ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ ಮತ್ತು ದೋಷ ಪತ್ತೆ: ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್

ಲಾಭಗಳು:

• ಫ್ಯಾಬ್ರಿಕ್ ಮೇಲ್ಮೈಯಲ್ಲಿ ದೋಷಗಳನ್ನು ಹೇಗೆ ಪತ್ತೆ ಹಚ್ಚಲಾಗುತ್ತದೆ ಮತ್ತು ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಕ ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ.
• ತಪ್ಪು ಧನಾತ್ಮಕ/ಋಣಾತ್ಮಕ ಸಮತೋಲನ, 4-ಪಾಯಿಂಟ್ ಸ್ಕೋರಿಂಗ್ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯ
• ಮಾನವ ತಪಾಸಣೆ ಮತ್ತು ಭೌತಿಕ ತಪಾಸಣೆಯೊಂದಿಗೆ ಸ್ವಯಂಚಾಲಿತ ದೋಷ ಪತ್ತೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ಪರಿಶೀಲನಾ ಸೆಟಪ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ

ಅನೇಕ ವರ್ಷಗಳಿಂದ, ಫ್ಯಾಬ್ರಿಕ್ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣವು ಮಾನವನ ಕಣ್ಣಿನ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ: ನಿರ್ವಾಹಕರು ಪ್ರಕಾಶಿತ ತಪಾಸಣೆ ಮೇಜಿನ ಮೇಲೆ ಗಂಟೆಗಳ ಕಾಲ ಬಟ್ಟೆಯನ್ನು ವೀಕ್ಷಿಸುತ್ತಾರೆ, ಅವರು ನೋಡುವ ಯಾವುದೇ ದೋಷಗಳನ್ನು ಗುರುತಿಸುತ್ತಾರೆ ಮತ್ತು ಸ್ಕೋರ್ ಮಾಡುತ್ತಾರೆ. ಈ ಕೆಲಸವು ದಣಿದ, ವ್ಯಕ್ತಿನಿಷ್ಠ, ಮತ್ತು ಆಯಾಸ ಮತ್ತು ದೋಷಕ್ಕೆ ಒಳಗಾಗುತ್ತದೆ; ಪ್ರಾರಂಭದಲ್ಲಿ ಇರುವಂತೆ ಶಿಫ್ಟ್‌ನ ಕೊನೆಯಲ್ಲಿ ಗಮನವು ತೀಕ್ಷ್ಣವಾಗಿರುವುದಿಲ್ಲ. ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯು ಈ ತಪಾಸಣೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಭರವಸೆ ನೀಡುತ್ತದೆ: ಹೆಚ್ಚಿನ ವೇಗದ ಕ್ಯಾಮರಾ ಫ್ಯಾಬ್ರಿಕ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ, ಸೆಕೆಂಡುಗಳಲ್ಲಿ ದೋಷಗಳ ಮಾದರಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಿಸುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಈ ವ್ಯವಸ್ಥೆಯು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮಾನದಂಡಗಳು ಮತ್ತು ಮಾನವ ನಿಯಂತ್ರಣವು ಇನ್ನೂ ಏಕೆ ಅನಿವಾರ್ಯವಾಗಿದೆ ಎಂಬುದನ್ನು ನಾವು ಚರ್ಚಿಸುತ್ತೇವೆ.

