جای‌دادن بازرسی در تجهیزات، execution، quality و traceability استفاده کنید. خروجی pass/fail بدون part، image، recipe، station و measurement context نسازید.

تصویر را مثل اندازه‌گیری کنترل‌شده مهندسی کنید

مدل تصویر ناپایدار را جبران نمی‌کند. این عوامل را قفل و پایش کنید:

• طیف، زاویه، شدت، diffusion، polarization و aging نور؛
• lens، aperture، focus، depth، distortion، distance و آلودگی پنجره؛
• exposure، gain، white balance، resolution، bit depth، compression و trigger؛
• fixture، حرکت conveyor، vibration، orientation، occlusion و background؛
• هدف calibration، تناوب، tolerance و lineage؛
• نسخه camera، firmware، recipe و preprocessing.

مطالعه سامانه اندازه‌گیری متناسب انجام دهید. قطعه را در camera، shift، operator، orientation و محیط تکرار کنید و تغییر شیء را از تغییر measurement جدا کنید. برای vision کمی، uncertainty و detection limit را گزارش کنید، نه اینکه probability را اندازه فیزیکی جا بزنید.

پژوهش داوری‌شده NIST درباره حد تشخیص انسان و AI در metrology ابعادی SEM اصل مهمی نشان می‌دهد: کیفیت تصویر، دقت segmentation و حد قابل استفاده measurement باید مرتبط شوند. زمینه نیمه‌رسانا نسخه عمومی نیست، اما درس metrology قابل انتقال است.

taxonomy عیب و مرجع قابل اعتماد بسازید

برچسب bad taxonomy مهندسی نیست. برای هر عیب تعریف، تصویر مرجع، حالت مرزی، شدت، منشأ محتمل، rework مجاز، اختیار disposition و رابطه با پارامتر فرایند را ثبت کنید. «ناهنجاری ناشناخته»، «تصویر بازرسی‌ناپذیر» و «قطعه بیرون دامنه» را از conforming جدا کنید.

dataset را بر اساس lot، supplier، tool، line، station، shift، material، recipe، camera، severity و time بسازید. تصویر خام و provenance را طبق سیاست حفظ کنید. split را بر مبنای گروه تولید و زمان انجام دهید، نه frame نزدیک تصادفی؛ frame مجاور در train/test leakage را شبیه generalization می‌کند.

بازرس واجد صلاحیت و داوری تعارض داشته باشید. اختلاف را ثبت کنید و قطعه مبهم را به قطعیت دروغین هل ندهید. برای عیب بحرانی نادر، نمونه واقعی، seeding کنترل‌شده، simulation فیزیک‌محور و challenge part را ترکیب کنید اما منشأ را علامت بزنید. تصویر synthetic تنوع می‌دهد؛ عملکرد خط واقعی را ثابت نمی‌کند.

دستور annotation، reference master، transformation و exclusion را quality record نسخه‌دار کنید. relabeling باید dataset تازه و توضیح تغییر metric بسازد.

خطا را در واحد تولید و slice بسنجید

pixel accuracy یا F1 aggregate ریسک تولید را بیان نمی‌کند. در واحد disposition گزارش دهید:

• escape و over-reject به تفکیک عیب و شدت؛
• sensitivity در کمینه اندازه و نزدیک مرز پذیرش؛
• precision، recall، confusion، calibration و unknown rejection؛
• عملکرد lot، supplier، shift، station، camera، material و recipe؛
• repeatability همان قطعه و reproducibility بین تجهیزات؛
• زمان تصمیم، timeout، unreadable و fallback؛
• توافق بازبین و overturn disposition؛
• scrap، rework، return، warranty و complaint پایین‌دستی.

confidence interval و تعداد نمونه را نشان دهید. سه نمونه عیب ایمنی با recall صددرصد، شاهد کنترل قابل اتکا نیست.

threshold را از consequence و process capability بگیرید. عیب cosmetic شاید صف بازبینی بپذیرد؛ ویژگی ایمنی شاید کنترل redundant اعتبارسنجی‌شده بخواهد. پیش از reject خودکار، shadow یا contained production اجرا کنید. زنجیره trigger تا divert فیزیکی و trace را کامل آزمون کنید.

