মান নিয়ন্ত্রণ এবং ত্রুটি সনাক্তকরণ: চিত্র প্রক্রিয়াকরণ

লাভ:

• ইমেজ প্রসেসিং এবং মেশিন লার্নিং দ্বারা ফ্যাব্রিক পৃষ্ঠের ত্রুটিগুলি কীভাবে সনাক্ত এবং শ্রেণীবদ্ধ করা হয় তা ব্যাখ্যা করার ক্ষমতা।
• মিথ্যা ইতিবাচক/নেতিবাচক ব্যালেন্স, 4-পয়েন্ট স্কোরিং সিস্টেম এবং মডেল পারফরম্যান্স মেট্রিক্স ব্যাখ্যা করার ক্ষমতা
• একটি যাচাইকরণ সেটআপ ডিজাইন করার ক্ষমতা যা মানব পরিদর্শন এবং শারীরিক পরিদর্শনের সাথে স্বয়ংক্রিয় ত্রুটি সনাক্তকরণ আউটপুট পরীক্ষা করে

বহু বছর ধরে, ফ্যাব্রিক মান নিয়ন্ত্রণ মানুষের চোখের উপর নির্ভর করে: একজন অপারেটর একটি আলোকিত পরিদর্শন টেবিলে ঘন্টার জন্য ফ্যাব্রিক দেখেন, তিনি যে কোন ত্রুটি দেখেন তা চিহ্নিত করে এবং স্কোর করে। এই কাজ ক্লান্তিকর, বিষয়গত, এবং ক্লান্তি এবং ত্রুটি প্রবণ; মনোযোগ একটি শিফটের শেষে ততটা তীক্ষ্ণ নয় যতটা শুরুতে হয়। কম্পিউটার দৃষ্টি এবং মেশিন লার্নিং এই পরিদর্শনটি স্বয়ংক্রিয় করার প্রতিশ্রুতি দেয়: একটি উচ্চ-গতির ক্যামেরা ফ্যাব্রিক স্ক্যান করে, সেকেন্ডের মধ্যে ত্রুটিগুলির একটি প্যাটার্ন সনাক্ত করে এবং শ্রেণিবদ্ধ করে। এই ইউনিটে, আমরা আলোচনা করব কিভাবে এই সিস্টেমটি কাজ করে, কোন মাপকাঠি দ্বারা এটি মূল্যায়ন করা হয় এবং কেন মানুষের নিয়ন্ত্রণ এখনও অপরিহার্য।

কাপড়ের ত্রুটি এবং পরিদর্শনের ভাষা

স্বয়ংক্রিয় সনাক্তকরণ বোঝার জন্য, প্রথমে ত্রুটিগুলির নাম জানা প্রয়োজন। বোনা কাপড়ের সাধারণ ত্রুটি: ওয়ার্প ভেঙ্গে যাওয়া (অনুদৈর্ঘ্য থ্রেডের অভাব), ওয়েফট ডিফেক্ট/ইন্টারফেসিং (ট্রান্সভার্স লাইন), গর্ত, দাগ, পুরু/পাতলা জায়গা, ওয়ার্প বাউন্স। বোনা ফ্যাব্রিকে: সুই চিহ্ন (অনুদৈর্ঘ্য রেখা, একটি সুই ত্রুটি থেকে), বিপথগামী সেলাই, গর্ত, বেধ পার্থক্য। প্রিন্টিং এবং ডাইংয়ে: রঙের পার্থক্য, অ্যাব্রেজ (রঞ্জন অনিয়ম), স্লিপেজ, স্প্ল্যাশিং।

পরিদর্শন ফলাফল প্রায়ই একটি চার-পয়েন্ট সিস্টেম ব্যবহার করে স্কোর করা হয়: প্রতিটি ত্রুটি তার অনুদৈর্ঘ্য দৈর্ঘ্য অনুযায়ী 1-4 পয়েন্ট দেওয়া হয় (যেমন 8 সেমি পর্যন্ত 1 পয়েন্ট, 15 সেমি পর্যন্ত 4 পয়েন্ট) এবং 100 m² প্রতি মোট স্কোর গণনা করা হয়। একটি থ্রেশহোল্ডের নীচে (যেমন 40 পয়েন্ট/100 m²) "গ্রহণযোগ্যতা" হিসাবে বিবেচিত হয়, উপরে "প্রত্যাখ্যান" হিসাবে বিবেচিত হয়। AI এর সাথে স্বয়ংক্রিয় স্কোরিং এই মান অনুকরণ করা উচিত; এটি তার নিজস্ব নির্বিচারে স্কোর তৈরি করা উচিত নয়।