ಫ್ಯಾಬ್ರಿಕ್ ದೋಷಗಳು ಮತ್ತು ತಪಾಸಣೆಯ ಭಾಷೆ

ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ದೋಷಗಳ ಹೆಸರನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಮೊದಲನೆಯದು. ನೇಯ್ದ ಬಟ್ಟೆಯಲ್ಲಿನ ವಿಶಿಷ್ಟ ದೋಷಗಳು: ವಾರ್ಪ್ ಒಡೆಯುವಿಕೆ (ರೇಖಾಂಶದ ದಾರದ ಕೊರತೆ), ನೇಯ್ಗೆ ದೋಷ/ಇಂಟರ್‌ಫೇಸಿಂಗ್ (ಅಡ್ಡ ರೇಖೆ), ರಂಧ್ರ, ಸ್ಟೇನ್, ದಪ್ಪ/ತೆಳುವಾದ ಸ್ಥಳ, ವಾರ್ಪ್ ಬೌನ್ಸ್. ಹೆಣೆದ ಬಟ್ಟೆಯಲ್ಲಿ: ಸೂಜಿ ಗುರುತು (ರೇಖಾಂಶದ ರೇಖೆ, ಸೂಜಿ ಅಸಮರ್ಪಕ ಕ್ರಿಯೆಯಿಂದ), ಅಡ್ಡಾದಿಡ್ಡಿ ಹೊಲಿಗೆ, ರಂಧ್ರ, ದಪ್ಪ ವ್ಯತ್ಯಾಸ. ಮುದ್ರಣ ಮತ್ತು ಬಣ್ಣದಲ್ಲಿ: ಬಣ್ಣ ವ್ಯತ್ಯಾಸ, ಅಬ್ರೇಜ್ (ಡೈಯಿಂಗ್ ಅನಿಯಮಿತತೆ), ಜಾರುವಿಕೆ, ಸ್ಪ್ಲಾಶಿಂಗ್.

ತಪಾಸಣೆ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಾಲ್ಕು-ಪಾಯಿಂಟ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ಕೋರ್ ಮಾಡಲಾಗುತ್ತದೆ: ಪ್ರತಿ ದೋಷವನ್ನು ಅದರ ಉದ್ದದ ಉದ್ದಕ್ಕೆ ಅನುಗುಣವಾಗಿ 1-4 ಅಂಕಗಳನ್ನು ನೀಡಲಾಗುತ್ತದೆ (ಉದಾ. 1 ಪಾಯಿಂಟ್ 8 ಸೆಂ.ಮೀ.ವರೆಗಿನ 4 ಅಂಕಗಳು, 15 ಸೆಂ.ಮೀಗಿಂತ ಹೆಚ್ಚಿನ ಅಂಕಗಳು) ಮತ್ತು 100 m² ಗೆ ಒಟ್ಟು ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಮಿತಿಯ ಕೆಳಗೆ (ಉದಾ. 40 ಅಂಕಗಳು/100 m²) "ಸ್ವೀಕಾರ" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಮೇಲಿನದನ್ನು "ನಿರಾಕರಣೆ" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. AI ಜೊತೆಗಿನ ಸ್ವಯಂಚಾಲಿತ ಸ್ಕೋರಿಂಗ್ ಈ ಮಾನದಂಡವನ್ನು ಅನುಕರಿಸಬೇಕು; ಅದು ತನ್ನದೇ ಆದ ಅನಿಯಂತ್ರಿತ ಸ್ಕೋರ್ ಅನ್ನು ಉತ್ಪಾದಿಸಬಾರದು.

ಸಲಹೆ: ಸ್ವಯಂಚಾಲಿತ ಸಿಸ್ಟಂನ ಔಟ್‌ಪುಟ್ ಯಾವಾಗಲೂ ನಿಮ್ಮ ಸ್ವೀಕೃತ ಸ್ಕೋರಿಂಗ್ ಮಾನದಂಡಕ್ಕೆ (4-ಪಾಯಿಂಟ್‌ನಂತಹ) ಮತ್ತು ಕ್ಲೈಂಟ್ ಸಹಿಷ್ಣುತೆಗೆ ಪರಿವರ್ತಿಸಬೇಕು. "ಮಾದರಿಯು 12 ವೈಪರೀತ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದೆ" ಮಾತ್ರ ವ್ಯವಹಾರ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ; ಅದನ್ನು ಅಂಕಗಳು ಮತ್ತು ನಿರ್ಧಾರಗಳಾಗಿ ಪರಿವರ್ತಿಸಬೇಕು.

