La précision des mesures est essentielle pour évaluer les performances d'un système de vision. Elle est essentielle pour obtenir des résultats fiables. Elle détermine la qualité, la cohérence et la précision. Elle est indispensable dans les applications d'inspection et de contrôle de la qualité.
Pour mesurer la précision du système de vision, plusieurs mesures clés sont utilisées. Elles vous donnent une idée précise des performances de la machine de vision et vous aident à améliorer le système. Il s'agit notamment de la précision et du rappel, qui permettent de réduire les faux positifs lors de la détection des défauts.
Des facteurs tels que la résolution, l'étalonnage de l'objectif, les conditions d'éclairage et le traitement de l'image contribuent à une inspection détaillée, garantissant la précision et l'exactitude du système.
Dans cet article, nous évaluerons les paramètres utilisés pour calculer la précision du système de machine de vision. En outre, nous discuterons des stratégies d'optimisation pour améliorer les systèmes de vision.
Termes clés
Plusieurs mesures sont utilisées pour évaluer la précision et l'exactitude des systèmes de vision. La plupart de ces termes sont interconnectés et doivent être compris en profondeur. Voici donc une définition et une discussion de ces termes pour mieux les comprendre.
- Matrice de confusion
Matrice de confusion - tableau puissant utilisé pour déterminer dans quelle mesure un classificateur de vision artificielle accomplit ses tâches. Elle compare la prédiction du système à la réalité.
La matrice se compose de quatre parties principales, chacune indiquant un type de résultat spécifique. Il s'agit des vrais positifs (TP), des faux positifs (FP), des faux négatifs (FN) et des vrais négatifs (TN). Les valeurs diagonales indiquent les prédictions correctes, tandis que les valeurs hors diagonale indiquent les prédictions incorrectes. Vous trouverez ci-dessous le tableau de la matrice de confusion qui montre les données afin de bien le comprendre :
| Réel \NPrévu | Positif (défaut) | Négatif (pas de défaut) |
| Positif (défaut) | Vrai positif (TP) | Faux négatif (FN) |
| Négatif (pas de défaut) | Faux positif (FP) | Vrai négatif (TN) |
- Vrai positif (TP) : Lorsque le système identifie correctement un cas positif (par exemple, lorsqu'il détecte correctement un défaut).
- Vrai négatif (TN) : Lorsque le système identifie correctement un cas négatif (par exemple, lorsqu'il reconnaît correctement une bonne pièce).
- Faux positif (FP) : Lorsque le système étiquette incorrectement un élément positif (par exemple, lorsqu'il signale à tort une bonne pièce comme étant défectueuse).
- Faux négatif (FN) : Lorsque le système ne parvient pas à détecter un cas positif (par exemple, s'il manque un défaut).
En résumant les prédictions par rapport à la réalité, la matrice de confusion nous permet de calculer d'importantes mesures de qualité. Ces mesures - exactitude, précision, rappel et score F1 - sont toutes essentielles pour évaluer les performances d'un système. Elles permettent de mettre en évidence ses points forts et ses faiblesses potentielles.
- Précision
La précision mesure la fréquence à laquelle le système de vision est globalement correct. Elle répond : Sur l'ensemble des inspections, combien le système a-t-il réussi ?
Il peut être calculé à l'aide de la formule suivante :
Précision : TP+TN / (inspections totales : TP+TN+FP+FN)
Par exemple, un système vérifie 1 000 pièces et en identifie correctement 980 comme bonnes ou défectueuses.
Précision : 980/1000 = 98%
La précision du système de vision sera de 98%. Et 0,2% sera l'erreur, l'inverse de la précision.
Il est donc important de comprendre que la précision seule peut être trompeuse si les classes sont déséquilibrées (par exemple, si la plupart des pièces sont bonnes).
- Précision
La précision se rapporte à l'exactitude des prédictions correctes. Elle nous indique : Parmi toutes les pièces étiquetées comme positives (défectueuses), combien sont réellement défectueuses ? La précision et le rappel sont deux mesures qui fournissent des informations plus détaillées sur les performances du système.
