ഗുണനിലവാര നിയന്ത്രണവും വൈകല്യം കണ്ടെത്തലും: ഇമേജ് പ്രോസസ്സിംഗ്

നേട്ടങ്ങൾ:

• ഇമേജ് പ്രോസസ്സിംഗും മെഷീൻ ലേണിംഗും ഉപയോഗിച്ച് ഫാബ്രിക് ഉപരിതലത്തിലെ വൈകല്യങ്ങൾ എങ്ങനെ കണ്ടെത്തുകയും തരംതിരിക്കുകയും ചെയ്യുന്നുവെന്ന് വിശദീകരിക്കാനുള്ള കഴിവ്.
• തെറ്റായ പോസിറ്റീവ്/നെഗറ്റീവ് ബാലൻസ്, 4-പോയിൻ്റ് സ്‌കോറിംഗ് സിസ്റ്റം, മോഡൽ പെർഫോമൻസ് മെട്രിക്‌സ് എന്നിവ വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
• മാനുഷിക പരിശോധനയും ശാരീരിക പരിശോധനയും ഉപയോഗിച്ച് ഓട്ടോമാറ്റിക് ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ ഔട്ട്‌പുട്ട് പരിശോധിക്കുന്ന ഒരു സ്ഥിരീകരണ സജ്ജീകരണം രൂപകൽപ്പന ചെയ്യാനുള്ള കഴിവ്

നിരവധി വർഷങ്ങളായി, ഫാബ്രിക് ഗുണനിലവാര നിയന്ത്രണം മനുഷ്യൻ്റെ കണ്ണുകളെ ആശ്രയിച്ചിരിക്കുന്നു: ഒരു ഓപ്പറേറ്റർ ഒരു പ്രകാശിത പരിശോധന ടേബിളിൽ മണിക്കൂറുകളോളം തുണി നിരീക്ഷിക്കുന്നു, അവൻ കാണുന്ന ഏതെങ്കിലും വൈകല്യങ്ങൾ അടയാളപ്പെടുത്തുകയും സ്കോർ ചെയ്യുകയും ചെയ്യുന്നു. ഈ ജോലി മടുപ്പിക്കുന്നതും ആത്മനിഷ്ഠവും ക്ഷീണത്തിനും പിശകിനും സാധ്യതയുള്ളതുമാണ്; തുടക്കത്തിലേത് പോലെ ഒരു ഷിഫ്റ്റിൻ്റെ അവസാനത്തിലും ശ്രദ്ധ മൂർച്ചയുള്ളതല്ല. കമ്പ്യൂട്ടർ ദർശനവും മെഷീൻ ലേണിംഗും ഈ പരിശോധന ഓട്ടോമേറ്റ് ചെയ്യുമെന്ന് വാഗ്ദാനം ചെയ്യുന്നു: ഒരു അതിവേഗ ക്യാമറ ഫാബ്രിക് സ്കാൻ ചെയ്യുന്നു, നിമിഷങ്ങൾക്കുള്ളിൽ വൈകല്യങ്ങളുടെ ഒരു പാറ്റേൺ കണ്ടെത്തി തരംതിരിക്കുന്നു. ഈ യൂണിറ്റിൽ, ഈ സിസ്റ്റം എങ്ങനെ പ്രവർത്തിക്കുന്നു, അത് വിലയിരുത്തുന്ന മാനദണ്ഡങ്ങൾ, മനുഷ്യ നിയന്ത്രണം ഇപ്പോഴും അനിവാര്യമായിരിക്കുന്നത് എന്തുകൊണ്ട് എന്നിവയെക്കുറിച്ച് ഞങ്ങൾ ചർച്ച ചെയ്യും.