ಸ್ವಯಂಚಾಲಿತ ದೋಷ ಪತ್ತೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಆಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಎರಡು ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ. ಈ ಹಿಂದೆ ಲೇಬಲ್ ಮಾಡಲಾದ ಸಾವಿರಾರು ನ್ಯೂನತೆಗಳ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಕೃತಕ ನರಗಳ ಜಾಲ (ವಿಶೇಷವಾಗಿ ಚಿತ್ರ-ಸೂಕ್ತವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್, ಇಂಗ್ಲಿಷ್ ಸಿಎನ್‌ಎನ್) ಹೊಸ ಚಿತ್ರ ಮತ್ತು ಅದರ ಪ್ರಕಾರದಲ್ಲಿ ದೋಷವಿದೆಯೇ ಎಂದು ಮುನ್ಸೂಚಿಸಿದಾಗ ಮೇಲ್ವಿಚಾರಣೆ ವರ್ಗೀಕರಣವಾಗಿದೆ. ಅಸಂಗತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಿಕೆ, ಮತ್ತೊಂದೆಡೆ, "ಸಾಮಾನ್ಯ" ಫ್ಯಾಬ್ರಿಕ್ ಅನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ದೋಷದ ಅಭ್ಯರ್ಥಿಯಾಗಿ ಸಾಮಾನ್ಯದಿಂದ ವಿಪಥಗೊಳ್ಳುವ ಯಾವುದನ್ನಾದರೂ ಗುರುತಿಸುತ್ತದೆ; ಇದು ಅಪರೂಪದ, ಹಿಂದೆಂದೂ ನೋಡಿರದ ದೋಷಗಳಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಏಕೆಂದರೆ ಪ್ರತಿ ದೋಷದ ಪ್ರಕಾರವನ್ನು ಮುಂಚಿತವಾಗಿ ಲೇಬಲ್ ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲ.

ನಾವು ಎರಡು ಮೂಲಭೂತ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಸಿಸ್ಟಮ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಓದುತ್ತೇವೆ. ಸೂಕ್ಷ್ಮತೆ (ಮರುಸ್ಥಾಪನೆ): ಇದು ಎಷ್ಟು ಶೇಕಡಾ ನೈಜ ದೋಷಗಳನ್ನು ಪತ್ತೆ ಮಾಡಿದೆ? ನಿಖರತೆ: ನ್ಯೂನತೆ ಎಂದು ಅವರು ಹೇಳಿದ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವು ವಾಸ್ತವವಾಗಿ ನ್ಯೂನತೆಯಾಗಿದೆ? ಇವೆರಡರ ನಡುವೆ ಸಮತೋಲನವಿದೆ. ತಪ್ಪು ಋಣಾತ್ಮಕ (ದೋಷವನ್ನು ಕಳೆದುಕೊಂಡಿರುವುದು) ಎಂದರೆ ದೋಷಯುಕ್ತ ಸರಕುಗಳನ್ನು ಗ್ರಾಹಕರಿಗೆ ತಲುಪಿಸಲಾಗುತ್ತದೆ; ತಪ್ಪು ಧನಾತ್ಮಕ (ಪರಿಪೂರ್ಣವನ್ನು ದೋಷಪೂರಿತ ಎಂದು ಗುರುತಿಸುವುದು) ಎಂದರೆ ಅನಗತ್ಯ ವ್ಯರ್ಥ ಮತ್ತು ನಿಧಾನ. ಗುಣಮಟ್ಟದ-ನಿರ್ಣಾಯಕ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ, ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪು ನಿರಾಕರಣೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮಿತಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚಿದ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯು ಮಾನವ ಆಪರೇಟರ್‌ನಿಂದ ಕ್ಷಿಪ್ರ ಎರಡನೇ ಪರಿಶೀಲನೆಗೆ ಒಳಗಾಗುತ್ತದೆ.

ಇಲ್ಲಿ ನಿರ್ಣಾಯಕ ಬಲೆ ಇದೆ: ನಿಖರತೆ ಮಾತ್ರ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ. ಉತ್ಪಾದನಾ ಸಾಲಿನಲ್ಲಿ, ಬಹುಶಃ 2% ಫ್ಯಾಬ್ರಿಕ್ ದೋಷಯುಕ್ತವಾಗಿರುತ್ತದೆ. ಎಲ್ಲವನ್ನೂ "ಪರಿಪೂರ್ಣ" ಎಂದು ಕರೆಯುವ ಮೂರ್ಖ ಮಾದರಿಯು 98% ನಿಖರತೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ ಆದರೆ ಒಂದೇ ಒಂದು ನ್ಯೂನತೆಯನ್ನು ಹಿಡಿಯುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಅಸಮತೋಲಿತ ಡೇಟಾದಲ್ಲಿ, ದೋಷದ ವರ್ಗದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ, ಆದರೆ ನಿಖರತೆ.

