ਲਾਭ:
- ਇਹ ਦੱਸਣ ਦੀ ਸਮਰੱਥਾ ਕਿ ਫੈਬਰਿਕ ਦੀ ਸਤ੍ਹਾ 'ਤੇ ਨੁਕਸ ਕਿਵੇਂ ਖੋਜੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੁਆਰਾ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
- ਗਲਤ ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ ਸੰਤੁਲਨ, 4-ਪੁਆਇੰਟ ਸਕੋਰਿੰਗ ਸਿਸਟਮ, ਅਤੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇੱਕ ਤਸਦੀਕ ਸੈੱਟਅੱਪ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਮਨੁੱਖੀ ਨਿਰੀਖਣ ਅਤੇ ਸਰੀਰਕ ਨਿਰੀਖਣ ਦੇ ਨਾਲ ਆਟੋਮੈਟਿਕ ਨੁਕਸ ਖੋਜ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ
ਕਈ ਸਾਲਾਂ ਤੋਂ, ਫੈਬਰਿਕ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਮਨੁੱਖੀ ਅੱਖ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ: ਇੱਕ ਓਪਰੇਟਰ ਇੱਕ ਪ੍ਰਕਾਸ਼ਮਾਨ ਨਿਰੀਖਣ ਟੇਬਲ 'ਤੇ ਘੰਟਿਆਂ ਤੱਕ ਫੈਬਰਿਕ ਨੂੰ ਦੇਖਦਾ ਹੈ, ਉਸ ਦੁਆਰਾ ਦੇਖੇ ਜਾਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਨੁਕਸ ਨੂੰ ਨਿਸ਼ਾਨਬੱਧ ਅਤੇ ਸਕੋਰ ਕਰਦਾ ਹੈ। ਇਹ ਕੰਮ ਥਕਾਵਟ, ਵਿਅਕਤੀਗਤ, ਅਤੇ ਥਕਾਵਟ ਅਤੇ ਗਲਤੀ ਦਾ ਸ਼ਿਕਾਰ ਹੈ; ਧਿਆਨ ਸ਼ਿਫਟ ਦੇ ਅੰਤ ਵਿੱਚ ਓਨਾ ਤਿੱਖਾ ਨਹੀਂ ਹੁੰਦਾ ਜਿੰਨਾ ਇਹ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇਸ ਨਿਰੀਖਣ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ: ਇੱਕ ਹਾਈ-ਸਪੀਡ ਕੈਮਰਾ ਫੈਬਰਿਕ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹੈ, ਸਕਿੰਟਾਂ ਵਿੱਚ ਨੁਕਸ ਦੇ ਪੈਟਰਨ ਨੂੰ ਖੋਜਦਾ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਇਹ ਸਿਸਟਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਮਾਪਦੰਡ ਜਿਸ ਦੁਆਰਾ ਇਸਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਅਜੇ ਵੀ ਕਿਉਂ ਲਾਜ਼ਮੀ ਹੈ।
ਫੈਬਰਿਕ ਦੇ ਨੁਕਸ ਅਤੇ ਨਿਰੀਖਣ ਦੀ ਭਾਸ਼ਾ