ഫാബ്രിക് വൈകല്യങ്ങളും പരിശോധനയുടെ ഭാഷയും

ഓട്ടോമാറ്റിക് ഡിറ്റക്ഷൻ മനസിലാക്കാൻ, വൈകല്യങ്ങളുടെ പേര് അറിയേണ്ടത് ആദ്യം ആവശ്യമാണ്. നെയ്ത തുണിയിലെ സാധാരണ വൈകല്യങ്ങൾ: വാർപ്പ് ബ്രേക്കേജ് (രേഖാംശ ത്രെഡിൻ്റെ അഭാവം), വെഫ്റ്റ് ഡിഫെക്റ്റ്/ഇൻ്റർഫേസിംഗ് (തിരശ്ചീന രേഖ), ദ്വാരം, കറ, കട്ടിയുള്ള/നേർത്ത സ്ഥലം, വാർപ്പ് ബൗൺസ്. നെയ്ത തുണിയിൽ: സൂചി അടയാളം (രേഖാംശ രേഖ, ഒരു സൂചി തകരാറിൽ നിന്ന്), വഴിതെറ്റിയ തയ്യൽ, ദ്വാരം, കനം വ്യത്യാസം. പ്രിൻ്റിംഗിലും ഡൈയിംഗിലും: നിറവ്യത്യാസം, അബ്രേജ് (ഡൈയിംഗ് ക്രമക്കേട്), സ്ലിപ്പേജ്, സ്പ്ലാഷിംഗ്.

പരിശോധനാ ഫലങ്ങൾ പലപ്പോഴും നാല്-പോയിൻ്റ് സിസ്റ്റം ഉപയോഗിച്ചാണ് സ്കോർ ചെയ്യുന്നത്: ഓരോ വൈകല്യത്തിനും അതിൻ്റെ രേഖാംശ ദൈർഘ്യമനുസരിച്ച് 1-4 പോയിൻ്റുകൾ നൽകും (ഉദാ. 1 പോയിൻ്റ് 8 സെ.മീ വരെ, 15 സെൻ്റിമീറ്ററിൽ കൂടുതൽ 4 പോയിൻ്റുകൾ) കൂടാതെ 100 m² ന് മൊത്തം സ്കോർ കണക്കാക്കുന്നു. ഒരു പരിധിക്ക് താഴെയുള്ളത് (ഉദാ. 40 പോയിൻ്റ്/100 m²) "സ്വീകാര്യത" ആയി കണക്കാക്കുന്നു, മുകളിൽ "നിരസിക്കൽ" ആയി കണക്കാക്കുന്നു. AI ഉപയോഗിച്ചുള്ള ഓട്ടോമേറ്റഡ് സ്‌കോറിംഗ് ഈ മാനദണ്ഡം അനുകരിക്കണം; അത് സ്വന്തം അനിയന്ത്രിതമായ സ്കോർ നിർമ്മിക്കാൻ പാടില്ല.

നുറുങ്ങ്: ഓട്ടോമേറ്റഡ് സിസ്റ്റത്തിൻ്റെ ഔട്ട്‌പുട്ട് എല്ലായ്പ്പോഴും നിങ്ങളുടെ അംഗീകൃത സ്‌കോറിംഗ് സ്റ്റാൻഡേർഡിലേക്കും (4-പോയിൻ്റ് പോലുള്ളവ) ക്ലയൻ്റ് ടോളറൻസിലേക്കും മാറ്റാവുന്നതായിരിക്കണം. "മോഡൽ 12 അപാകതകൾ കണ്ടെത്തി" മാത്രം ഒരു ബിസിനസ്സ് തീരുമാനം എടുക്കുന്നില്ല; അത് പോയിൻ്റുകളിലേക്കും തീരുമാനങ്ങളിലേക്കും മാറ്റണം.

