Si comincia con un gate di fattibilità sui vostri campioni reali, perché alcuni compiti visivi non sono risolvibili alla vostra velocità di linea, ed è più economico saperlo alla prima settimana. Seguono progettazione dell'imaging, dati annotati, un modello validato e un test controllato in linea — riportato per classe di difetto, con difetti mancati e falsi scarti contati separatamente.
Verificare il mio caso d'uso di visioneParla con un ingegnere di produzioneInterlocutore principale: Responsabile qualità · Responsabile di produzione · Responsabile automazione · Responsabile ingegneria · Direttore di stabilimento
Le durate sono tipiche, non garantite. Allungano il calendario: dati mancanti o incompleti, approvazioni di sicurezza e di rete, tempi di consegna dell’hardware, raccolta dei campioni, accesso per l’installazione, il piano di produzione, l’accesso all’ambiente di test dell’ERP e il tempo che il tuo team impiega per valutare i risultati.
Non è previsto alcun fermo non pianificato. Ogni finestra di installazione o interruzione controllata viene concordata in anticipo e pianificata attorno alla produzione.
| Indicatore | Come è definito | Da dove arriva il valore | Tipo |
|---|---|---|---|
| Precisione per classe di difetto | Dei pezzi segnalati per una classe, la quota che vi appartiene realmente — riportata per classe, mai mediata in un unico valore. | Set di validazione tenuto da parte | Tecnico |
| Recall per classe di difetto | Dei pezzi che mostrano realmente una classe, la quota rilevata — riportata per classe e per variante di prodotto. | Set di validazione tenuto da parte | Tecnico |
| Tasso di falsi accettati | Pezzi difettosi fatti passare come buoni. Contati e riportati separatamente dai falsi scarti, perché il loro costo aziendale è completamente diverso. | Set di validazione tenuto da parte | Tecnico |
| Tasso di falsi scarti | Pezzi buoni scartati. Il numero che decide se gli operatori terranno il sistema acceso. | Set di validazione tenuto da parte | Operativo |
| Matrice di confusione e numero di campioni | Matrice completa classe per classe con il numero di campioni per classe, così il lettore può giudicare quanto vale il risultato. | Set di validazione tenuto da parte | Tecnico |
| Latenza di elaborazione e conformità al tempo ciclo | Tempo di ispezione per pezzo rispetto al tempo ciclo disponibile, misurato in linea anziché su una postazione di lavoro. | Dati della piattaforma MSF | Tecnico |
| Tasso di classificazioni incerte | Quota di pezzi su cui il modello non ha potuto decidere con sicurezza, ciò che il flusso di conferma operatore deve assorbire. | Set di validazione tenuto da parte | Operativo |
| Uptime e comportamento di conferma degli operatori | Disponibilità del sistema durante il test in linea, e come gli operatori hanno effettivamente gestito conferme e sovrascritture. | Dati della piattaforma MSF | Adozione |
Prima dell’implementazione, MSF e il tuo team concordano come si calcola ogni indicatore, da dove arriva il valore di partenza, quali dati sono esclusi e quale risultato sostiene una decisione di rollout. Questa pagina elenca che cosa viene misurato; gli obiettivi numerici appartengono al perimetro scritto del PoC, non a una promessa commerciale.
Condizioni commerciali, proprietà dell’hardware, trasferte, perimetro di integrazione ed eventuale scomputo sul rollout sono definiti nell’offerta scritta del PoC. Non sono uguali per tutti i prodotti e questa pagina non li promette.
L'accuratezza complessiva non viene mai usata come metrica di accettazione — su un insieme di difetti sbilanciato può apparire eccellente pur mancando ogni difetto che conta. I risultati sono riportati per classe con il numero di campioni, e nessuna affermazione viene fatta per tipi di difetto, varianti o condizioni non presenti nel set validato.
Dipende da quanto variabili siano il difetto e il prodotto, e il gate di fattibilità fornisce un numero specifico per il vostro caso. Di norma il vincolo non sono i pezzi OK — quelli sono ovunque — ma esempi NOK genuini per classe, soprattutto i difetti rari che sono l'intero motivo del progetto.
Perché su una linea che produce il 2% di difetti, un modello che fa passare tutto ottiene il 98% di accuratezza e non ne cattura nessuno. Precisione e recall per classe, più falsi accettati e falsi scarti separati, sono gli unici numeri che descrivono cosa accadrà realmente sulla vostra linea.
Ricevete il ragionamento, le evidenze di imaging e, dove esiste, un'alternativa — un diverso punto di ispezione, una diversa geometria di illuminazione, o un controllo basato su sensori anziché visivo. Un no chiaro alla prima settimana è un buon esito rispetto a una cella fallita al nono mese.
Non automaticamente, e questo è dichiarato nell'elenco limitazioni anziché essere edulcorato. Un modello rileva ciò su cui è stato addestrato e validato. Nuove classi di difetto richiedono nuovi campioni, un nuovo addestramento e una nuova validazione — un'attività normale e pianificabile, ma non gratuita.
Raccontaci il perimetro che hai in mente e ti rispondiamo con un piano di PoC scritto: che cosa viene collegato, che cosa fornisci tu, come si misura il successo e come si presenta la decisione finale.