টিপ: স্বয়ংক্রিয় সিস্টেমের আউটপুট সর্বদা আপনার স্বীকৃত স্কোরিং স্ট্যান্ডার্ড (যেমন 4-পয়েন্ট) এবং ক্লায়েন্ট সহনশীলতার সাথে পরিবর্তনযোগ্য হওয়া উচিত। "মডেলটি 12টি অসঙ্গতি খুঁজে পেয়েছে" একা ব্যবসায়িক সিদ্ধান্ত নেয় না; এটাকে পয়েন্ট এবং সিদ্ধান্তে রূপান্তর করতে হবে।

কিভাবে স্বয়ংক্রিয় ত্রুটি সনাক্তকরণ কাজ করে?

আধুনিক সিস্টেমগুলি প্রায়শই দুটি পন্থাকে একত্রিত করে। তত্ত্বাবধানে শ্রেণীবিন্যাস হল যখন একটি কৃত্রিম নিউরাল নেটওয়ার্ক (বিশেষত ইমেজ-উপযুক্ত কনভোল্যুশনাল নিউরাল নেটওয়ার্ক, ইংরেজি CNN) হাজার হাজার পূর্বে লেবেল করা ত্রুটির উদাহরণ সহ প্রশিক্ষিত নতুন ইমেজ এবং এর ধরণে কোনো ত্রুটি আছে কিনা তা ভবিষ্যদ্বাণী করে। অন্য দিকে, অসঙ্গতি সনাক্তকরণ "স্বাভাবিক" ফ্যাব্রিক শিখে এবং একটি ত্রুটি প্রার্থী হিসাবে স্বাভাবিক থেকে বিচ্যুত কিছু চিহ্নিত করে; এটি বিরল, আগে কখনো দেখা যায়নি এমন ত্রুটির জন্য কাজ করে কারণ প্রতিটি ত্রুটির ধরনকে আগে থেকে লেবেল করার প্রয়োজন নেই।

আমরা দুটি মৌলিক মানদণ্ডের সাথে সিস্টেমের কর্মক্ষমতা পড়ি। সংবেদনশীলতা (প্রত্যাহার): এটি কত শতাংশ বাস্তব ত্রুটি সনাক্ত করেছে? যথার্থতা: তারা যা বলেছিল তার কত শতাংশ ত্রুটি ছিল আসলে একটি ত্রুটি ছিল? এই দুইয়ের মধ্যে একটা ভারসাম্য আছে। মিথ্যা নেতিবাচক (ত্রুটি অনুপস্থিত) মানে ত্রুটিপূর্ণ পণ্য গ্রাহকের কাছে বিতরণ করা হয়; ফলস ইতিবাচক (নিখুঁতটিকে ত্রুটিপূর্ণ হিসাবে চিহ্নিত করা) মানে অপ্রয়োজনীয় অপচয় এবং মন্থরতা। মান-সমালোচনামূলক প্রয়োগে, একটি থ্রেশহোল্ড সাধারণত মিথ্যা নেতিবাচক কম রাখার জন্য বেছে নেওয়া হয়, যখন বর্ধিত মিথ্যা ইতিবাচক একটি মানব অপারেটর দ্বারা দ্রুত দ্বিতীয় পরীক্ষা করা হয়।

এখানে একটি সমালোচনামূলক ফাঁদ রয়েছে: শুধুমাত্র নির্ভুলতা বিভ্রান্তিকর। একটি উত্পাদন লাইনে, সম্ভবত 2% ফ্যাব্রিক ত্রুটিপূর্ণ। একটি বোকা মডেল যা সবকিছুকে "নিখুঁত" বলে 98% নির্ভুলতা রিপোর্ট করে কিন্তু একটি একক ত্রুটি ধরা দেয় না। অতএব, ভারসাম্যহীন ডেটাতে, ত্রুটি শ্রেণীর সংবেদনশীলতা এবং নির্ভুলতা বিবেচনা করা হয় না, তবে নির্ভুলতা।

