ලාභ:
- රූප සැකසීම සහ යන්ත්ර ඉගෙනීම මගින් රෙදි මතුපිට දෝෂ හඳුනාගෙන වර්ගීකරණය කරන ආකාරය පැහැදිලි කිරීමේ හැකියාව.
- ව්යාජ ධන/ඍණ සමතුලිතතාව, ලකුණු 4ක ලකුණු පද්ධතිය සහ ආදර්ශ කාර්ය සාධන ප්රමිතික අර්ථකථනය කිරීමේ හැකියාව
- මානව පරීක්ෂාව සහ භෞතික පරීක්ෂාව සමඟ ස්වයංක්රීය දෝෂ හඳුනාගැනීමේ ප්රතිදානය පරීක්ෂා කරන සත්යාපන සැකසුම සැලසුම් කිරීමේ හැකියාව
වසර ගණනාවක් තිස්සේ, රෙදිපිළි තත්ත්ව පාලනය මිනිස් ඇස මත රඳා පවතී: ක්රියාකරුවෙකු ආලෝකමත් පරීක්ෂණ මේසයක් මත පැය ගණනක් රෙදි නිරීක්ෂණය කරයි, ඔහු දකින ඕනෑම දෝෂයක් සලකුණු කර ලකුණු කරයි. මෙම කාර්යය වෙහෙසකර, ආත්මීය, තෙහෙට්ටුව සහ දෝෂයට ගොදුරු වේ; අවධානය ආරම්භයේදී මෙන් මාරුවක් අවසානයේ දී තියුණු නොවේ. පරිගණක දැක්ම සහ යන්ත්ර ඉගෙනීම මෙම පරීක්ෂණය ස්වයංක්රීය කිරීමට පොරොන්දු වේ: අධිවේගී කැමරාවක් රෙදි ස්කෑන් කරයි, තත්පර කිහිපයකින් දෝෂ රටාවක් හඳුනාගෙන වර්ගීකරණය කරයි. මෙම ඒකකය තුළ, මෙම පද්ධතිය ක්රියාත්මක වන ආකාරය, එය ඇගයීමට ලක් කරන නිර්ණායක සහ මානව පාලනය තවමත් අත්යවශ්ය වන්නේ මන්දැයි අපි සාකච්ඡා කරමු.
රෙදි දෝෂ සහ පරීක්ෂා කිරීමේ භාෂාව
ස්වයංක්රීයව හඳුනා ගැනීම තේරුම් ගැනීම සඳහා, දෝෂ වල නම දැන ගැනීම පළමුව අවශ්ය වේ. වියන ලද රෙදි වල සාමාන්ය දෝෂ: යුධ කැඩීම (කල්පවත්නා නූල් නොමැති වීම), වියන දෝෂය/අතුරු මුහුණත් (තීර්ස් රේඛාව), සිදුර, පැල්ලම, ඝන/තුනී පෙදෙස, යුධ පිම්ම. ගෙතූ රෙදි වලින්: ඉඳිකටු සලකුණ (දිගු රේඛාවක්, ඉඳිකටු අක්රිය වීමෙන්), අයාලේ යන මැහුම්, කුහරය, ඝණකම වෙනස. මුද්රණය සහ සායම් කිරීමේදී: වර්ණ වෙනස, උච්චාරණය (සායම් කිරීමේ අක්රමිකතාව), ලිස්සා යාම, ඉසීම.
පරීක්ෂණ ප්රතිඵල බොහෝ විට ලකුණු කර ඇත්තේ ලකුණු හතරක පද්ධතියක් භාවිතා කරමිනි: සෑම දෝෂයකටම එහි කල්පවත්නා දිග අනුව ලකුණු 1-4ක් ලබා දී ඇත (උදා: සෙ.මී. 8 සිට 1 ලක්ෂය දක්වා, සෙ.මී. 15ට වැඩි ලකුණු 4) සහ 100 m² සඳහා මුළු ලකුණු ගණනය කෙරේ. එළිපත්තකට පහළින් (උදා: ලකුණු 40/100 m²) "පිළිගැනීම" ලෙස සලකනු ලැබේ, ඉහත "ප්රතික්ෂේප කිරීම" ලෙස සැලකේ. AI සමඟින් ස්වයංක්රීය ලකුණු කිරීම මෙම ප්රමිතිය අනුකරණය කළ යුතුය; එය තමන්ගේම අත්තනෝමතික ලකුණු නිෂ්පාදනය නොකළ යුතුය.