സ്വയമേവയുള്ള പിഴവ് കണ്ടെത്തൽ എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

ആധുനിക സംവിധാനങ്ങൾ പലപ്പോഴും രണ്ട് സമീപനങ്ങളും സംയോജിപ്പിക്കുന്നു. മുമ്പ് ലേബൽ ചെയ്‌ത ആയിരക്കണക്കിന് വൈകല്യ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് (പ്രത്യേകിച്ച് ഇമേജ്-അനുയോജ്യമായ കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്, ഇംഗ്ലീഷ് CNN) പുതിയ ചിത്രത്തിലും അതിൻ്റെ തരത്തിലും ഒരു തകരാറുണ്ടോ എന്ന് പ്രവചിക്കുമ്പോഴാണ് സൂപ്പർവൈസ്ഡ് വർഗ്ഗീകരണം. അനോമലി ഡിറ്റക്ഷൻ, നേരെമറിച്ച്, "സാധാരണ" ഫാബ്രിക് പഠിക്കുകയും സാധാരണയിൽ നിന്ന് വ്യതിചലിക്കുന്ന എന്തിനേയും ഒരു വൈകല്യമുള്ള സ്ഥാനാർത്ഥിയായി അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു; അപൂർവവും ഇതുവരെ കണ്ടിട്ടില്ലാത്തതുമായ വൈകല്യങ്ങൾക്കായി ഇത് പ്രവർത്തിക്കുന്നു, കാരണം ഓരോ വൈകല്യ തരവും മുൻകൂട്ടി ലേബൽ ചെയ്യേണ്ട ആവശ്യമില്ല.

രണ്ട് അടിസ്ഥാന മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് ഞങ്ങൾ സിസ്റ്റത്തിൻ്റെ പ്രകടനം വായിക്കുന്നു. സംവേദനക്ഷമത (ഓർക്കുക): യഥാർത്ഥ വൈകല്യങ്ങളുടെ എത്ര ശതമാനം അത് കണ്ടെത്തി? സൂക്ഷ്മത: ഒരു ന്യൂനതയാണെന്ന് അവർ പറഞ്ഞതിൻ്റെ എത്ര ശതമാനം യഥാർത്ഥത്തിൽ ഒരു ന്യൂനതയാണ്? ഇവ രണ്ടും തമ്മിൽ ഒരു ബാലൻസ് ഉണ്ട്. തെറ്റായ നെഗറ്റീവ് (തകരാർ കാണുന്നില്ല) എന്നതിനർത്ഥം തെറ്റായ സാധനങ്ങൾ ഉപഭോക്താവിന് കൈമാറുന്നു എന്നാണ്; തെറ്റായ പോസിറ്റീവ് (തികഞ്ഞതിനെ വികലമായി അടയാളപ്പെടുത്തൽ) അർത്ഥമാക്കുന്നത് അനാവശ്യമായ പാഴ്വസ്തുക്കളും മന്ദതയുമാണ്. ഗുണമേന്മ-നിർണ്ണായകമായ പ്രയോഗത്തിൽ, തെറ്റായ നെഗറ്റീവുകൾ കുറവായിരിക്കാൻ സാധാരണയായി ഒരു പരിധി തിരഞ്ഞെടുക്കപ്പെടുന്നു, അതേസമയം വർദ്ധിച്ച തെറ്റായ പോസിറ്റീവുകൾ ഒരു ഹ്യൂമൻ ഓപ്പറേറ്ററുടെ ദ്രുതഗതിയിലുള്ള രണ്ടാമത്തെ പരിശോധനയ്ക്ക് വിധേയമാകുന്നു.

ഇവിടെ ഒരു നിർണായക കെണിയുണ്ട്: കൃത്യത മാത്രം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്. ഒരു പ്രൊഡക്ഷൻ ലൈനിൽ, ഒരുപക്ഷേ 2% ഫാബ്രിക് കേടായതാണ്. എല്ലാറ്റിനെയും "തികഞ്ഞത്" എന്ന് വിളിക്കുന്ന ഒരു മണ്ടൻ മോഡൽ 98% കൃത്യത റിപ്പോർട്ട് ചെയ്യുന്നു, പക്ഷേ ഒരു പിഴവും പിടിക്കുന്നില്ല. അതിനാൽ, അസന്തുലിതമായ ഡാറ്റയിൽ, ഡിഫെക്റ്റ് ക്ലാസിൻ്റെ സെൻസിറ്റിവിറ്റിയും കൃത്യതയും പരിഗണിക്കില്ല, മറിച്ച് കൃത്യതയാണ്.