سیگنال عیب را به شاهد فرایند وصل کنید

بینایی وقتی ارزش بیشتری دارد که علت assignable پیدا کند بدون اینکه correlation را فرمان بداند. رویداد عیب را به این موارد join کنید:

• part و genealogy؛
• material lot و supplier؛
• work order، variant و recipe؛
• machine، tool، cavity، station و maintenance state؛
• process parameter و environmental sensor؛
• اقدام operator، rework، disposition و outcome.

time alignment مهم است؛ ساعت PLC، camera، MES و historian drift دارد. uncertainty زمان را ثبت و اتصال تصویر به قطعه درست را اثبات کنید. توضیح علت عالی روی genealogy غلط خطرناک است.

الگوی تازه را cluster و hypothesis را rank کنید، اما ادعای causal را مهندس با دانش فرایند، تغییر کنترل‌شده یا experiment تایید کند. مدل شاید افزایش scratch پس از tool change را ببیند؛ نباید خودسرانه setpoint را عوض کند.

برای رابطه پیچیده، اصول تحلیل تولید نیمه‌رسانا را به‌کار ببرید: metrology، process window، context ابزار، drift و traceability از امتیاز عمومی مهم‌ترند.

بازبینی اپراتور و rework را جزء اصلی کنید

تصویر اصل، crop، کلاس، uncertainty، reference، history قطعه و پیامد تصمیم را نشان دهید. heatmap شاهد کمکی است، نه اثبات علت یا صحت مدل.

اپراتور باید بتواند:

• تایید، اصلاح، uninspectable یا escalation کند؛
• reason code کنترل‌شده بزند؛
• با مرجع فیزیکی یا work instruction مصوب مقایسه کند؛
• به rework، hold، scrap، engineering review یا release بفرستد؛
• نقص camera، fixture، label یا UI را گزارش کند.

هر اصلاح را مستقیم truth آموزش ندانید. بازرس اختلاف دارد، فشار تولید bias می‌سازد و disposition پایین‌دستی شاید برچسب اول را تایید کند. feedback را زیر کنترل کیفیت curate کنید.

ارگونومی مهم است. کنترل را با دستکش و فاصله واقعی آزمون، از رنگ همراه shape/text استفاده، crop کوچک را حذف و scanner flow و دستور محلی را حفظ کنید. copilot صنعتی کارگر خط باید work instruction مصوب را کمک کند، نه rework بسازد.

اتوماسیون کیفیت را از تابع ایمنی جدا کنید

vision شاید بر حرکت خطرناک، reject gate، robot یا line stop اثر بگذارد. تعیین کنید خروجی وارد safety-related control function می‌شود یا نه. ISO 13849-1:2023 روش و الزام طراحی بخش ایمنی control system، از جمله software، می‌دهد اما safety function یا performance level ماشین مشخص را انتخاب نمی‌کند.

فرض نکنید classifier متعارف سطح ایمنی لازم را دارد. معماری ایمنی معتبر، fail-safe، guard، interlock، emergency stop و risk assessment زیر نظر مهندس صلاحیت‌دار بماند. security بر safety اثر دارد؛ مسیر camera، edge، model، recipe و PLC را segment و authenticate کنید.

پاسخ به فقدان تصویر، lens پوشیده، model stale، calibration منقضی، latency، partition شبکه، actuator mismatch و traceability failure را تعریف کنید. «همه قطعات pass» معمولاً حالت امن نیست؛ stop بی‌کنترل هم نیست. risk analysis حالت degraded را تعیین می‌کند.

تصویر، فرایند، مدل و نتیجه را پایش کنید

چهار لایه را ببینید:

1. Acquisition: روشنایی، contrast، blur، saturation، field، occlusion، trigger، drop و calibration.
2. Population: part mix، supplier، lot، material، orientation، camera، recipe و environment.
3. Model: distribution امتیاز، unknown، boundary، توافق review و slice.
4. Outcome: escape، over-reject، rework، scrap، complaint، return و safety signal.

golden part، challenge set، check مخرب یا offline متناسب و sampling آماری accepted/rejected داشته باشید. confidence تنها، drift مطمئن را نمی‌بیند.