Il est calculé comme suit :
Précision : TP/(TP+FP)
Une grande précision signifie que le système de vision émet peu de fausses alarmes. Il prédit avec précision les défauts sans rejeter à tort de bonnes pièces. Une faible précision signifie que de nombreux faux positifs augmentent les rebuts ou les reprises.
- Rappel
Rappeler les réponses : Sur l'ensemble des cas positifs réels (défauts), combien le système en a-t-il trouvé ? Il est défini comme le rapport entre les vrais positifs et la somme des vrais positifs et des faux négatifs. Il se calcule comme suit :
Rappel : TP/TP + FN
Une valeur de rappel élevée signifie que le système de vision peut détecter le plus grand nombre de défauts. La probabilité que des pièces détectées passent inaperçues est donc réduite. En revanche, une faible valeur de rappel signifie que de nombreux défauts ne sont pas détectés, ce qui nuit à la qualité.
- Score F1
Le score F1 équilibre la précision et le rappel en un seul chiffre. Il s'agit de la moyenne harmonique, qui donne une idée de la qualité globale de ces deux mesures.
Il peut être calculé comme suit :
F1 = 2 × (précision × rappel) / (précision + rappel)
Un score F1 élevé signifie que le système atteint une bonne précision et un bon rappel. Il limite ainsi les fausses alertes et les défauts manqués.
Évaluer les paramètres clés affectant les performances du système de vision
Précision
La précision joue un rôle important dans les performances des systèmes de vision. La précision du système dépend de plusieurs facteurs, dont la précision et la répétabilité. Ces facteurs garantissent que le système fournit des résultats cohérents lors d'inspections répétées. Pour obtenir des résultats précis, la précision du système doit être comprise entre 0,00005 et 0,0001. Cette valeur peut varier en fonction des applications spécifiques. Un bon étalonnage est essentiel à cet égard. Il permet d'aligner les mesures sur des valeurs de référence standard, améliorant ainsi la répétabilité et réduisant les erreurs. Un étalonnage régulier permet de conserver la fiabilité du système au fil du temps.
Ensemble, les systèmes de haute précision et l'étalonnage précis garantissent des performances de mesure stables et fiables pour les tâches industrielles exigeantes.
Précision
Dans les systèmes de vision industrielle, la précision est un paramètre important, essentiel pour obtenir des mesures cohérentes et fiables. Elle permet de réduire les variations lors de vérifications répétées, améliorant ainsi la précision globale du système. Lorsque la précision est élevée, le système peut produire des résultats stables dans le temps, ce qui est particulièrement important dans des domaines tels que la métrologie, où les erreurs minimes comptent.
La précision sub-pixel va encore plus loin en mesurant des caractéristiques plus petites qu'un seul pixel. Cela permet au système de détecter des détails fins et de petits défauts qui, autrement, passeraient inaperçus. Cette précision est essentielle pour les industries qui dépendent d'un contrôle de qualité strict et d'une imagerie détaillée.
Plusieurs facteurs clés influencent la précision :
- Étalonnage : Un réglage correct des caméras et des objectifs permet au système d'effectuer des mesures correctes et cohérentes. Un bon étalonnage permet d'aligner les mesures réelles sur les normes attendues, ce qui réduit les erreurs.
- Qualité des composants : Des caméras et des objectifs de haute qualité, avec une distorsion minimale et une résolution élevée, améliorent considérablement la précision. Des pièces de mauvaise qualité peuvent entraîner des flous et des lectures erronées.
- Stabilité environnementale : Un éclairage stable et des températures contrôlées empêchent la dérive et le bruit des mesures. Les changements d'éclairage ou de température peuvent entraîner une variabilité et des erreurs.
En se concentrant sur ces domaines, les systèmes de vision industrielle peuvent maintenir une grande précision et fournir des inspections fiables et précises, essentielles pour les applications industrielles et de qualité critique.
Résolution
La résolution est un autre facteur qui influe sur la précision des mesures du système.