ಹಂತ ಹಂತವಾಗಿ: ಪತ್ತೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು

1. ಪ್ರತಿನಿಧಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ. ಸಿಸ್ಟಮ್ ನೋಡುವ ನಿಜವಾದ ಫ್ಯಾಬ್ರಿಕ್ ವೈವಿಧ್ಯವನ್ನು (ಬಣ್ಣ, ವಿನ್ಯಾಸ, ಬೆಳಕು) ಒಳಗೊಂಡ ಚಿತ್ರಗಳು; ಅಪರೂಪದ ದೋಷಗಳು ಸೇರಿದಂತೆ.
2. ಲೇಬಲ್ ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿ. ತರಬೇತಿಯ ಲೇಬಲ್‌ಗಳು ತಪ್ಪಾಗಿದ್ದರೆ, ಮಾದರಿಯು ತಪ್ಪಾಗಿ ಕಲಿಯುತ್ತದೆ; ತಜ್ಞರ ಕಣ್ಣಿನೊಂದಿಗೆ ಲೇಬಲ್‌ಗಳನ್ನು ಮಾದರಿ ಮಾಡಿ.
3. ಸೂಕ್ಷ್ಮತೆ/ನಿಖರತೆಯನ್ನು ಅಳೆಯಿರಿ. ದೋಷದ ವರ್ಗಕ್ಕೆ ಪ್ರತ್ಯೇಕವಾಗಿ; ಸಾಮಾನ್ಯ ನಿಖರತೆಯನ್ನು ಮಾತ್ರ ನೋಡಬೇಡಿ.
4. ತಪ್ಪು ನಿರಾಕರಣೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ. ತಪ್ಪಿದ ದೋಷಗಳು ಸಾಮಾನ್ಯ ಲಕ್ಷಣವನ್ನು ಹೊಂದಿವೆಯೇ (ನಿರ್ದಿಷ್ಟ ಬಣ್ಣ, ನಿರ್ದಿಷ್ಟ ಬೆಳಕು)?
5. ಮಾನವ-ಇನ್-ದ-ಲೂಪ್ ಅನ್ನು ಹೊಂದಿಸಿ. ಮಾದರಿಯು ಗುರುತಿಸಿರುವುದನ್ನು ನಿರ್ವಾಹಕರು ದೃಢೀಕರಿಸಲಿ; ಅನಿಶ್ಚಿತತೆಯನ್ನು ಜನರಿಗೆ ನಿರ್ದೇಶಿಸಿ.
6. ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮರುತರಬೇತಿ. ಹೊಸ ದೋಷದ ಪ್ರಕಾರಗಳು ಹೊರಹೊಮ್ಮಿದಂತೆ ಡೇಟಾಸೆಟ್ ಅನ್ನು ನವೀಕರಿಸಿ (ಕಾನ್ಸೆಪ್ಟ್ ಡ್ರಿಫ್ಟ್).

ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ

ಪ್ರಕರಣ 1 - ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ನಿಖರತೆ. ಪೂರೈಕೆದಾರರು "ನಮ್ಮ ಮಾದರಿ 97% ನಿಖರವಾಗಿದೆ" ಎಂದು ಹೇಳುವ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾರಾಟ ಮಾಡಿದರು. ಕ್ಷೇತ್ರದಲ್ಲಿ ಗ್ರಾಹಕರ ಆದಾಯ ಹೆಚ್ಚಿದೆ. ದೋಷದ ವರ್ಗದ ಸೂಕ್ಷ್ಮತೆಯು ಕೇವಲ 61% ಎಂದು ವಿಶ್ಲೇಷಣೆ ತೋರಿಸಿದೆ, ಅಂದರೆ ಪ್ರತಿ 100 ನಿಜವಾದ ದೋಷಗಳಲ್ಲಿ 39 ತಪ್ಪಿಹೋಗಿವೆ. ಹೆಚ್ಚಿನ ಬಟ್ಟೆಯು ಈಗಾಗಲೇ ದೋಷರಹಿತವಾಗಿರುವುದರಿಂದ ನಿಖರತೆ ಹೆಚ್ಚಿತ್ತು. ಥ್ರೆಶೋಲ್ಡ್ ಮರು-ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಮಾನವ ನಿಯಂತ್ರಣವನ್ನು ಸೇರಿಸಲಾಗಿದೆ; ಸೂಕ್ಷ್ಮತೆಯು 92% ಕ್ಕೆ ಏರಿತು, ಆಪರೇಟರ್‌ನಿಂದ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗಿದೆ.