ਆਟੋਮੈਟਿਕ ਖੋਜ ਨੂੰ ਸਮਝਣ ਲਈ, ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਨੁਕਸ ਦਾ ਨਾਮ ਜਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਬੁਣੇ ਹੋਏ ਫੈਬਰਿਕ ਵਿੱਚ ਖਾਸ ਨੁਕਸ: ਵਾਰਪ ਟੁੱਟਣਾ (ਲੰਬੀ ਧਾਗੇ ਦੀ ਘਾਟ), ਵੇਫਟ ਨੁਕਸ/ਇੰਟਰਫੇਸਿੰਗ (ਟਰਾਸਵਰਸ ਲਾਈਨ), ਮੋਰੀ, ਦਾਗ, ਮੋਟਾ/ਪਤਲਾ ਸਥਾਨ, ਵਾਰਪ ਉਛਾਲ। ਬੁਣੇ ਹੋਏ ਫੈਬਰਿਕ ਵਿੱਚ: ਸੂਈ ਦਾ ਨਿਸ਼ਾਨ (ਲੰਬੀ ਲਾਈਨ, ਸੂਈ ਦੀ ਖਰਾਬੀ ਤੋਂ), ਅਵਾਰਾ ਟਾਂਕਾ, ਮੋਰੀ, ਮੋਟਾਈ ਦਾ ਅੰਤਰ। ਛਪਾਈ ਅਤੇ ਰੰਗਾਈ ਵਿੱਚ: ਰੰਗ ਦਾ ਅੰਤਰ, ਅਬਰੇਜ (ਡਾਈਂਗ ਅਨਿਯਮਿਤਤਾ), ਸਲਿਪੇਜ, ਸਪਲੈਸ਼ਿੰਗ।
ਨਿਰੀਖਣ ਨਤੀਜੇ ਅਕਸਰ ਚਾਰ-ਪੁਆਇੰਟ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਣਾਏ ਜਾਂਦੇ ਹਨ: ਹਰੇਕ ਨੁਕਸ ਨੂੰ ਇਸਦੀ ਲੰਬਾਈ ਦੀ ਲੰਬਾਈ ਦੇ ਅਨੁਸਾਰ 1-4 ਅੰਕ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ 8 ਸੈਂਟੀਮੀਟਰ ਤੱਕ 1 ਪੁਆਇੰਟ, 15 ਸੈਂਟੀਮੀਟਰ ਤੋਂ ਵੱਧ 4 ਪੁਆਇੰਟ) ਅਤੇ ਕੁੱਲ ਸਕੋਰ ਪ੍ਰਤੀ 100 m² ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਹੇਠਾਂ (ਜਿਵੇਂ ਕਿ 40 ਪੁਆਇੰਟ/100 m²) ਨੂੰ "ਸਵੀਕ੍ਰਿਤੀ" ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਉੱਪਰ ਨੂੰ "ਅਸਵੀਕਾਰ" ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। AI ਨਾਲ ਸਵੈਚਲਿਤ ਸਕੋਰਿੰਗ ਨੂੰ ਇਸ ਮਿਆਰ ਦੀ ਨਕਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ; ਇਸ ਨੂੰ ਆਪਣਾ ਆਪਹੁਦਰਾ ਸਕੋਰ ਨਹੀਂ ਪੈਦਾ ਕਰਨਾ ਚਾਹੀਦਾ।
ਸੰਕੇਤ: ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਦਾ ਆਉਟਪੁੱਟ ਹਮੇਸ਼ਾ ਤੁਹਾਡੇ ਸਵੀਕਾਰ ਕੀਤੇ ਸਕੋਰਿੰਗ ਸਟੈਂਡਰਡ (ਜਿਵੇਂ ਕਿ 4-ਪੁਆਇੰਟ) ਅਤੇ ਕਲਾਇੰਟ ਸਹਿਣਸ਼ੀਲਤਾ ਵਿੱਚ ਬਦਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। "ਮਾਡਲ ਨੇ 12 ਵਿਗਾੜਾਂ ਲੱਭੀਆਂ" ਇਕੱਲੇ ਵਪਾਰਕ ਫੈਸਲਾ ਨਹੀਂ ਲੈਂਦਾ; ਇਸ ਨੂੰ ਬਿੰਦੂਆਂ ਅਤੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ।
ਆਟੋਮੈਟਿਕ ਫਲਾਅ ਖੋਜ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ?
ਆਧੁਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਅਕਸਰ ਦੋ ਪਹੁੰਚਾਂ ਨੂੰ ਜੋੜਦੀਆਂ ਹਨ। ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਵਰਗੀਕਰਨ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (ਖਾਸ ਤੌਰ 'ਤੇ ਚਿੱਤਰ-ਉਚਿਤ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਅੰਗਰੇਜ਼ੀ CNN) ਹਜ਼ਾਰਾਂ ਪਹਿਲਾਂ ਲੇਬਲ ਕੀਤੇ ਨੁਕਸ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਨਵੀਂ ਚਿੱਤਰ ਅਤੇ ਇਸਦੀ ਕਿਸਮ ਵਿੱਚ ਕੋਈ ਨੁਕਸ ਹੈ ਜਾਂ ਨਹੀਂ। ਦੂਜੇ ਪਾਸੇ, ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, "ਆਮ" ਫੈਬਰਿਕ ਨੂੰ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ ਜੋ ਨੁਕਸ ਉਮੀਦਵਾਰ ਵਜੋਂ ਆਮ ਨਾਲੋਂ ਭਟਕਦਾ ਹੈ; ਇਹ ਦੁਰਲੱਭ, ਪਹਿਲਾਂ ਕਦੇ ਨਾ ਵੇਖੇ ਗਏ ਨੁਕਸਾਂ ਲਈ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਹਰੇਕ ਨੁਕਸ ਦੀ ਕਿਸਮ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਲੇਬਲ ਕਰਨਾ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੁੰਦਾ ਹੈ।
ਅਸੀਂ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦੋ ਬੁਨਿਆਦੀ ਮਾਪਦੰਡਾਂ ਨਾਲ ਪੜ੍ਹਦੇ ਹਾਂ। ਸੰਵੇਦਨਸ਼ੀਲਤਾ (ਯਾਦ): ਇਸਨੇ ਅਸਲ ਨੁਕਸ ਦੀ ਕਿੰਨੀ ਪ੍ਰਤੀਸ਼ਤ ਖੋਜ ਕੀਤੀ? ਸ਼ੁੱਧਤਾ: ਉਹਨਾਂ ਨੇ ਜੋ ਕਿਹਾ ਸੀ ਉਸ ਦਾ ਕਿੰਨਾ ਪ੍ਰਤੀਸ਼ਤ ਇੱਕ ਨੁਕਸ ਸੀ ਅਸਲ ਵਿੱਚ ਇੱਕ ਨੁਕਸ ਸੀ? ਇਨ੍ਹਾਂ ਦੋਹਾਂ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਹੈ। ਗਲਤ ਨਕਾਰਾਤਮਕ (ਨੁਕਸ ਨਾ ਹੋਣ) ਦਾ ਮਤਲਬ ਹੈ ਨੁਕਸਦਾਰ ਚੀਜ਼ਾਂ ਗਾਹਕ ਨੂੰ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ; ਗਲਤ ਸਕਾਰਾਤਮਕ (ਸੰਪੂਰਨ ਨੂੰ ਨੁਕਸਦਾਰ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰਨਾ) ਦਾ ਅਰਥ ਹੈ ਬੇਲੋੜੀ ਬਰਬਾਦੀ ਅਤੇ ਸੁਸਤੀ। ਗੁਣਵੱਤਾ-ਨਾਜ਼ੁਕ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ, ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਘੱਟ ਰੱਖਣ ਲਈ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਵਧੇ ਹੋਏ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਇੱਕ ਮਨੁੱਖੀ ਆਪਰੇਟਰ ਦੁਆਰਾ ਤੇਜ਼ੀ ਨਾਲ ਦੂਜੀ ਜਾਂਚ ਤੋਂ ਗੁਜ਼ਰਦੇ ਹਨ।
ਇੱਥੇ ਇੱਕ ਨਾਜ਼ੁਕ ਜਾਲ ਹੈ: ਸ਼ੁੱਧਤਾ ਹੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। ਉਤਪਾਦਨ ਲਾਈਨ 'ਤੇ, ਸ਼ਾਇਦ ਫੈਬਰਿਕ ਦਾ 2% ਨੁਕਸਦਾਰ ਹੈ। ਇੱਕ ਮੂਰਖ ਮਾਡਲ ਜੋ ਹਰ ਚੀਜ਼ ਨੂੰ "ਸੰਪੂਰਨ" ਕਹਿੰਦਾ ਹੈ 98% ਸ਼ੁੱਧਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਪਰ ਇੱਕ ਵੀ ਨੁਕਸ ਨਹੀਂ ਫੜਦਾ। ਇਸ ਲਈ, ਅਸੰਤੁਲਿਤ ਡੇਟਾ ਵਿੱਚ, ਨੁਕਸ ਵਰਗ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਸ਼ੁੱਧਤਾ.