پس از تعویض camera/lens، نور، firmware، جابه‌جایی خط، fixture، material/supplier، part/defect جدید، recipe، threshold، retraining یا stack دوباره اعتبارسنجی کنید. کل inspection recipe را نسخه‌دار کنید، نه فقط weight.

مثال: بازرسی inline بدنه قالب‌گیری‌شده

کارخانه housing قالب‌گیری‌شده را برای short shot، flash، تغییر رنگ، gate damage و insert مفقود می‌سنجد. quality engineering تعریف و شدت را تعیین می‌کند و دو نور جدا دارد چون عیب سطح و geometry شاهد متفاوت می‌خواهد.

dataset بر اساس cavity، resin lot، shift و production week split می‌شود. challenge part کمترین flash غیرمجاز و مرز تغییر رنگ را پوشش می‌دهد. insert کاملاً غایب شاید auto-reject شود اما surface کم‌اطمینان در contained launch به review می‌رود.

هر تصمیم part ID، cavity، batch، image، acquisition health، model/threshold، class، action اپراتور، confirmation divert و disposition نهایی را نگه می‌دارد. افزایش scratch در یک orientation با تغییر fixture مرتبط می‌شود؛ engineering تماس guide را تایید و فرایند را اصلاح می‌کند. ارزش از پیشگیری تکرار می‌آید، نه بهبود classifier.

وقتی reject gate تایید نمی‌شود، calibration منقضی است، resin تازه بیرون coverage است یا sampling عیب بحرانی شاهد کافی ندارد، release بسته می‌شود. model قبلی و manual inspection fallback آزموده‌اند.

دروازه عرضه، عملیات و rollback صریح بگذارید

اگر تعریف عیب متعارض، کلاس بحرانی بدون نمونه فیزیکی، leakage حل‌نشده، imaging ناپایدار، metric فقط aggregate، اتصال ایمنی/فرایند بدون validation، operator بدون حق اصلاح، accepted بدون sampling یا تصمیم بدون trace به part، recipe، model و disposition است، release را ببندید.

محدود یا rollback کنید اگر:

• acquisition health از حد می‌گذرد؛
• supplier، material، part یا process تازه بیرون validation است؛
• escape یا over-reject control limit را رد می‌کند؛
• distribution score/unknown بی‌توضیح تغییر می‌کند؛
• divert فیزیکی با record اختلاف دارد؛
• overturn در slice مهم خوشه می‌شود؛
• رخداد safety، security، customer یا regulatory می‌آید.

rollback فقط weight قبلی نیست؛ شاید camera recipe، threshold، handshake PLC، work instruction و sampling plan را بازگرداند. آن را در تولید آزمون کنید.

یادداشت منابع

منابع بررسی‌شده و جاری تا ۳۰ ژوئیه ۲۰۲۶:

• نقشه راه ۲۰۲۶ NIST برای AI و ML در تولید هوشمند — نقشه پژوهش و پذیرش ۳ ژوئیه ۲۰۲۶، نه گواه محصول یا استاندارد ایمنی.
• NIST MEP درباره ملاحظات و راهبرد پیاده‌سازی AI صنعتی — راهنمای عملی با تمرکز ویژه بر تولیدکنندگان کوچک و متوسط.
• NIST درباره حد تشخیص انسان و AI در metrology ابعادی SEM — نمونه داوری‌شده metrology در زمینه مشخص نیمه‌رسانا.
• ISO 13849-1:2023 — استاندارد جاری منتشرشده طراحی control ایمنی ماشین؛ safety function و performance level ماشین خاص را تعیین نمی‌کند.
• چارچوب مدیریت ریسک AI در NIST — چارچوب داوطلبانه؛ نسخه ۱.۰ تا این بازبینی در حال اصلاح است.