Il doit respecter les théorèmes de Nyquist et de Shannon. Ils stipulent que la résolution des pixels doit contenir au moins deux fois la fréquence des détails fins. Cela permet d'obtenir des données précises, sans erreur et sans repliement. L'utilisation de composants à haute résolution et à faible bruit améliore la précision d'un système. Elle permet de capter des informations plus fines, ce qui se traduit par une détection et une classification plus précises.
Rappel
Le rappel mesure en fait les éléments défectueux que le système identifie correctement. Il montre la capacité du système à détecter la plupart des défauts. Le rappel est crucial pour le contrôle de la qualité dans les applications de vision, où l'absence d'un défaut peut entraîner de graves problèmes dans le processus de fabrication.
Il est toujours bon d'avoir un taux de rappel élevé. Cela signifie que la plupart des pièces défectueuses sont détectées et retirées de la chaîne de production. Cependant, le rappel doit être équilibré avec la précision afin d'éviter trop de fausses alertes. Le suivi du rappel sur de nombreuses inspections permet de comprendre l'efficacité globale du système à détecter les défauts de manière précise et cohérente, garantissant ainsi une assurance qualité fiable.
R&R de la jauge
La répétabilité et la reproductibilité de la jauge (R&R) sont utilisées pour mesurer la fiabilité d'un système de vision industrielle. Elle permet de déterminer la cohérence et la précision des mesures du système. La technique examine les variations dues au processus plutôt qu'au système de mesure.
Idéalement, les erreurs de mesure représentent moins de 10 % de la variabilité totale. Cela permet d'authentifier la robustesse du système. L'étude Gauge R&R implique que plusieurs opérateurs mesurent à plusieurs reprises la même pièce. Cela permet de tester deux choses :
Répétabilité : Quelle est la similitude des mesures d'un opérateur pour une même pièce ?
Reproductibilité : Le degré de cohérence des mesures des différents opérateurs dans une partie.
Gauge R&R permet d'évaluer la capacité du système à détecter de manière fiable les changements dans la qualité de fabrication. Cette évaluation continue soutient la gestion de la qualité en garantissant des mesures précises et cohérentes dans le temps.
Comment optimiser le système de mesure de la vision ?
Il existe des stratégies d'optimisation efficaces que vous devriez utiliser pour atteindre une précision de haut niveau. En voici quelques-unes.
- La qualité de la caméra influe sur la résolution. Vous devez donc opter pour des caméras à haute résolution. En revanche, un faible niveau de bruit permet au système de capturer avec précision les moindres détails.
- Des pixels plus petits améliorent la capture des détails, mais au prix d'un niveau de bruit plus élevé. Les lentilles télécentriques peuvent être utilisées pour stabiliser la taille des objets, minimiser la distorsion et permettre des mesures précises.
- L'étalonnage est essentiel ; la comparaison des mesures du système avec des normes permet de maintenir les résultats précis et fiables dans les limites des tolérances fixées.
- Le traitement complexe de l'image, tel que le sous-pixel, augmente la précision au-delà des limites du pixel. Un éclairage stable et bien contrôlé permet de réduire les problèmes d'image, tels que le délavage ou l'éblouissement.
Conclusion
En conclusion, les systèmes de vision constituent un élément essentiel des équipements de fabrication. Leur précision de mesure, qui est le paramètre critique, est évaluée par plusieurs paramètres. Il s'agit de l'exactitude, de la précision, de la résolution, du rappel, du score F1, etc. Comme ces mesures sont liées les unes aux autres, nombreux sont ceux qui confondent ces termes. Il est donc important de les comprendre et de les analyser pour obtenir des informations utiles sur la précision du système de mesure.
En outre, les systèmes de vision peuvent être optimisés par plusieurs stratégies utiles. Il s'agit notamment de l'étalonnage de l'équipement, de l'utilisation de caméras et d'objectifs de haute qualité, du respect des théorèmes de Nyquist et de Shannon, et d'un système d'éclairage contrôlé. Tous ces éléments amélioreront la capacité du système à détecter les défauts mineurs et à fournir des données précises.