ಪ್ರಕರಣ 2 - ಲೈಟಿಂಗ್ ಶಿಫ್ಟ್. ಒಂದು ಸಾಲಿನಲ್ಲಿ, ಮಧ್ಯಾಹ್ನದ ಸೂರ್ಯನ ಬೆಳಕು ತಪಾಸಣೆ ಪ್ರದೇಶವನ್ನು ಹೊಡೆದಾಗ ಸುಳ್ಳು ಧನಾತ್ಮಕ ಅಂಶಗಳು ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಾಗುತ್ತವೆ; ಮಾದರಿಯು ನೆರಳುಗಳನ್ನು ಕಲೆಗಳು ಎಂದು ಭಾವಿಸಿದೆ. ನೋಡುವ ಸ್ಥಿತಿಯನ್ನು (ಮುಚ್ಚಿದ ಕ್ಯಾಬಿನೆಟ್, ನಿರಂತರ ಎಲ್ಇಡಿ ಲೈಟಿಂಗ್) ಪ್ರಮಾಣೀಕರಿಸಿದಾಗ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ. ಪಾಠ: ಇಮೇಜಿಂಗ್ ಸೆಟಪ್ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಹೊಂದಿದೆ.

ಪ್ರಕರಣ 3 - ಸಮಯ ಮತ್ತು ಶ್ರಮ. ಒಂದು ವ್ಯಾಪಾರವು 100 ಮೀಟರ್ ಫ್ಯಾಬ್ರಿಕ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸರಾಸರಿ 9 ನಿಮಿಷಗಳನ್ನು ಕಳೆದಿದೆ. ಕ್ಯಾಮರಾ ಪೂರ್ವ ಸ್ಕ್ಯಾನಿಂಗ್ + ಆಪರೇಟರ್ ದೃಢೀಕರಣ ಮಾದರಿಯೊಂದಿಗೆ, ಸಮಯವನ್ನು 4 ನಿಮಿಷಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಸೋರಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ ಏಕೆಂದರೆ ಆಪರೇಟರ್ ಗುರುತಿಸಲಾದ ಪ್ರದೇಶಗಳಿಗೆ ಮಾತ್ರ ಗಮನ ಹರಿಸಿದರು. ಯಾಂತ್ರೀಕೃತಗೊಂಡವು ಆಪರೇಟರ್‌ನಲ್ಲ, ಆದರೆ ಆಪರೇಟರ್‌ನ ಕಣ್ಣನ್ನು ಚುರುಕುಗೊಳಿಸಿದೆ ಎಂಬುದು ನಿರ್ಣಾಯಕವಾಗಿತ್ತು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ಗಮನಿಸಿ: ದೋಷದ ಚಿತ್ರವನ್ನು ನೇರವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮೀಸಲಾದ ವ್ಯವಸ್ಥೆಗಳು ಪ್ರತ್ಯೇಕವಾಗಿರುತ್ತವೆ; ಇಲ್ಲಿ ನಾವು ಪ್ರಕ್ರಿಯೆ ವಿನ್ಯಾಸ, ಡೇಟಾ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ವರದಿಗಾಗಿ AI ಅನ್ನು ಬಳಸುತ್ತೇವೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಹೇಳಿ, ನಮ್ಮ ದೋಷ ಪತ್ತೆ ಮಾಡೆಲ್ ಚೆನ್ನಾಗಿದೆಯೇ?

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ಜವಳಿ ಗುಣಮಟ್ಟದ ಎಂಜಿನಿಯರ್ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಕ. ದೋಷ ಪತ್ತೆ ಮಾದರಿಯ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ (ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್: ನಿಜವಾದ ಧನಾತ್ಮಕ, ತಪ್ಪು ಧನಾತ್ಮಕ, ತಪ್ಪು ಋಣಾತ್ಮಕ, ನಿಜವಾದ ಋಣಾತ್ಮಕ). ಕಾರ್ಯ: 1) ದೋಷದ ವರ್ಗದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಸೂತ್ರವನ್ನು ತೋರಿಸಿ. 2) ಈ ಸಂಖ್ಯೆಗಳೊಂದಿಗೆ ವಿವರಿಸಿ. ಈ ಉತ್ಪಾದನೆ.4) ಮಿತಿ ಸೆಟ್ಟಿಂಗ್ ಮತ್ತು ಮಾನವ ತಪಾಸಣೆಗೆ ಕಾಂಕ್ರೀಟ್ ಸಲಹೆಯನ್ನು ನೀಡಿ.ಸಂಖ್ಯೆಗಳು: [ಮ್ಯಾಟ್ರಿಕ್ಸ್]

ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಮೆಟ್ರಿಕ್ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ:

ಕೆಳಗಿನ ಗೊಂದಲದ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಿಂದ ಸೂಕ್ಷ್ಮತೆ, ನಿಖರತೆ ಮತ್ತು F1 ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ, ಪ್ರತಿ ಸೂತ್ರವನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಗುಣಮಟ್ಟದ ವಿಷಯದಲ್ಲಿ ಯಾವುದು ಹೆಚ್ಚು ನಿರ್ಣಾಯಕವಾಗಿದೆ ಎಂಬುದನ್ನು ಸಮರ್ಥಿಸಿ. ಮ್ಯಾಟ್ರಿಕ್ಸ್: [TP, FP, FN, TN]

2) ತಪ್ಪು ನಕಾರಾತ್ಮಕ ಮೂಲ ಕಾರಣ:

ತಪ್ಪಿದ (ತಪ್ಪು ಋಣಾತ್ಮಕ) ದೋಷಗಳ (ದೋಷದ ಪ್ರಕಾರ, ಬಣ್ಣ, ಬೆಳಕು, ವೇಗ) ವೈಶಿಷ್ಟ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಸಾಮಾನ್ಯ ಮಾದರಿ ಕಲ್ಪನೆಗಳನ್ನು ರಚಿಸಿ ಮತ್ತು ಪ್ರತಿ ಊಹೆಗೆ ಪರಿಶೀಲನೆ ಪ್ರಯೋಗವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ. ಡೇಟಾ: [ಪಟ್ಟಿ]

3) 4-ಪಾಯಿಂಟ್ ಪಾಯಿಂಟ್‌ಗಳಿಗೆ ಪರಿವರ್ತನೆ:

ಕೆಳಗಿನ ಪತ್ತೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು 4-ಪಾಯಿಂಟ್ ಸಿಸ್ಟಮ್‌ಗೆ ಪರಿವರ್ತಿಸಿ: ಪ್ರತಿ ದೋಷವನ್ನು ಅದರ ಉದ್ದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸ್ಕೋರ್ ಮಾಡಿ, ಪ್ರತಿ 100 m² ಗೆ ಒಟ್ಟು ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿ, [ಥ್ರೆಶೋಲ್ಡ್] ಸ್ಕೋರ್‌ನೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ಸ್ವೀಕಾರ/ತಿರಸ್ಕಾರವನ್ನು ಶಿಫಾರಸು ಮಾಡಿ. ದೋಷಗಳ ಪಟ್ಟಿ: [ಪಟ್ಟಿ]

4) ತಪಾಸಣೆ ವರದಿ ಕರಡು:

ಕೆಳಗಿನ ಶಿಫ್ಟ್ ದೋಷದ ಡೇಟಾದಿಂದ ಕಾರ್ಯನಿರ್ವಾಹಕ ಸಾರಾಂಶವನ್ನು ಪಡೆದುಕೊಳ್ಳಿ: ಟಾಪ್ 3 ದೋಷಗಳು, ಸಂಭವನೀಯ ಪ್ರಕ್ರಿಯೆ ಮೂಲ (ಊಹೆ), ಒಟ್ಟು ನಿರಾಕರಣೆ ದರ ಮತ್ತು ಶಿಫಾರಸು ಮಾಡಿದ ಕ್ರಮಗಳು. ಸಂಖ್ಯೆಗಳನ್ನು ರೂಪಿಸಬೇಡಿ, ಕೊಟ್ಟಿದ್ದನ್ನು ಬಳಸಿ. ಡೇಟಾ: [ಕೋಷ್ಟಕ]

ಮೆಟ್ರಿಕ್ ಹೋಲಿಕೆ ಚಾರ್ಟ್

ಮಾನದಂಡ

ಯಾವ ಕ್ರಮಗಳು

ಎತ್ತರವಾಗಿರುವುದು ಒಳ್ಳೆಯದೇ?