ধাপে ধাপে: একটি সনাক্তকরণ সিস্টেমের মূল্যায়ন

1. প্রতিনিধি তথ্য সংগ্রহ করুন। বাস্তব ফ্যাব্রিক বৈচিত্র্য (রঙ, টেক্সচার, আলো) আবরণ ছবি যা সিস্টেম দেখতে পাবে; বিরল ত্রুটি সহ।
2. লেবেলের গুণমান পরীক্ষা করুন। প্রশিক্ষণের লেবেল ভুল হলে, মডেলও ভুল শিখে; একটি বিশেষজ্ঞ চোখ দিয়ে লেবেল নমুনা.
3. সংবেদনশীলতা/নির্ভুলতা পরিমাপ করুন। খুঁত শ্রেণীর জন্য পৃথকভাবে; শুধু সাধারণ নির্ভুলতা তাকান না.
4. মিথ্যা নেতিবাচক পরীক্ষা. মিস করা ত্রুটিগুলির কি একটি সাধারণ বৈশিষ্ট্য (নির্দিষ্ট রঙ, নির্দিষ্ট আলো) আছে?
5. হিউম্যান-ইন-দ্য-লুপ সেট আপ করুন। মডেলটি কী চিহ্নিত করেছে তা অপারেটরকে নিশ্চিত করতে দিন; মানুষের কাছে অনিশ্চয়তা নির্দেশ করুন।
6. মনিটর এবং পুনরায় প্রশিক্ষণ. নতুন ত্রুটির ধরন আবির্ভূত হওয়ার সাথে সাথে ডেটাসেট আপডেট করুন (ধারণা ড্রিফ্ট)।

তিনটি মিনি কেস: সংখ্যা দ্বারা

কেস 1 - বিভ্রান্তিকর সঠিকতা। একজন সরবরাহকারী "আমাদের মডেল 97% সঠিক" বলে একটি সিস্টেম বিক্রি করেছে। ক্ষেত্রবিশেষে গ্রাহকের আয় বেড়েছে। বিশ্লেষণে দেখা গেছে যে ত্রুটি শ্রেণীর সংবেদনশীলতা ছিল মাত্র 61%, যার অর্থ প্রতি 100টি প্রকৃত ত্রুটির মধ্যে 39টি মিস করা হয়েছে। নির্ভুলতা বেশি ছিল কারণ বেশিরভাগ ফ্যাব্রিক ইতিমধ্যেই ত্রুটিহীন ছিল। থ্রেশহোল্ড পুনরায় সামঞ্জস্য করা এবং মানুষের নিয়ন্ত্রণ যোগ করা হয়েছে; সংবেদনশীলতা 92% বৃদ্ধি পেয়েছে, অপারেটর দ্বারা মিথ্যা ইতিবাচক বাদ দেওয়া হয়েছে।

কেস 2 — আলোর স্থানান্তর। এক লাইনে, বিকালের সূর্যালোক পরিদর্শন এলাকায় আঘাত করলে মিথ্যা ইতিবাচক তিনগুণ বেড়ে যায়; মডেল ভেবেছিলেন ছায়াগুলি দাগ। দেখার অবস্থা (বন্ধ ক্যাবিনেট, ধ্রুবক LED আলো) প্রমিত করা হলে সমস্যাটি সমাধান করা হয়েছিল। পাঠ: ইমেজিং সেটআপটি মডেলের মতোই গুণমানের বিষয়ে।

কেস 3 - সময় এবং শ্রম। একটি ব্যবসা গড়ে 9 মিনিট ম্যানুয়ালি 100 মিটার ফ্যাব্রিক পরিদর্শন করে। ক্যামেরা প্রি-স্ক্যানিং + অপারেটর নিশ্চিতকরণ মডেলের সাথে, সময়টি 4 মিনিটে কমিয়ে দেওয়া হয়েছিল এবং ফুটো হ্রাস করা হয়েছিল কারণ অপারেটর শুধুমাত্র চিহ্নিত জায়গাগুলিতে মনোযোগ দিয়েছে৷ যা ছিল সমালোচনামূলক ছিল যে অটোমেশন অপারেটরকে নয়, অপারেটরের চোখকে তীক্ষ্ণ করেছে।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দ্রষ্টব্য: ডেডিকেটেড সিস্টেম যা সরাসরি ত্রুটি চিত্র বিশ্লেষণ করে আলাদা; এখানে আমরা প্রক্রিয়া নকশা, ডেটা মূল্যায়ন এবং প্রতিবেদনের জন্য AI ব্যবহার করি।

দুর্বল প্রম্পট:

আমাকে বলুন, আমাদের ত্রুটি সনাক্তকরণ মডেল ভাল?