ഘട്ടം ഘട്ടമായി: ഒരു ഡിറ്റക്ഷൻ സിസ്റ്റം വിലയിരുത്തുന്നു

1. പ്രതിനിധി ഡാറ്റ ശേഖരിക്കുക. സിസ്റ്റം കാണുന്ന യഥാർത്ഥ തുണിത്തരങ്ങൾ (നിറം, ടെക്സ്ചർ, ലൈറ്റിംഗ്) ഉൾക്കൊള്ളുന്ന ചിത്രങ്ങൾ; അപൂർവ വൈകല്യങ്ങൾ ഉൾപ്പെടെ.
2. ലേബൽ ഗുണനിലവാരം പരിശോധിക്കുക. പരിശീലന ലേബലുകൾ തെറ്റാണെങ്കിൽ, മോഡലും തെറ്റായി പഠിക്കുന്നു; വിദഗ്ദ്ധ കണ്ണ് ഉപയോഗിച്ച് ലേബലുകൾ സാമ്പിൾ ചെയ്യുക.
3. സെൻസിറ്റിവിറ്റി/പ്രിസിഷൻ അളക്കുക. വൈകല്യമുള്ള വിഭാഗത്തിന് പ്രത്യേകം; പൊതുവായ കൃത്യത മാത്രം നോക്കരുത്.
4. തെറ്റായ നെഗറ്റീവുകൾ പരിശോധിക്കുക. നഷ്‌ടമായ വൈകല്യങ്ങൾക്ക് ഒരു പൊതു സവിശേഷത ഉണ്ടോ (ചില നിറം, ചില പ്രകാശം)?
5. ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ് സജ്ജീകരിക്കുക. മോഡൽ എന്താണ് അടയാളപ്പെടുത്തിയതെന്ന് ഓപ്പറേറ്റർ സ്ഥിരീകരിക്കട്ടെ; അനിശ്ചിതത്വം ജനങ്ങളിലേക്ക് നയിക്കുക.
6. നിരീക്ഷിച്ച് വീണ്ടും പരിശീലിപ്പിക്കുക. പുതിയ വൈകല്യ തരങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നതിനനുസരിച്ച് ഡാറ്റാസെറ്റ് അപ്‌ഡേറ്റ് ചെയ്യുക (കൺസെപ്റ്റ് ഡ്രിഫ്റ്റ്).

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - തെറ്റിദ്ധരിപ്പിക്കുന്ന കൃത്യത. "ഞങ്ങളുടെ മോഡൽ 97% കൃത്യമാണ്" എന്ന് പറഞ്ഞ് ഒരു വിതരണക്കാരൻ ഒരു സിസ്റ്റം വിറ്റു. ഫീൽഡിൽ ഉപഭോക്തൃ വരുമാനം വർദ്ധിച്ചു. അപഗ്രഥന വിഭാഗത്തിൻ്റെ സംവേദനക്ഷമത 61% മാത്രമാണെന്ന് വിശകലനം കാണിച്ചു, അതായത് ഓരോ 100 യഥാർത്ഥ വൈകല്യങ്ങളിലും 39 എണ്ണം നഷ്‌ടപ്പെട്ടു. തുണിയുടെ ഭൂരിഭാഗവും ഇതിനകം കുറ്റമറ്റതായതിനാൽ കൃത്യത കൂടുതലായിരുന്നു. ത്രെഷോൾഡ് വീണ്ടും ക്രമീകരിക്കുകയും മനുഷ്യ നിയന്ത്രണം ചേർക്കുകയും ചെയ്തു; സംവേദനക്ഷമത 92% ആയി വർദ്ധിച്ചു, തെറ്റായ പോസിറ്റീവുകൾ ഓപ്പറേറ്റർ ഇല്ലാതാക്കി.

