L'accettazione dell'ispezione per difetti industriali deve esaminare sia gli articoli difettosi mancati che gli articoli conformi erroneamente rifiutati. L'accuratezza complessiva dipende dalla composizione del campione. Una cifra combinata può nascondere difetti rari non rilevati quando prevalgono i campioni conformi. Concordare le definizioni dei difetti, le etichette di riferimento e l'unità di conteggio prima dell'approvvigionamento o della revisione tecnica.
Definire la classe positiva e l'unità di conteggio
Qui la classe positiva è un articolo difettoso e l'unità di conteggio è un singolo prodotto. Le metriche a livello di immagine, a livello di regione con difetti e a livello di prodotto necessitano di definizioni separate.
| Risultato di riferimento | Previsto difettoso | Conformità prevista |
|---|---|---|
| Articolo difettoso | Rilevamento corretto TP |
Difetto mancato FN |
| Articolo conforme | Falso allarme FP |
Accettazione corretta TN |
Documentazione ufficiale sulla matrice di confusione di scikit-learn organizza i conteggi per classi effettive e previste. Si tratta di una definizione statistica, non di un benchmark di algoritmi o di una prova delle prestazioni delle apparecchiature.
Includere il denominatore in ogni tasso
All'interno di questa definizione binaria, il tasso di mancati difetti è FN / (TP + FN) e il tasso di falsi allarmi sugli articoli conformi lo è FP / (FP + TN). Se il denominatore è 0, la metrica del difetto corrispondente non è definita. Il rapporto deve elencare i conteggi, la composizione del campione, le categorie di difetti e l'ambito della valutazione.
Registrare immagini sfocate, errori di allineamento ed etichette di riferimento non confermate come casi separati che richiedono una revisione. Concordare in anticipo il loro trattamento nei denominatori di accettazione. Rimuovere i casi difficili per migliorare il risultato riportato è inappropriato.
Ottimizzare utilizzando i dati di convalida, quindi eseguire i test di accettazione
Conserva l'origine del campione, il lotto, il tipo di prodotto, le condizioni di imaging, la versione dell'etichetta e lo scopo dei dati. Ricontrolla gli errori e i falsi allarmi dopo aver modificato soglie, regioni o modelli. I dati utilizzati per la messa a punto non costituiscono una prova di accettazione indipendente. Le immagini ripetute dello stesso prodotto non sono campioni di prodotto indipendenti.
Le condizioni di accettazione richiedono anche l’ambito del difetto, la gravità, i casi limite, le procedure di revisione e il tempo del ciclo di elaborazione. Le soglie e le metriche richiedono test su campioni target. Questo articolo spiega un metodo di valutazione. I risultati dell'ispezione delle apparecchiature non rientrano nel suo ambito.
Servizi correlati: algoritmi di visione e ingegneria dei modelli E richieste di progetto.