শক্তিশালী প্রম্পট:

আপনার ভূমিকা: টেক্সটাইল গুণমান প্রকৌশলী এবং ডেটা বিশ্লেষক। নীচে ত্রুটি সনাক্তকরণ মডেলের পরীক্ষার ফলাফল রয়েছে (বিভ্রান্তি ম্যাট্রিক্স: সত্য পজিটিভ, মিথ্যা ইতিবাচক, মিথ্যা নেতিবাচক, সত্য নেতিবাচক)। টাস্ক: 1) ত্রুটি শ্রেণীর জন্য সংবেদনশীলতা এবং নির্ভুলতা গণনা করুন, সূত্র দেখান। এই উৎপাদনে নেতিবাচক। 4) থ্রেশহোল্ড নির্ধারণ এবং মানব পরিদর্শনের জন্য কংক্রিট পরামর্শ দিন। সংখ্যা: [ম্যাট্রিক্স]

অনুলিপিযোগ্য টেমপ্লেট

1) মেট্রিক গণনা এবং ব্যাখ্যা:

নিম্নলিখিত বিভ্রান্তি ম্যাট্রিক্স থেকে সংবেদনশীলতা, নির্ভুলতা এবং F1 স্কোর গণনা করুন, প্রতিটি সূত্র লিখুন এবং মানের দিক থেকে কোনটি বেশি সমালোচনামূলক তা ন্যায়সঙ্গত করুন। ম্যাট্রিক্স: [TP, FP, FN, TN]

2) মিথ্যা নেতিবাচক মূল কারণ:

নীচে মিস (মিথ্যা নেতিবাচক) ত্রুটিগুলির বৈশিষ্ট্য তালিকা (খুটির ধরণ, রঙ, আলো, গতি)। সাধারণ প্যাটার্ন হাইপোথিসিস তৈরি করুন এবং প্রতিটি হাইপোথিসিসের জন্য একটি যাচাইকরণ ট্রায়ালের প্রস্তাব করুন। তথ্য: [তালিকা]

3) 4-পয়েন্ট পয়েন্টে রূপান্তর:

নিম্নলিখিত সনাক্তকরণ আউটপুটটিকে একটি 4-পয়েন্ট সিস্টেমে রূপান্তর করুন: প্রতিটি ত্রুটিকে তার দৈর্ঘ্য অনুযায়ী স্কোর করুন, প্রতি 100 m² প্রতি মোট স্কোর গণনা করুন, [থ্রেশহোল্ড] স্কোরের সাথে তুলনা করুন এবং গ্রহণ/প্রত্যাখ্যানের সুপারিশ করুন। ত্রুটি তালিকা: [তালিকা]

4) পরিদর্শন প্রতিবেদনের খসড়া:

নিম্নলিখিত শিফট ত্রুটি ডেটা থেকে একটি কার্যনির্বাহী সারাংশ সংগ্রহ করুন: শীর্ষ 3 ত্রুটি, সম্ভাব্য প্রক্রিয়া উত্স (অনুমান), মোট প্রত্যাখ্যান হার, এবং প্রস্তাবিত কর্ম। সংখ্যাগুলি তৈরি করবেন না, যা দেওয়া হয়েছে তা ব্যবহার করুন। ডেটা: [টেবিল]

মেট্রিক তুলনা চার্ট

মানদণ্ড

কি ব্যবস্থা

এটা কি উচ্চ হতে ভাল?

মানের ক্ষেত্রে গুরুত্ব

নির্ভুলতা

সামগ্রিক সঠিক হার

বিভ্রান্তিকর হতে পারে

ভারসাম্যহীন ডেটা কম

সংবেদনশীলতা (প্রত্যাহার)

প্রকৃত ত্রুটি হার ধরা

হ্যাঁ

ড্রপ মিথ্যা নেতিবাচক (সমালোচনামূলক)

যথার্থতা

আপনি যা বলছেন তার সত্যতা একটি ত্রুটি

হ্যাঁ

মিথ্যা ইতিবাচক/বর্জ্য হ্রাস করে

মিথ্যা নেতিবাচক

পরিত্রাণ ত্রুটি

না, এটি কম হওয়া উচিত

গ্রাহকের কাছে ত্রুটিপূর্ণ পণ্যের ঝুঁকি

মিথ্যা ইতিবাচক

খালি অ্যালার্ম

না কিন্তু এটা সহ্য করা হয়

দক্ষতা/গতি হ্রাস

মনোযোগ: স্বয়ংক্রিয় সিস্টেমটি একটি "প্রি-স্ক্রিনার", "অনুমোদনকারী" নয়। চূড়ান্ত গুণমান গ্রহণের সিদ্ধান্তের জন্য একজন দক্ষ মানের কর্মকর্তার অনুমোদন প্রয়োজন, বিশেষ করে গ্রাহক চুক্তি সাপেক্ষে ব্যাচের জন্য। মডেলটি মানুষের নিয়ন্ত্রণকে ত্বরান্বিত করে, তবে এটিকে ছাড় দেয় না।