കേസ് 2 - ലൈറ്റിംഗ് ഷിഫ്റ്റ്. ഒരു വരിയിൽ, ഉച്ചതിരിഞ്ഞ് സൂര്യപ്രകാശം പരിശോധന ഏരിയയിൽ പതിച്ചപ്പോൾ തെറ്റായ പോസിറ്റീവുകൾ മൂന്നിരട്ടിയായി; നിഴലുകൾ കറകളാണെന്ന് മോഡൽ കരുതി. കാണുന്ന അവസ്ഥ (അടഞ്ഞ കാബിനറ്റ്, സ്ഥിരമായ എൽഇഡി ലൈറ്റിംഗ്) നിലവാരം പുലർത്തിയപ്പോൾ പ്രശ്നം പരിഹരിച്ചു. പാഠം: ഇമേജിംഗ് സജ്ജീകരണം മോഡലിൻ്റെ ഗുണനിലവാരം പോലെയാണ്.

കേസ് 3 - സമയവും അധ്വാനവും. ഒരു ബിസിനസ്സ് 100 മീറ്റർ തുണികൾ നേരിട്ട് പരിശോധിക്കാൻ ശരാശരി 9 മിനിറ്റ് ചെലവഴിച്ചു. ക്യാമറ പ്രീ-സ്കാനിംഗ് + ഓപ്പറേറ്റർ കൺഫർമേഷൻ മോഡൽ ഉപയോഗിച്ച്, സമയം 4 മിനിറ്റായി കുറയ്ക്കുകയും ലീക്കേജ് കുറയുകയും ചെയ്തു, കാരണം ഓപ്പറേറ്റർ അടയാളപ്പെടുത്തിയ സ്ഥലങ്ങളിൽ മാത്രം ശ്രദ്ധിച്ചു. നിർണായകമായത്, ഓട്ടോമേഷൻ മൂർച്ച കൂട്ടിയത് ഓപ്പറേറ്ററെയല്ല, മറിച്ച് ഓപ്പറേറ്ററുടെ കണ്ണാണ്.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

കുറിപ്പ്: വൈകല്യ ചിത്രം നേരിട്ട് വിശകലനം ചെയ്യുന്ന സമർപ്പിത സംവിധാനങ്ങൾ പ്രത്യേകമാണ്; പ്രോസസ് ഡിസൈൻ, ഡാറ്റ മൂല്യനിർണ്ണയം, റിപ്പോർട്ട് എന്നിവയ്ക്കായി ഞങ്ങൾ ഇവിടെ AI ഉപയോഗിക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ്:

എന്നോട് പറയൂ, ഞങ്ങളുടെ ന്യൂനത കണ്ടെത്തൽ മോഡൽ നല്ലതാണോ?

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ടെക്‌സ്‌റ്റൈൽ ക്വാളിറ്റി എഞ്ചിനീയറും ഡാറ്റാ അനലിസ്റ്റും. ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ മോഡലിൻ്റെ പരിശോധനാ ഫലങ്ങൾ ചുവടെയുണ്ട് (ആശയക്കുഴപ്പം മാട്രിക്‌സ്:ട്രൂ പോസിറ്റീവ്, ഫാൾസ് പോസിറ്റീവ്, ഫാൾസ് നെഗറ്റീവ്, ട്രൂ നെഗറ്റീവ്). ടാസ്‌ക്: 1) ഡിഫെക്റ്റ് ക്ലാസിൻ്റെ സെൻസിറ്റിവിറ്റിയും കൃത്യതയും കണക്കാക്കുക, ഫോർമുല കാണിക്കുക.2) തെറ്റായ ബിസിനസ്സ് അപകടസാധ്യതയുടെ മൊത്തത്തിലുള്ള ആഘാതം എന്തിനാണെന്ന് ഈ നമ്പറുകൾ ഉപയോഗിച്ച് വിശദീകരിക്കുക. ഈ പ്രൊഡക്ഷൻ.4) ത്രെഷോൾഡ് ക്രമീകരണത്തിനും മനുഷ്യ പരിശോധനയ്ക്കും കൃത്യമായ നിർദ്ദേശം നൽകുക. നമ്പറുകൾ: [മാട്രിക്സ്]

പകർത്താവുന്ന ടെംപ്ലേറ്റുകൾ

1) മെട്രിക് കണക്കുകൂട്ടലും വ്യാഖ്യാനവും:

ഇനിപ്പറയുന്ന കൺഫ്യൂഷൻ മാട്രിക്‌സിൽ നിന്ന് സെൻസിറ്റിവിറ്റി, പ്രിസിഷൻ, എഫ്1 സ്‌കോർ എന്നിവ കണക്കാക്കുക, ഓരോ ഫോർമുലയും എഴുതി ഗുണനിലവാരത്തിൻ്റെ കാര്യത്തിൽ ഏതാണ് കൂടുതൽ നിർണായകമെന്ന് ന്യായീകരിക്കുക. മാട്രിക്സ്: [TP, FP, FN, TN]

2) തെറ്റായ നെഗറ്റീവ് മൂലകാരണം:

നഷ്‌ടമായ (തെറ്റായ നെഗറ്റീവ്) വൈകല്യങ്ങളുടെ (വൈകല്യ തരം, നിറം, പ്രകാശം, വേഗത) ഫീച്ചർ ലിസ്റ്റ് ചുവടെയുണ്ട്. പൊതുവായ പാറ്റേൺ അനുമാനങ്ങൾ സൃഷ്ടിക്കുകയും ഓരോ സിദ്ധാന്തത്തിനും ഒരു പരിശോധനാ ട്രയൽ നിർദ്ദേശിക്കുകയും ചെയ്യുക. ഡാറ്റ: [ലിസ്റ്റ്]

3) 4-പോയിൻ്റ് പോയിൻ്റുകളിലേക്കുള്ള പരിവർത്തനം:

ഇനിപ്പറയുന്ന കണ്ടെത്തൽ ഔട്ട്‌പുട്ട് 4-പോയിൻ്റ് സിസ്റ്റത്തിലേക്ക് പരിവർത്തനം ചെയ്യുക: ഓരോ വൈകല്യവും അതിൻ്റെ ദൈർഘ്യമനുസരിച്ച് സ്‌കോർ ചെയ്യുക, 100 m² ന് മൊത്തം സ്‌കോർ കണക്കാക്കുക, [ത്രെഷോൾഡ്] സ്‌കോറുമായി താരതമ്യം ചെയ്‌ത് സ്വീകാര്യത/നിരസിക്കൽ ശുപാർശ ചെയ്യുക. വൈകല്യങ്ങളുടെ പട്ടിക: [ലിസ്റ്റ്]

4) പരിശോധനാ റിപ്പോർട്ട് ഡ്രാഫ്റ്റ്:

ഇനിപ്പറയുന്ന ഷിഫ്റ്റ് വൈകല്യ ഡാറ്റയിൽ നിന്ന് ഒരു എക്സിക്യൂട്ടീവ് സംഗ്രഹം നേടുക: മികച്ച 3 വൈകല്യങ്ങൾ, സാധ്യമായ പ്രോസസ് ഉറവിടം (അനുമാനം), മൊത്തം നിരസിക്കൽ നിരക്ക്, ശുപാർശ ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ. അക്കങ്ങൾ ഉണ്ടാക്കരുത്, നൽകിയിരിക്കുന്നത് ഉപയോഗിക്കുക. ഡാറ്റ: [പട്ടിക]

മെട്രിക് താരതമ്യ ചാർട്ട്

മാനദണ്ഡം

എന്ത് അളവുകൾ

ഉയർന്നത് നല്ലതാണോ?