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਖੋਜ ਪ੍ਰਣਾਲੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ
- ਪ੍ਰਤੀਨਿਧੀ ਡੇਟਾ ਇਕੱਤਰ ਕਰੋ। ਅਸਲ ਫੈਬਰਿਕ ਵਿਭਿੰਨਤਾ (ਰੰਗ, ਟੈਕਸਟ, ਰੋਸ਼ਨੀ) ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਜੋ ਸਿਸਟਮ ਦੇਖੇਗਾ; ਦੁਰਲੱਭ ਨੁਕਸ ਸਮੇਤ.
- ਲੇਬਲ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰੋ। ਜੇ ਸਿਖਲਾਈ ਦੇ ਲੇਬਲ ਗਲਤ ਹਨ, ਤਾਂ ਮਾਡਲ ਵੀ ਗਲਤ ਸਿੱਖਦਾ ਹੈ; ਮਾਹਰ ਅੱਖ ਨਾਲ ਲੇਬਲਾਂ ਦਾ ਨਮੂਨਾ ਲਓ।
- ਸੰਵੇਦਨਸ਼ੀਲਤਾ/ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੋ। ਨੁਕਸ ਵਰਗ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ; ਸਿਰਫ਼ ਆਮ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਾ ਦੇਖੋ।
- ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਦੀ ਜਾਂਚ ਕਰੋ. ਕੀ ਖੁੰਝੇ ਹੋਏ ਨੁਕਸਾਂ ਵਿੱਚ ਇੱਕ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ (ਕੁਝ ਰੰਗ, ਕੁਝ ਰੋਸ਼ਨੀ)?
- ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ ਸਥਾਪਤ ਕਰੋ। ਆਪਰੇਟਰ ਨੂੰ ਇਹ ਪੁਸ਼ਟੀ ਕਰਨ ਦਿਓ ਕਿ ਮਾਡਲ ਨੇ ਕੀ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ; ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੋਕਾਂ ਤੱਕ ਪਹੁੰਚਾਓ.
- ਨਿਗਰਾਨੀ ਅਤੇ ਮੁੜ ਸਿਖਲਾਈ. ਡਾਟਾਸੈਟ ਨੂੰ ਅੱਪਡੇਟ ਕਰੋ ਕਿਉਂਕਿ ਨਵੀਆਂ ਨੁਕਸ ਕਿਸਮਾਂ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ (ਸੰਕਲਪ ਡ੍ਰਾਈਫਟ)।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਗੁੰਮਰਾਹਕੁੰਨ ਸ਼ੁੱਧਤਾ। ਇੱਕ ਸਪਲਾਇਰ ਨੇ ਇੱਕ ਸਿਸਟਮ ਵੇਚਿਆ ਕਿ "ਸਾਡਾ ਮਾਡਲ 97% ਸਹੀ ਹੈ"। ਖੇਤਰ ਵਿੱਚ ਗਾਹਕਾਂ ਦੀ ਵਾਪਸੀ ਵਧੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਦਿਖਾਇਆ ਕਿ ਨੁਕਸ ਸ਼੍ਰੇਣੀ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸਿਰਫ 61% ਸੀ, ਮਤਲਬ ਕਿ ਹਰ 100 ਵਿੱਚੋਂ 39 ਅਸਲੀ ਨੁਕਸ ਖੁੰਝ ਗਏ ਸਨ। ਸ਼ੁੱਧਤਾ ਜ਼ਿਆਦਾ ਸੀ ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਫੈਬਰਿਕ ਪਹਿਲਾਂ ਹੀ ਨਿਰਦੋਸ਼ ਸੀ। ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੜ-ਵਿਵਸਥਿਤ ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਜੋੜਿਆ ਗਿਆ; ਸੰਵੇਦਨਸ਼ੀਲਤਾ 92% ਤੱਕ ਵਧ ਗਈ, ਆਪਰੇਟਰ ਦੁਆਰਾ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨੂੰ ਖਤਮ ਕਰ ਦਿੱਤਾ ਗਿਆ.