ಗುಣಮಟ್ಟದಲ್ಲಿ ಪ್ರಾಮುಖ್ಯತೆ

ನಿಖರತೆ

ಒಟ್ಟಾರೆ ಸರಿಯಾದ ದರ

ದಾರಿ ತಪ್ಪಿಸಬಹುದು

ಅಸಮತೋಲಿತ ಡೇಟಾ ಕಡಿಮೆ

ಸೂಕ್ಷ್ಮತೆ (ಮರುಸ್ಥಾಪನೆ)

ನಿಜವಾದ ದೋಷದ ಪ್ರಮಾಣ ಸಿಕ್ಕಿಬಿದ್ದಿದೆ

ಹೌದು

ತಪ್ಪು ಋಣಾತ್ಮಕ ಹನಿಗಳು (ನಿರ್ಣಾಯಕ)

ನಿಖರತೆ

ನೀವು ಹೇಳುವ ಸತ್ಯವು ದೋಷವಾಗಿದೆ

ಹೌದು

ತಪ್ಪು ಧನಾತ್ಮಕ/ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ

ತಪ್ಪು ಋಣಾತ್ಮಕ

ದೋಷದಿಂದ ಪಾರಾಗಿದ್ದಾರೆ

ಇಲ್ಲ, ಅದು ಕಡಿಮೆ ಇರಬೇಕು

ಗ್ರಾಹಕರಿಗೆ ದೋಷಯುಕ್ತ ಸರಕುಗಳ ಅಪಾಯ

ತಪ್ಪು ಧನಾತ್ಮಕ

ಖಾಲಿ ಎಚ್ಚರಿಕೆ

ಇಲ್ಲ ಆದರೆ ಅದನ್ನು ಸಹಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ

ದಕ್ಷತೆ/ವೇಗದ ನಷ್ಟ

ಗಮನ: ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಯು "ಪೂರ್ವ-ಸ್ಕ್ರೀನರ್" ಆಗಿದೆ, "ಅನುಮೋದಕ" ಅಲ್ಲ. ಅಂತಿಮ ಗುಣಮಟ್ಟದ ಸ್ವೀಕಾರ ನಿರ್ಧಾರಕ್ಕೆ ಸಮರ್ಥ ಗುಣಮಟ್ಟದ ಅಧಿಕಾರಿಯ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿದೆ, ವಿಶೇಷವಾಗಿ ಗ್ರಾಹಕರ ಒಪ್ಪಂದಕ್ಕೆ ಒಳಪಟ್ಟಿರುವ ಬ್ಯಾಚ್‌ಗಳಿಗೆ. ಮಾದರಿಯು ಮಾನವ ನಿಯಂತ್ರಣವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಅದಕ್ಕೆ ವಿನಾಯಿತಿ ನೀಡುವುದಿಲ್ಲ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಸದಾಚಾರವನ್ನು ನೋಡಿ ತೃಪ್ತರಾಗುವುದು. ಹೆಚ್ಚಿನ ನಿಖರತೆಯು ಅಸಮತೋಲಿತ ಡೇಟಾದಲ್ಲಿ ಕಲಾಕೃತಿಗಳನ್ನು ಮರೆಮಾಡುತ್ತದೆ.
• ನೋಡುವ ಸ್ಥಿತಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ನಿರಂತರ ಬೆಳಕು ಮತ್ತು ನಿರಂತರ ವೇಗವಿಲ್ಲದೆ ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
• ಲೇಬಲ್ ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ತಪ್ಪು ಲೇಬಲ್‌ನೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯು ತಪ್ಪಾಗಿ ಕಲಿಯುತ್ತದೆ.
• ಹೊಸ ರೀತಿಯ ದೋಷವನ್ನು ಮರೆತುಬಿಡುವುದು. ಕಾಲಾನಂತರದಲ್ಲಿ ಕಂಡುಬರುವ ಹೊಸ ದೋಷಗಳಿಗಾಗಿ ಡೇಟಾವನ್ನು ನವೀಕರಿಸದಿದ್ದರೆ, ಕಾರ್ಯಕ್ಷಮತೆಯು ಮೌನವಾಗಿ ಕ್ಷೀಣಿಸುತ್ತದೆ.
• ಜನರನ್ನು ಕತ್ತರಿಸುವುದು. ನಿರ್ಣಾಯಕ ಸ್ವೀಕಾರ ನಿರ್ಧಾರಕ್ಕೆ ಮಾನವ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಫ್ಯಾಬ್ರಿಕ್ ತಪಾಸಣೆಯನ್ನು ಹೆಚ್ಚು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಮಾನವ ಆಯಾಸವನ್ನು ಸರಿದೂಗಿಸುತ್ತದೆ. ಆದರೆ ಅವರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿಖರತೆಯೊಂದಿಗೆ ಓದಲಾಗುವುದಿಲ್ಲ, ಆದರೆ ನ್ಯೂನತೆಯ ವರ್ಗದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿಖರತೆಯೊಂದಿಗೆ; ತಪ್ಪು ನಕಾರಾತ್ಮಕತೆಯು ಗುಣಮಟ್ಟದಲ್ಲಿ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ದೋಷವಾಗಿದೆ. ಸ್ಥಿರ ಚಿತ್ರಣ ಸ್ಥಿತಿ, ಗುಣಮಟ್ಟದ ಲೇಬಲ್ ಮತ್ತು ಮಾನವ-ಇನ್-ದ-ಲೂಪ್ ತಪಾಸಣೆ ವ್ಯವಸ್ಥೆಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮೂರು ಸ್ತಂಭಗಳಾಗಿವೆ. ಸ್ವಯಂಚಾಲಿತ ಔಟ್ಪುಟ್ ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್ ಆಗಿದೆ; ಅಂತಿಮ ಸ್ವೀಕಾರ ನಿರ್ಧಾರವು ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯೊಂದಿಗೆ ಉಳಿದಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ದೋಷ ಪತ್ತೆ ವ್ಯವಸ್ಥೆಗೆ ಉದಾಹರಣೆ ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ವಿವರಿಸಿ (ಉದಾ. 100 ದೋಷಯುಕ್ತ, 4900 ಪರಿಪೂರ್ಣ ಮಾದರಿಗಳು). ಈ ಘಟಕದಲ್ಲಿ "ಮೆಟ್ರಿಕ್ ಲೆಕ್ಕಾಚಾರ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಸಂವೇದನಾಶೀಲತೆ, ನಿಖರತೆ ಮತ್ತು F1 ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ; ನಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ. ಅದೇ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ ತಪ್ಪು ಋಣಾತ್ಮಕತೆಯನ್ನು ಅರ್ಧಕ್ಕೆ ಇಳಿಸಲು ನೀವು ಮಿತಿಯನ್ನು ಬದಲಾಯಿಸಿದಾಗ ತಪ್ಪು ಧನಾತ್ಮಕತೆಗೆ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ ಚರ್ಚಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಉತ್ಪನ್ನಕ್ಕೆ ಯಾವ ಸಮತೋಲನವು ಸೂಕ್ತವಾಗಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸೂಕ್ಷ್ಮತೆ/ನಿಖರತೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇನೆ, ನಿಖರತೆಯಿಂದಲ್ಲ.
• [ ] ನಾನು ವ್ಯಾಪಾರದ ಪ್ರಭಾವದ ಜೊತೆಗೆ ತಪ್ಪು ನಿರಾಕರಣೆಗಳ ಅಪಾಯವನ್ನು ಅರ್ಥೈಸುತ್ತೇನೆ.
• [ ] ನಾನು ವೀಕ್ಷಣೆಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿದ್ದೇನೆ (ಬೆಳಕು, ವೇಗ).
• [ ] ನಾನು ನಿಯಮಿತವಾಗಿ ಲೇಬಲ್ ಗುಣಮಟ್ಟ ಮತ್ತು ಹೊಸ ದೋಷದ ಪ್ರಕಾರಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ಅಂತಿಮ ಸ್ವೀಕಾರ ನಿರ್ಧಾರದ ಮೇಲೆ ಮಾನವ ಅನುಮೋದನೆಯನ್ನು ನೀಡುತ್ತೇನೆ; ಮಾದರಿಯು ಪೂರ್ವ-ಸಿಫ್ಟರ್ ಮಾತ್ರ.