ഗുണനിലവാരത്തിൽ പ്രാധാന്യം

കൃത്യത

മൊത്തത്തിൽ ശരിയായ നിരക്ക്

തെറ്റിദ്ധരിപ്പിക്കുന്നതാകാം

അസന്തുലിതമായ ഡാറ്റ കുറവാണ്

സംവേദനക്ഷമത (ഓർമ്മപ്പെടുത്തൽ)

യഥാർത്ഥ വൈകല്യ നിരക്ക് പിടികൂടി

അതെ

തെറ്റായ നെഗറ്റീവ് ഡ്രോപ്പ് (നിർണ്ണായകം)

കൃത്യത

നിങ്ങൾ പറയുന്നതിലെ സത്യം ഒരു പോരായ്മയാണ്

അതെ

തെറ്റായ പോസിറ്റീവ് / മാലിന്യങ്ങൾ കുറയ്ക്കുന്നു

തെറ്റായ നെഗറ്റീവ്

വൈകല്യം രക്ഷപ്പെട്ടു

ഇല്ല, അത് കുറവായിരിക്കണം

ഉപഭോക്താവിന് തെറ്റായ സാധനങ്ങളുടെ അപകടസാധ്യത

തെറ്റായ പോസിറ്റീവ്

ശൂന്യമായ അലാറം

ഇല്ല പക്ഷെ സഹിക്കുന്നു

കാര്യക്ഷമത/വേഗത നഷ്ടം

ശ്രദ്ധിക്കുക: ഓട്ടോമേറ്റഡ് സിസ്റ്റം ഒരു "പ്രീ-സ്ക്രീനർ" ആണ്, ഒരു "അംഗീകാരം" അല്ല. അന്തിമ ഗുണനിലവാര സ്വീകാര്യത തീരുമാനത്തിന് യോഗ്യതയുള്ള ഒരു ഗുണനിലവാര ഉദ്യോഗസ്ഥൻ്റെ അംഗീകാരം ആവശ്യമാണ്, പ്രത്യേകിച്ച് ഉപഭോക്തൃ കരാറിന് വിധേയമായ ബാച്ചുകൾക്ക്. മോഡൽ മനുഷ്യ നിയന്ത്രണത്തെ ത്വരിതപ്പെടുത്തുന്നു, പക്ഷേ അത് ഒഴിവാക്കുന്നില്ല.

സാധാരണ തെറ്റുകൾ

• നീതിയെ നോക്കി തൃപ്തിപ്പെടാൻ. ഉയർന്ന കൃത്യത അസന്തുലിതമായ ഡാറ്റയിൽ പുരാവസ്തുക്കളെ മറയ്ക്കുന്നു.
• കാഴ്ചയുടെ അവസ്ഥ അവഗണിക്കുന്നു. സ്ഥിരമായ പ്രകാശവും സ്ഥിരമായ വേഗതയും ഇല്ലാതെ മോഡൽ വിശ്വസനീയമല്ല.
• ലേബലിൻ്റെ ഗുണനിലവാരം പരിശോധിക്കുന്നില്ല. തെറ്റായ ലേബൽ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച മോഡൽ തെറ്റായി പഠിക്കുന്നു.
• പുതിയ തരം വൈകല്യം മറക്കുന്നു. കാലക്രമേണ ദൃശ്യമാകുന്ന പുതിയ വൈകല്യങ്ങൾക്കായി ഡാറ്റ അപ്‌ഡേറ്റ് ചെയ്തില്ലെങ്കിൽ, പ്രകടനം നിശബ്ദമായി കുറയും.
• ആളുകളെ വെട്ടിമുറിക്കുന്നു. നിർണായകമായ സ്വീകാര്യത തീരുമാനത്തിന് മനുഷ്യൻ്റെ അംഗീകാരം ആവശ്യമാണ്.