ਕੇਸ 2 — ਲਾਈਟਿੰਗ ਸ਼ਿਫਟ। ਇੱਕ ਲਾਈਨ ਵਿੱਚ, ਜਦੋਂ ਦੁਪਹਿਰ ਦੀ ਧੁੱਪ ਨੇ ਨਿਰੀਖਣ ਖੇਤਰ ਨੂੰ ਮਾਰਿਆ ਤਾਂ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਤਿੰਨ ਗੁਣਾ ਹੋ ਗਏ; ਮਾਡਲ ਨੇ ਸੋਚਿਆ ਕਿ ਪਰਛਾਵੇਂ ਦਾਗ ਸਨ। ਸਮੱਸਿਆ ਉਦੋਂ ਹੱਲ ਹੋ ਗਈ ਸੀ ਜਦੋਂ ਦੇਖਣ ਦੀ ਸਥਿਤੀ (ਬੰਦ ਕੈਬਨਿਟ, ਨਿਰੰਤਰ LED ਰੋਸ਼ਨੀ) ਨੂੰ ਮਾਨਕੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਬਕ: ਇਮੇਜਿੰਗ ਸੈੱਟਅੱਪ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਗੁਣਵੱਤਾ ਬਾਰੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ।
ਕੇਸ 3 - ਸਮਾਂ ਅਤੇ ਮਿਹਨਤ। ਇੱਕ ਕਾਰੋਬਾਰ ਨੇ ਔਸਤਨ 9 ਮਿੰਟ ਹੱਥੀਂ 100 ਮੀਟਰ ਫੈਬਰਿਕ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਬਿਤਾਏ। ਕੈਮਰਾ ਪ੍ਰੀ-ਸਕੈਨਿੰਗ + ਆਪਰੇਟਰ ਪੁਸ਼ਟੀਕਰਣ ਮਾਡਲ ਦੇ ਨਾਲ, ਸਮਾਂ 4 ਮਿੰਟ ਤੱਕ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ ਅਤੇ ਲੀਕੇਜ ਨੂੰ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ ਕਿਉਂਕਿ ਓਪਰੇਟਰ ਨੇ ਸਿਰਫ ਨਿਸ਼ਾਨਬੱਧ ਖੇਤਰਾਂ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਸੀ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਸੀ ਕਿ ਆਟੋਮੇਸ਼ਨ ਨੇ ਆਪਰੇਟਰ ਨੂੰ ਨਹੀਂ, ਪਰ ਓਪਰੇਟਰ ਦੀ ਅੱਖ ਨੂੰ ਤਿੱਖਾ ਕੀਤਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਨੋਟ: ਨੁਕਸ ਚਿੱਤਰ ਦਾ ਸਿੱਧਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਸਮਰਪਿਤ ਸਿਸਟਮ ਵੱਖਰੇ ਹਨ; ਇੱਥੇ ਅਸੀਂ ਪ੍ਰਕਿਰਿਆ ਡਿਜ਼ਾਈਨ, ਡੇਟਾ ਮੁਲਾਂਕਣ ਅਤੇ ਰਿਪੋਰਟ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਨੂੰ ਦੱਸੋ, ਕੀ ਸਾਡਾ ਨੁਕਸ ਖੋਜ ਮਾਡਲ ਚੰਗਾ ਹੈ?