সাধারণ ভুল

• ধার্মিকতা দেখতে এবং সন্তুষ্ট হতে. উচ্চ নির্ভুলতা ভারসাম্যহীন ডেটাতে আর্টিফ্যাক্ট লুকিয়ে রাখে।
• দেখার অবস্থা অবহেলা. ধ্রুবক আলোকসজ্জা এবং ধ্রুবক গতি ছাড়া মডেলটি অবিশ্বস্ত।
• লেবেলের গুণমান পরীক্ষা করা হচ্ছে না। ভুল লেবেল দিয়ে প্রশিক্ষিত মডেল ভুলভাবে শেখে।
• নতুন ধরনের ত্রুটি ভুলে যাওয়া। সময়ের সাথে সাথে প্রদর্শিত নতুন ত্রুটিগুলির জন্য ডেটা আপডেট করা না হলে, কর্মক্ষমতা নিঃশব্দে হ্রাস পাবে।
• মানুষকে কেটে ফেলা। সমালোচনামূলক গ্রহণযোগ্যতার সিদ্ধান্তের জন্য মানুষের অনুমোদন প্রয়োজন।

সংক্ষেপে

চিত্র প্রক্রিয়াকরণ ফ্যাব্রিক পরিদর্শনকে ব্যাপকভাবে গতি দেয় এবং মানুষের ক্লান্তির জন্য ক্ষতিপূরণ দেয়। কিন্তু তার কর্মক্ষমতা নির্ভুলতা সঙ্গে পড়া হয় না, কিন্তু সংবেদনশীলতা এবং ত্রুটি শ্রেণীর নির্ভুলতা সঙ্গে; মিথ্যা নেতিবাচক গুণমান সবচেয়ে বিপজ্জনক ত্রুটি. স্থিতিশীল ইমেজিং অবস্থা, গুণমানের লেবেল এবং হিউম্যান-ইন-দ্য-লুপ পরিদর্শন হল সিস্টেমের নির্ভরযোগ্যতার তিনটি স্তম্ভ। স্বয়ংক্রিয় আউটপুট একটি প্রাথমিক স্ক্রীনিং; চূড়ান্ত গ্রহণযোগ্যতার সিদ্ধান্ত প্রকৌশলীর অনুমোদনেই থাকবে।

আবেদন টাস্ক

একটি ত্রুটি সনাক্তকরণ সিস্টেমের জন্য একটি উদাহরণ বিভ্রান্তি ম্যাট্রিক্স সংজ্ঞায়িত করুন (যেমন 100 ত্রুটিপূর্ণ, 4900 নিখুঁত নমুনা)। এই ইউনিটে "মেট্রিক গণনা" টেমপ্লেটের সাথে সংবেদনশীলতা, নির্ভুলতা এবং F1 গণনা করুন; তারপর ম্যানুয়ালি ফলাফল চেক করুন। আপনি একই ম্যাট্রিক্সে মিথ্যা নেতিবাচক অর্ধেক করার জন্য থ্রেশহোল্ড পরিবর্তন করলে মিথ্যা ইতিবাচকের কী হবে তা একটি অনুচ্ছেদে আলোচনা করুন এবং আপনার পণ্যের জন্য কোন ভারসাম্য সঠিক তা সিদ্ধান্ত নিন।

চেকলিস্ট

• [] আমি সংবেদনশীলতা/নির্ভুলতা দ্বারা কর্মক্ষমতা মূল্যায়ন করি, সঠিকতা নয়।
• [ ] আমি ব্যবসায়িক প্রভাবের সাথে মিথ্যা নেতিবাচক ঝুঁকির ব্যাখ্যা করি৷
• [ ] আমি দেখার শর্তগুলিকে প্রমিত করেছি (আলো, গতি)।
• [ ] আমি নিয়মিত লেবেলের গুণমান এবং নতুন ত্রুটির ধরন পরীক্ষা করি।
• [ ] আমি চূড়ান্ত গ্রহণযোগ্যতার সিদ্ধান্তে মানুষের অনুমোদন রাখি; মডেল শুধুমাত্র প্রাক-sifter হয়.