ചുരുക്കത്തിൽ

ഇമേജ് പ്രോസസ്സിംഗ് ഫാബ്രിക് പരിശോധനയെ വളരെയധികം വേഗത്തിലാക്കുകയും മനുഷ്യൻ്റെ ക്ഷീണം നികത്തുകയും ചെയ്യുന്നു. എന്നാൽ അദ്ദേഹത്തിൻ്റെ പ്രകടനം കൃത്യതയോടെയല്ല, ന്യൂനത ക്ലാസിൻ്റെ സംവേദനക്ഷമതയോടെയും കൃത്യതയോടെയും വായിക്കപ്പെടുന്നു; ഗുണനിലവാരത്തിലെ ഏറ്റവും അപകടകരമായ പിശകാണ് തെറ്റായ നെഗറ്റീവ്. സ്ഥിരതയുള്ള ഇമേജിംഗ് അവസ്ഥ, ഗുണനിലവാരമുള്ള ലേബൽ, ഹ്യൂമൻ ഇൻ-ദി-ലൂപ്പ് പരിശോധന എന്നിവയാണ് സിസ്റ്റത്തിൻ്റെ വിശ്വാസ്യതയുടെ മൂന്ന് തൂണുകൾ. ഓട്ടോമാറ്റിക് ഔട്ട്പുട്ട് ഒരു പ്രാഥമിക സ്ക്രീനിംഗ് ആണ്; അന്തിമ സ്വീകാര്യത തീരുമാനം എൻജിനീയറുടെ അംഗീകാരത്തോടെ തുടരും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ സിസ്റ്റത്തിനുള്ള ഒരു ഉദാഹരണ കൺഫ്യൂഷൻ മാട്രിക്സ് നിർവ്വചിക്കുക (ഉദാ. 100 വികലമായ, 4900 പെർഫെക്റ്റ് സാമ്പിളുകൾ). ഈ യൂണിറ്റിലെ "മെട്രിക് കണക്കുകൂട്ടൽ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് സെൻസിറ്റിവിറ്റി, പ്രിസിഷൻ, F1 എന്നിവ കണക്കാക്കുക; തുടർന്ന് ഫലങ്ങൾ സ്വമേധയാ പരിശോധിക്കുക. ഒരേ മെട്രിക്സിലെ തെറ്റായ നെഗറ്റീവ് പകുതിയായി കുറയ്ക്കുന്നതിന് നിങ്ങൾ പരിധി മാറ്റുമ്പോൾ തെറ്റായ പോസിറ്റീവുകൾക്ക് എന്ത് സംഭവിക്കുമെന്ന് ഒരു ഖണ്ഡികയിൽ ചർച്ച ചെയ്യുക, നിങ്ങളുടെ ഉൽപ്പന്നത്തിന് ഏത് ബാലൻസ് ആണ് അനുയോജ്യമെന്ന് തീരുമാനിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ പ്രകടനത്തെ വിലയിരുത്തുന്നത് സംവേദനക്ഷമത/കൃത്യത കൊണ്ടാണ്, കൃത്യതയല്ല.
• [ ] ഞാൻ ബിസിനസ്സ് ആഘാതത്തോടൊപ്പം തെറ്റായ നെഗറ്റീവുകളുടെ അപകടസാധ്യതയെ വ്യാഖ്യാനിക്കുന്നു.
• [ ] ഞാൻ കാണാനുള്ള സാഹചര്യങ്ങൾ (വെളിച്ചം, വേഗത) മാനദണ്ഡമാക്കി.
• [ ] ഞാൻ പതിവായി ലേബൽ ഗുണനിലവാരവും പുതിയ വൈകല്യ തരങ്ങളും പരിശോധിക്കുന്നു.
• [ ] അന്തിമ സ്വീകാര്യത തീരുമാനത്തിന് ഞാൻ മനുഷ്യ അംഗീകാരം നൽകുന്നു; മോഡൽ പ്രീ-സിഫ്റ്റർ മാത്രമാണ്.