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਟੈਕਸਟਾਈਲ ਕੁਆਲਿਟੀ ਇੰਜੀਨੀਅਰ ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਹੇਠਾਂ ਨੁਕਸ ਖੋਜ ਮਾਡਲ ਦੇ ਟੈਸਟ ਨਤੀਜੇ ਹਨ (ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ:ਸੱਚਾ ਸਕਾਰਾਤਮਕ, ਗਲਤ ਸਕਾਰਾਤਮਕ, ਗਲਤ ਨਕਾਰਾਤਮਕ, ਸੱਚਾ ਨਕਾਰਾਤਮਕ)। ਕਾਰਜ: 1) ਨੁਕਸ ਸ਼੍ਰੇਣੀ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਗਣਨਾ ਕਰੋ, ਫਾਰਮੂਲਾ ਦਿਖਾਓ। 2) ਇਹਨਾਂ ਸੰਖਿਆਵਾਂ ਦੇ ਨਾਲ ਸਮਝਾਓ ਕਿ ਗਲਤ ਸ਼ੁੱਧਤਾ ਦਾ ਕਾਰੋਬਾਰ 'ਤੇ ਗਲਤ ਪ੍ਰਭਾਵ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਉਤਪਾਦਨ ਵਿੱਚ ਨਕਾਰਾਤਮਕ। 4) ਥ੍ਰੈਸ਼ਹੋਲਡ ਸੈਟਿੰਗ ਅਤੇ ਮਨੁੱਖੀ ਨਿਰੀਖਣ ਲਈ ਠੋਸ ਸੁਝਾਅ ਦਿਓ। ਨੰਬਰ: [ਮੈਟ੍ਰਿਕਸ]
ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ
1) ਮੀਟ੍ਰਿਕ ਗਣਨਾ ਅਤੇ ਵਿਆਖਿਆ:
ਨਿਮਨਲਿਖਤ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਸ਼ੁੱਧਤਾ ਅਤੇ F1 ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਰੋ, ਹਰੇਕ ਫਾਰਮੂਲਾ ਲਿਖੋ ਅਤੇ ਇਹ ਜਾਇਜ਼ ਠਹਿਰਾਓ ਕਿ ਗੁਣਵੱਤਾ ਦੇ ਲਿਹਾਜ਼ ਨਾਲ ਕਿਹੜਾ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਮੈਟ੍ਰਿਕਸ: [TP, FP, FN, TN]
2) ਗਲਤ ਨਕਾਰਾਤਮਕ ਮੂਲ ਕਾਰਨ:
ਹੇਠਾਂ ਖੁੰਝੇ ਹੋਏ (ਗਲਤ ਨਕਾਰਾਤਮਕ) ਨੁਕਸ (ਨੁਕਸ ਕਿਸਮ, ਰੰਗ, ਰੌਸ਼ਨੀ, ਗਤੀ) ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਸੂਚੀ ਹੈ। ਆਮ ਪੈਟਰਨ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰੋ ਅਤੇ ਹਰੇਕ ਪਰਿਕਲਪਨਾ ਲਈ ਇੱਕ ਤਸਦੀਕ ਅਜ਼ਮਾਇਸ਼ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ। ਡੇਟਾ: [ਸੂਚੀ]
3) 4-ਪੁਆਇੰਟ ਪੁਆਇੰਟਾਂ ਵਿੱਚ ਪਰਿਵਰਤਨ:
ਨਿਮਨਲਿਖਤ ਖੋਜ ਆਉਟਪੁੱਟ ਨੂੰ 4-ਪੁਆਇੰਟ ਸਿਸਟਮ ਵਿੱਚ ਬਦਲੋ: ਹਰੇਕ ਨੁਕਸ ਨੂੰ ਇਸਦੀ ਲੰਬਾਈ ਦੇ ਅਨੁਸਾਰ ਸਕੋਰ ਕਰੋ, ਪ੍ਰਤੀ 100 m² ਦੇ ਕੁੱਲ ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਰੋ, [ਥ੍ਰੈਸ਼ਹੋਲਡ] ਸਕੋਰ ਨਾਲ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਸਵੀਕ੍ਰਿਤੀ/ਅਸਵੀਕਾਰ ਦੀ ਸਿਫਾਰਸ਼ ਕਰੋ। ਨੁਕਸ ਸੂਚੀ: [ਸੂਚੀ]
4) ਨਿਰੀਖਣ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ:
ਹੇਠਾਂ ਦਿੱਤੇ ਸ਼ਿਫਟ ਨੁਕਸ ਡੇਟਾ ਤੋਂ ਇੱਕ ਕਾਰਜਕਾਰੀ ਸਾਰਾਂਸ਼ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰੋ: ਸਿਖਰ ਦੇ 3 ਨੁਕਸ, ਸੰਭਾਵਿਤ ਪ੍ਰਕਿਰਿਆ ਸ੍ਰੋਤ (ਕਲਪਨਾ), ਕੁੱਲ ਅਸਵੀਕਾਰ ਦਰ, ਅਤੇ ਸਿਫਾਰਸ਼ ਕੀਤੀਆਂ ਕਾਰਵਾਈਆਂ। ਨੰਬਰ ਨਾ ਬਣਾਓ, ਜੋ ਦਿੱਤਾ ਗਿਆ ਹੈ ਉਸ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਡੇਟਾ: [ਸਾਰਣੀ]
ਮੀਟ੍ਰਿਕ ਤੁਲਨਾ ਚਾਰਟ
ਮਾਪਦੰਡ
ਕੀ ਉਪਾਅ
ਕੀ ਉੱਚਾ ਹੋਣਾ ਚੰਗਾ ਹੈ?