ඉඟිය: ස්වයංක්රීය පද්ධතියේ ප්රතිදානය සැමවිටම ඔබගේ පිළිගත් ලකුණු කිරීමේ ප්රමිතියට (ලකුණු 4 වැනි) සහ සේවාදායක ඉවසීමට පරිවර්තනය කළ හැකි විය යුතුය. "ආකෘතිය 12 විෂමතා සොයාගෙන" පමණක් ව්යාපාරික තීරණයක් නොගනී; එය ලකුණු සහ තීරණ බවට පරිවර්තනය කළ යුතුය.
ස්වයංක්රීය දෝෂ හඳුනාගැනීම ක්රියා කරන්නේ කෙසේද?
නවීන පද්ධති බොහෝ විට ප්රවේශයන් දෙක ඒකාබද්ධ කරයි. සුපරීක්ෂාකාරී වර්ගීකරණය යනු කලින් ලේබල් කරන ලද දහස් ගණනක දෝෂ සහිත උදාහරණ සමඟ පුහුණු කරන ලද කෘතිම ස්නායු ජාලයක් (විශේෂයෙන් රූපයට අනුරූප වන සංසිද්ධි ස්නායු ජාලය, ඉංග්රීසි CNN) නව රූපයේ සහ එහි වර්ගයෙහි දෝෂයක් තිබේදැයි පුරෝකථනය කරයි. අනෙක් අතට, විෂමතා හඳුනාගැනීම "සාමාන්ය" රෙදි ඉගෙන ගන්නා අතර සාමාන්යයෙන් බැහැර වන ඕනෑම දෙයක් දෝෂ අපේක්ෂකයෙකු ලෙස සලකුණු කරයි; එය එක් එක් දෝෂ වර්ගය කල්තියා ලේබල් කිරීම අවශ්ය නොවන නිසා දුර්ලභ, කිසිදා නොදුටු දෝෂ සඳහා ක්රියා කරයි.
අපි මූලික නිර්ණායක දෙකක් සමඟ පද්ධතියේ ක්රියාකාරිත්වය කියවමු. සංවේදිතාව (මතක තබා ගැනීම): එය අනාවරණය කරගත් සැබෑ අඩුපාඩු ප්රතිශතය කොපමණද? නිරවද්යතාවය: ඔවුන් දෝෂයක් යැයි පැවසූ දෙයින් ඇත්ත වශයෙන්ම දෝෂයක් වූයේ කොපමණ ප්රතිශතයක්ද? මේ දෙක අතර සමබරතාවයක් තියෙනවා. ව්යාජ සෘණ (අඩුපාඩු නැති වීම) යනු දෝෂ සහිත භාණ්ඩ පාරිභෝගිකයා වෙත ලබා දීමයි; අසත්ය ධනාත්මක (පරිපූර්ණ දේ දෝෂ සහිත ලෙස සලකුණු කිරීම) යනු අනවශ්ය නාස්තිය සහ මන්දගාමී වීමයි. ගුණාත්මක-විවේචනාත්මක යෙදුමේදී, සාමාන්යයෙන් ව්යාජ නිෂේධනයන් අඩු මට්ටමක තබා ගැනීමට එළිපත්තක් තෝරාගනු ලබන අතර, වැඩිවන සාවද්ය ධන මානව ක්රියාකරුවෙකු විසින් වේගවත් දෙවන පරීක්ෂණයකට භාජනය වේ.
මෙහි විවේචනාත්මක උගුලක් තිබේ: නිරවද්යතාවය පමණක් නොමඟ යවන සුළුය. නිෂ්පාදන රේඛාවක් මත, සමහර විට රෙදි වලින් 2% දෝෂ සහිත වේ. සෑම දෙයක්ම "පරිපූර්ණ" ලෙස හඳුන්වන මෝඩ ආකෘතියක් 98% නිරවද්යතාවයක් වාර්තා කරන නමුත් එක දෝෂයක්වත් හසු නොවේ. එබැවින්, අසමතුලිත දත්ත වලදී, දෝෂ පන්තියේ සංවේදීතාව සහ නිරවද්යතාව සැලකිල්ලට නොගනී, නමුත් නිරවද්යතාව.
පියවරෙන් පියවර: හඳුනාගැනීමේ පද්ධතියක් ඇගයීම
- නියෝජිත දත්ත රැස් කරන්න. පද්ධතිය දකින සැබෑ රෙදි ප්රභේදය (වර්ණය, වයනය, ආලෝකය) ආවරණය කරන රූප; දුර්ලභ දෝෂ ඇතුළුව.