ਗੁਣਵੱਤਾ ਵਿੱਚ ਮਹੱਤਤਾ
ਸ਼ੁੱਧਤਾ
ਕੁੱਲ ਮਿਲਾ ਕੇ ਸਹੀ ਦਰ
ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ
ਅਸੰਤੁਲਿਤ ਡਾਟਾ 'ਤੇ ਘੱਟ
ਸੰਵੇਦਨਸ਼ੀਲਤਾ (ਯਾਦ)
ਅਸਲ ਨੁਕਸ ਦਰ ਫੜੀ ਗਈ
ਹਾਂ
ਡ੍ਰੌਪ ਝੂਠੇ ਨਕਾਰਾਤਮਕ (ਨਾਜ਼ੁਕ)
ਸ਼ੁੱਧਤਾ
ਤੁਸੀਂ ਜੋ ਕਹਿੰਦੇ ਹੋ ਉਸ ਦੀ ਸੱਚਾਈ ਇੱਕ ਨੁਕਸ ਹੈ
ਹਾਂ
ਝੂਠੇ ਸਕਾਰਾਤਮਕ / ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ
ਗਲਤ ਨਕਾਰਾਤਮਕ
ਨੁਕਸ ਤੋਂ ਬਚਿਆ
ਨਹੀਂ, ਇਹ ਘੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ
ਗਾਹਕ ਨੂੰ ਨੁਕਸਦਾਰ ਸਾਮਾਨ ਦਾ ਖਤਰਾ
ਗਲਤ ਸਕਾਰਾਤਮਕ
ਖਾਲੀ ਅਲਾਰਮ
ਨਹੀਂ ਪਰ ਬਰਦਾਸ਼ਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
ਕੁਸ਼ਲਤਾ/ਗਤੀ ਦਾ ਨੁਕਸਾਨ
ਧਿਆਨ ਦਿਓ: ਆਟੋਮੇਟਿਡ ਸਿਸਟਮ ਇੱਕ "ਪ੍ਰੀ-ਸਕ੍ਰੀਨਰ" ਹੈ, "ਪ੍ਰਵਾਨਕਰਤਾ" ਨਹੀਂ। ਅੰਤਮ ਗੁਣਵੱਤਾ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਫੈਸਲੇ ਲਈ ਇੱਕ ਸਮਰੱਥ ਗੁਣਵੱਤਾ ਅਧਿਕਾਰੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਗਾਹਕਾਂ ਦੇ ਇਕਰਾਰਨਾਮੇ ਦੇ ਅਧੀਨ ਬੈਚਾਂ ਲਈ। ਮਾਡਲ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਪਰ ਇਸ ਤੋਂ ਛੋਟ ਨਹੀਂ ਦਿੰਦਾ।
ਆਮ ਗਲਤੀਆਂ
- ਧਾਰਮਿਕਤਾ ਨੂੰ ਵੇਖਣ ਅਤੇ ਸੰਤੁਸ਼ਟ ਹੋਣ ਲਈ. ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਸੰਤੁਲਿਤ ਡੇਟਾ ਵਿੱਚ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਲੁਕਾਉਂਦੀ ਹੈ।
- ਦੇਖਣ ਦੀ ਸਥਿਤੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ. ਨਿਰੰਤਰ ਰੋਸ਼ਨੀ ਅਤੇ ਨਿਰੰਤਰ ਗਤੀ ਦੇ ਬਿਨਾਂ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
- ਲੇਬਲ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਗਲਤ ਲੇਬਲ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਸਿੱਖਦਾ ਹੈ।
- ਨਵੀਂ ਕਿਸਮ ਦੇ ਨੁਕਸ ਨੂੰ ਭੁੱਲਣਾ. ਜੇਕਰ ਸਮੇਂ ਦੇ ਨਾਲ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਨਵੇਂ ਨੁਕਸਾਂ ਲਈ ਡੇਟਾ ਨੂੰ ਅਪਡੇਟ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਦਰਸ਼ਨ ਚੁੱਪਚਾਪ ਘਟ ਜਾਵੇਗਾ।
- ਲੋਕਾਂ ਨੂੰ ਕੱਟਣਾ। ਨਾਜ਼ੁਕ ਸਵੀਕ੍ਰਿਤੀ ਫੈਸਲੇ ਲਈ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਫੈਬਰਿਕ ਨਿਰੀਖਣ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਥਕਾਵਟ ਲਈ ਮੁਆਵਜ਼ਾ ਦਿੰਦੀ ਹੈ। ਪਰ ਉਸ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਸ਼ੁੱਧਤਾ ਨਾਲ ਨਹੀਂ, ਸਗੋਂ ਫਲਾਅ ਕਲਾਸ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨਾਲ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ; ਗਲਤ ਨਕਾਰਾਤਮਕ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਗਲਤੀ ਹੈ. ਸਥਿਰ ਇਮੇਜਿੰਗ ਸਥਿਤੀ, ਗੁਣਵੱਤਾ ਲੇਬਲ ਅਤੇ ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ ਨਿਰੀਖਣ ਸਿਸਟਮ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਤਿੰਨ ਥੰਮ ਹਨ। ਆਟੋਮੈਟਿਕ ਆਉਟਪੁੱਟ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ ਹੈ; ਅੰਤਮ ਸਵੀਕ੍ਰਿਤੀ ਦਾ ਫੈਸਲਾ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਰਹਿੰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਨੁਕਸ ਖੋਜ ਪ੍ਰਣਾਲੀ ਲਈ ਇੱਕ ਉਦਾਹਰਨ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ (ਉਦਾਹਰਨ ਲਈ 100 ਨੁਕਸਦਾਰ, 4900 ਸੰਪੂਰਨ ਨਮੂਨੇ)। ਇਸ ਯੂਨਿਟ ਵਿੱਚ "ਮੀਟ੍ਰਿਕ ਗਣਨਾ" ਟੈਮਪਲੇਟ ਨਾਲ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਸ਼ੁੱਧਤਾ ਅਤੇ F1 ਦੀ ਗਣਨਾ ਕਰੋ; ਫਿਰ ਨਤੀਜਿਆਂ ਦੀ ਦਸਤੀ ਜਾਂਚ ਕਰੋ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਚਰਚਾ ਕਰੋ ਕਿ ਜਦੋਂ ਤੁਸੀਂ ਉਸੇ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਨੂੰ ਅੱਧਾ ਕਰਨ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਬਦਲਦੇ ਹੋ, ਅਤੇ ਫੈਸਲਾ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਉਤਪਾਦ ਲਈ ਕਿਹੜਾ ਸੰਤੁਲਨ ਸਹੀ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [] ਮੈਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ/ਸ਼ੁੱਧਤਾ ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹਾਂ, ਸ਼ੁੱਧਤਾ ਨਹੀਂ।
- [ ] ਮੈਂ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ ਦੇ ਨਾਲ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਦੇ ਜੋਖਮ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਦੇਖਣ ਦੀਆਂ ਸਥਿਤੀਆਂ (ਰੌਸ਼ਨੀ, ਗਤੀ) ਨੂੰ ਮਾਨਕੀਕ੍ਰਿਤ ਕੀਤਾ।
- [ ] ਮੈਂ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਲੇਬਲ ਗੁਣਵੱਤਾ ਅਤੇ ਨਵੇਂ ਨੁਕਸ ਕਿਸਮਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਅੰਤਿਮ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਫੈਸਲੇ 'ਤੇ ਮਨੁੱਖੀ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹਾਂ; ਮਾਡਲ ਸਿਰਫ਼ ਪ੍ਰੀ-ਸਿਫ਼ਟਰ ਹੈ।