- ලේබලයේ ගුණාත්මකභාවය පරීක්ෂා කරන්න. පුහුණු ලේබල් වැරදි නම්, ආකෘතිය ද වැරදි ඉගෙන ගනී; විශේෂඥ ඇසකින් ලේබල සාම්පල කරන්න.
- සංවේදීතාව / නිරවද්යතාව මැනීම. දෝෂ සහිත පන්තිය සඳහා වෙන වෙනම; සාමාන්ය නිරවද්යතාවය පමණක් බලන්න එපා.
- ව්යාජ සෘණාත්මක කරුණු පරීක්ෂා කරන්න. මඟ හැරුණු දෝෂවලට පොදු ලක්ෂණයක් (යම් වර්ණයක්, යම් ආලෝකයක්) තිබේද?
- මනුෂ්ය-පුඩුව සකසන්න. ආකෘතිය සලකුණු කර ඇති දේ ක්රියාකරුට තහවුරු කිරීමට ඉඩ දෙන්න; අවිනිශ්චිත දේ මිනිසුන් වෙත යොමු කරන්න.
- අධීක්ෂණය සහ නැවත පුහුණු කරන්න. නව දෝෂ වර්ග මතුවන විට දත්ත කට්ටලය යාවත්කාලීන කරන්න (සංකල්ප ප්ලාවිතය).
කුඩා අවස්ථා තුනක්: අංක අනුව
නඩුව 1 - නොමඟ යවන නිරවද්යතාව. සැපයුම්කරුවෙකු "අපගේ ආකෘතිය 97% නිවැරදියි" යනුවෙන් පද්ධතියක් විකුණුවා. ක්ෂේත්රය තුළ පාරිභෝගික ප්රතිලාභ වැඩි විය. විශ්ලේෂණයෙන් පෙන්නුම් කළේ දෝෂ පන්තියේ සංවේදීතාව 61% ක් පමණක් වන අතර එයින් අදහස් කරන්නේ සෑම සත්ය දෝෂ 100 න් 39 ක්ම මග හැරී ඇති බවයි. බොහෝ රෙදි දැනටමත් දෝෂ රහිත බැවින් නිරවද්යතාවය ඉහළ මට්ටමක පැවතුනි. එළිපත්ත නැවත සකස් කර මානව පාලනය එකතු කරන ලදී; සංවේදීතාව 92% දක්වා වැඩි විය, ව්යාජ ධනාත්මක ක්රියාකරු විසින් ඉවත් කරන ලදී.
නඩුව 2 - ආලෝක මාරු කිරීම. එක් පේළියක, දහවල් හිරු එළිය පරීක්ෂණ ප්රදේශයට පහර දුන් විට ව්යාජ ධනාත්මක කරුණු තුන් ගුණයකින් වැඩි විය; නිරූපිකාව සිතුවේ සෙවනැලි පැල්ලම් බවයි. නැරඹුම් තත්ත්වය (සංවෘත කැබිනට්ටුව, නියත LED ආලෝකය) ප්රමිතිගත කළ විට ගැටළුව විසඳා ඇත. පාඩම: නිරූපණ සැකසුම ආකෘතියේ ගුණාත්මක භාවයට සමාන වේ.
නඩුව 3 - කාලය සහ ශ්රමය. ව්යාපාරයක් සාමාන්යයෙන් මිනිත්තු 9ක් රෙදි මීටර් 100ක් අතින් පරීක්ෂා කිරීමට වැය කළේය. කැමරා පෙර ස්කෑනිං + ක්රියාකරු තහවුරු කිරීමේ ආකෘතිය සමඟ, ක්රියාකරු සලකුණු කළ ප්රදේශවලට පමණක් අවධානය යොමු කළ නිසා කාලය විනාඩි 4 දක්වා අඩු වී කාන්දු වීම අඩු විය. තීරණාත්මක වූයේ ස්වයංක්රීයකරණය මුවහත් කළේ ක්රියාකරු නොව ක්රියාකරුගේ ඇසයි.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
සටහන: දෝෂ රූපය සෘජුවම විශ්ලේෂණය කරන කැපවූ පද්ධති වෙන්ව ඇත; මෙහිදී අපි ක්රියාවලි සැලසුම් කිරීම, දත්ත ඇගයීම සහ වාර්තාව සඳහා AI භාවිතා කරමු.
දුර්වල ක්ෂණික:
මට කියන්න, අපේ අඩුපාඩු හඳුනාගැනීමේ ආකෘතිය හොඳද?
බලවත් විමසුම:
ඔබේ කාර්යභාරය: රෙදිපිළි තත්ත්ව ඉංජිනේරු සහ දත්ත විශ්ලේෂක. දෝෂ හඳුනාගැනීමේ ආකෘතියේ පරීක්ෂණ ප්රතිඵල පහත දැක්වේ (ව්යාකූල න්යාසය: සත්ය ධනාත්මක, ව්යාජ ධනාත්මක, ව්යාජ සෘණ, සත්ය සෘණ). කාර්යය: 1) දෝෂ පන්තිය සඳහා සංවේදීතාව සහ නිරවද්යතාවය ගණනය කරන්න, සූත්රය පෙන්වන්න. මෙම නිෂ්පාදනය.4) එළිපත්ත සැකසීම සහ මානව පරීක්ෂාව සඳහා නිශ්චිත යෝජනාවක් දෙන්න.අංක: [matrix]
පිටපත් කළ හැකි සැකිලි
1) මෙට්රික් ගණනය කිරීම සහ අර්ථ නිරූපණය:
පහත ව්යාකූල න්යාසයෙන් සංවේදිතාව, නිරවද්යතාවය සහ F1 ලකුණු ගණනය කරන්න, එක් එක් සූත්රය ලියා ගුණාත්මකභාවය අනුව වඩාත් තීරණාත්මක එක සාධාරණීකරණය කරන්න. අනුකෘතිය: [TP, FP, FN, TN]
2) ව්යාජ සෘණ මූල හේතුව:
පහත දැක්වෙන්නේ මඟ හැරුණු (ව්යාජ සෘණ) දෝෂ (දෝෂ වර්ගය, වර්ණය, ආලෝකය, වේගය) විශේෂාංග ලැයිස්තුවයි. පොදු රටා උපකල්පන ජනනය කර එක් එක් උපකල්පනය සඳහා සත්යාපන අත්හදා බැලීමක් යෝජනා කරන්න. දත්ත: [ලැයිස්තුව]
3) ලකුණු 4කට පරිවර්තනය:
පහත හඳුනාගැනීමේ ප්රතිදානය ලකුණු 4-ලක්ෂ්ය පද්ධතියකට පරිවර්තනය කරන්න: සෑම දෝෂයක්ම එහි දිග අනුව ලකුණු කරන්න, 100 m² සඳහා මුළු ලකුණු ගණනය කරන්න, [ඉදිරිපස] ලකුණු සමඟ සසඳා පිළිගැනීම/ප්රතික්ෂේප කිරීම නිර්දේශ කරන්න. දෝෂ ලැයිස්තුව: [ලැයිස්තුව]
4) පරීක්ෂණ වාර්තා කෙටුම්පත:
පහත දැක්වෙන මාරුවීම් දෝෂ දත්ත වලින් විධායක සාරාංශයක් ලබා ගන්න: ඉහළ 3 දෝෂ, හැකි ක්රියාවලි මූලාශ්රය (උපකල්පනය), සම්පූර්ණ ප්රතික්ෂේප කිරීමේ අනුපාතය සහ නිර්දේශිත ක්රියා. ඉලක්කම් හදන්න එපා, දීලා තියෙන දේ පාවිච්චි කරන්න. දත්ත: [වගුව]
මෙට්රික් සංසන්දන සටහන
නිර්ණායකය
මොන මිනුම් දන්ඩ
උසස් වීම හොඳද?
ගුණාත්මක භාවයේ වැදගත්කම
නිරවද්යතාව
සමස්ත නිවැරදි අනුපාතය
නොමග යවන්න පුළුවන්
අසමතුලිත දත්ත අඩුයි
සංවේදීතාව (මතක් කිරීම)
සැබෑ දෝෂ අනුපාතය හසු විය
ඔව්
ව්යාජ සෘණ (විවේචනාත්මක)
නිරවද්යතාව
ඔබ කියන දෙයෙහි සත්යය දෝෂයකි
ඔව්
ව්යාජ ධනාත්මක / නාස්තිය අඩු කරයි
ව්යාජ සෘණ
දෝෂයෙන් ගැලවී ගියේය
නැත, එය අඩු විය යුතුය
පාරිභෝගිකයාට දෝෂ සහිත භාණ්ඩ ඇතිවීමේ අවදානම
ව්යාජ ධනාත්මක
හිස් එලාම්
නැත, නමුත් එය ඉවසා ඇත
කාර්යක්ෂමතාව/වේගය නැතිවීම
අවධානය: ස්වයංක්රීය පද්ධතිය යනු "පූර්ව තිර රචකයක්" මිස "අනුමත කරන්නෙකු" නොවේ. අවසාන තත්ත්ව පිළිගැනීමේ තීරණය සඳහා දක්ෂ තත්ත්ව නිලධාරියෙකුගේ අනුමැතිය අවශ්ය වේ, විශේෂයෙන් පාරිභෝගික කොන්ත්රාත්තුවට යටත් කණ්ඩායම් සඳහා. ආකෘතිය මානව පාලනය වේගවත් කරයි, නමුත් එය නිදහස් නොකරයි.
පොදු වැරදි
- ධර්මිෂ්ඨකම දෙස බලා තෘප්තිමත් වීමට. ඉහළ නිරවද්යතාව අසමතුලිත දත්තවල පුරාවස්තු සඟවයි.
- නැරඹීමේ තත්ත්වය නොසලකා හැරීම. නිරන්තර ආලෝකය සහ නිරන්තර වේගයකින් තොරව ආකෘතිය විශ්වාස කළ නොහැකිය.
- ලේබලයේ ගුණාත්මකභාවය පරීක්ෂා නොකරයි. වැරදි ලේබලය සමඟ පුහුණු කරන ලද ආකෘතිය වැරදි ලෙස ඉගෙන ගනී.
- නව ආකාරයේ අඩුපාඩු අමතක වීම. කාලයත් සමඟ දිස්වන නව දෝෂ සඳහා දත්ත යාවත්කාලීන නොකළහොත්, කාර්ය සාධනය නිශ්ශබ්දව පිරිහී යනු ඇත.
- මිනිසුන් කපා දැමීම. තීරණාත්මක පිළිගැනීමේ තීරණයට මානව අනුමැතිය අවශ්ය වේ.
සාරාංශයකින්
රූප සැකසීම රෙදි පරීක්ෂාව බෙහෙවින් වේගවත් කරන අතර මිනිස් තෙහෙට්ටුව සඳහා වන්දි ලබා දේ. නමුත් ඔහුගේ කාර්ය සාධනය කියවා ඇත්තේ නිරවද්යතාවයෙන් නොව, අඩුපාඩු පන්තියේ සංවේදීතාව සහ නිරවද්යතාවයෙනි; අසත්ය සෘණ යනු ගුණාත්මක භාවයේ භයානකම දෝෂයයි. ස්ථායී රූපකරණ තත්ත්වය, තත්ත්ව ලේබලය සහ මානව-පුඩුව පරීක්ෂාව පද්ධතියේ විශ්වසනීයත්වයේ කුළුණු තුනයි. ස්වයංක්රීය ප්රතිදානය ප්රාථමික පරීක්ෂාවකි; අවසාන පිළිගැනීමේ තීරණය ඉංජිනේරුවරයාගේ අනුමැතිය මත පවතී.
යෙදුම් කාර්යය
දෝෂ හඳුනාගැනීමේ පද්ධතියක් සඳහා උදාහරණ ව්යාකූල අනුකෘතියක් නිර්වචනය කරන්න (උදා: දෝෂ සහිත 100, පරිපූර්ණ සාම්පල 4900). මෙම ඒකකයේ "මිතික ගණනය" අච්චුව සමඟ සංවේදිතාව, නිරවද්යතාවය සහ F1 ගණනය කර ඇත; ඉන්පසු ප්රතිඵල අතින් පරීක්ෂා කරන්න. එකම න්යාසයේම ව්යාජ සෘණ අගය අඩකින් අඩු කිරීමට ඔබ එළිපත්ත වෙනස් කළ විට ව්යාජ ධනවලට කුමක් සිදුවේද යන්න ඡේදයකින් සාකච්ඡා කර ඔබේ නිෂ්පාදනයට සුදුසු ශේෂය තීරණය කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම කාර්ය සාධනය තක්සේරු කරන්නේ නිරවද්යතාවයෙන් නොව සංවේදීතාව / නිරවද්යතාවයෙන්.
- [ ] මම ව්යාපාරික බලපෑම සමඟ ව්යාජ නිෂේධනවල අවදානම අර්ථකථනය කරමි.
- [ ] මම බැලීමේ කොන්දේසි (ආලෝකය, වේගය) ප්රමිතිගත කළෙමි.
- [ ] මම නිතරම ලේබලයේ ගුණාත්මකභාවය සහ නව දෝෂ වර්ග පරීක්ෂා කරමි.
- [ ] මම අවසාන පිළිගැනීමේ තීරණයට මානව අනුමැතිය දෙමි; ආකෘතිය පෙර-සිෆ්ටර් පමණි.