தரக் கட்டுப்பாடு மற்றும் குறைபாடு கண்டறிதல்: பட செயலாக்கம்

ஆதாயங்கள்:

• பட செயலாக்கம் மற்றும் இயந்திர கற்றல் மூலம் துணி மேற்பரப்பில் உள்ள குறைபாடுகள் எவ்வாறு கண்டறியப்பட்டு வகைப்படுத்தப்படுகின்றன என்பதை விளக்கும் திறன்.
• தவறான நேர்மறை/எதிர்மறை சமநிலை, 4-புள்ளி மதிப்பெண் முறை மற்றும் மாதிரி செயல்திறன் அளவீடுகளை விளக்கும் திறன்
• மனித ஆய்வு மற்றும் உடல் பரிசோதனை மூலம் தானியங்கி குறைபாடு கண்டறிதல் வெளியீட்டை சோதிக்கும் சரிபார்ப்பு அமைப்பை வடிவமைக்கும் திறன்

பல ஆண்டுகளாக, துணியின் தரக் கட்டுப்பாடு மனிதக் கண்ணையே நம்பியிருக்கிறது: ஒரு ஆபரேட்டர் ஒரு ஒளிரும் ஆய்வு மேசையில் மணிக்கணக்கில் துணியைப் பார்க்கிறார், அவர் பார்க்கும் குறைபாடுகளைக் குறிக்கிறார் மற்றும் ஸ்கோர் செய்கிறார். இந்த வேலை சோர்வு, அகநிலை, மற்றும் சோர்வு மற்றும் பிழை வாய்ப்பு உள்ளது; தொடக்கத்தில் இருப்பது போல் ஒரு மாற்றத்தின் முடிவில் கவனம் கூர்மையாக இருக்காது. கணினி பார்வை மற்றும் இயந்திர கற்றல் இந்த ஆய்வை தானியக்கமாக்குவதாக உறுதியளிக்கிறது: அதிவேக கேமரா துணியை ஸ்கேன் செய்து, நொடிகளில் குறைபாடுகளின் வடிவத்தைக் கண்டறிந்து வகைப்படுத்துகிறது. இந்த அமைப்பில், இந்த அமைப்பு எவ்வாறு செயல்படுகிறது, அது மதிப்பிடப்படும் அளவுகோல்கள் மற்றும் மனிதக் கட்டுப்பாடு ஏன் இன்றியமையாதது என்பதைப் பற்றி விவாதிப்போம்.

துணி குறைபாடுகள் மற்றும் ஆய்வு மொழி

தானியங்கு கண்டறிதலை புரிந்து கொள்ள, முதலில் குறைபாடுகளின் பெயரை அறிந்து கொள்வது அவசியம். நெய்த துணியில் உள்ள பொதுவான குறைபாடுகள்: வார்ப் உடைப்பு (நீள்வெட்டு நூல் இல்லாமை), வெஃப்ட் குறைபாடு/இடைமுகம் (குறுக்குக் கோடு), துளை, கறை, தடித்த/மெல்லிய இடம், வார்ப் பவுன்ஸ். பின்னப்பட்ட துணியில்: ஊசி குறி (நீள்வெட்டு கோடு, ஒரு ஊசி செயலிழப்பிலிருந்து), தவறான தையல், துளை, தடிமன் வேறுபாடு. அச்சிடுதல் மற்றும் சாயமிடுதல்: நிற வேறுபாடு, சுருக்கம் (சாயமிடுதல் ஒழுங்கின்மை), வழுக்குதல், தெறித்தல்.

ஆய்வு முடிவுகள் பெரும்பாலும் நான்கு-புள்ளி முறையைப் பயன்படுத்தி மதிப்பீடு செய்யப்படுகின்றன: ஒவ்வொரு குறைபாட்டிற்கும் அதன் நீளமான நீளத்தின்படி 1-4 புள்ளிகள் வழங்கப்படும் (எ.கா. 1 புள்ளி 8 செ.மீ., 15 செ.மீ.க்கு மேல் 4 புள்ளிகள்) மற்றும் 100 m²க்கு மொத்த மதிப்பெண் கணக்கிடப்படுகிறது. ஒரு வரம்பிற்குக் கீழே (எ.கா. 40 புள்ளிகள்/100 m²) "ஏற்றுக்கொள்ளுதல்" என்றும், மேலே "நிராகரித்தல்" என்றும் கருதப்படுகிறது. AI உடன் தானியங்கு ஸ்கோரிங் இந்த தரநிலையை பின்பற்ற வேண்டும்; அது அதன் சொந்த தன்னிச்சையான மதிப்பெண்ணை உருவாக்கக்கூடாது.

உதவிக்குறிப்பு: தானியங்கு அமைப்பின் வெளியீடு எப்போதும் நீங்கள் ஏற்றுக்கொள்ளப்பட்ட மதிப்பெண் தரநிலை (4-புள்ளி போன்றவை) மற்றும் கிளையன்ட் சகிப்புத்தன்மைக்கு மாற்றத்தக்கதாக இருக்க வேண்டும். "12 முரண்பாடுகளைக் கண்டறிந்த மாதிரி" மட்டும் வணிக முடிவை எடுக்காது; இது புள்ளிகளாகவும் முடிவுகளாகவும் மாற்றப்பட வேண்டும்.

தானியங்கு குறைபாடு கண்டறிதல் எவ்வாறு வேலை செய்கிறது?

நவீன அமைப்புகள் பெரும்பாலும் இரண்டு அணுகுமுறைகளையும் இணைக்கின்றன. மேற்பார்வையிடப்பட்ட வகைப்பாடு என்பது ஒரு செயற்கை நரம்பியல் வலையமைப்பு (குறிப்பாக படத்திற்கு பொருத்தமான கன்வல்யூஷனல் நியூரல் நெட்வொர்க், ஆங்கிலம் CNN) ஆயிரக்கணக்கான முன்னர் பெயரிடப்பட்ட குறைபாடு எடுத்துக்காட்டுகளுடன் பயிற்சியளிக்கப்பட்ட புதிய படம் மற்றும் அதன் வகைகளில் குறைபாடு உள்ளதா என்பதைக் கணிக்கும். மறுபுறம், ஒழுங்கின்மை கண்டறிதல், "சாதாரண" துணியைக் கற்றுக்கொள்கிறது மற்றும் இயல்பிலிருந்து விலகும் எதையும் குறைபாடு வேட்பாளர் எனக் குறிக்கிறது; இது அரிதான, இதுவரை கண்டிராத குறைபாடுகளுக்கு வேலை செய்கிறது, ஏனெனில் ஒவ்வொரு குறைபாடு வகையையும் முன்கூட்டியே லேபிளிட வேண்டிய அவசியமில்லை.

கணினியின் செயல்திறனை இரண்டு அடிப்படை அளவுகோல்களுடன் படிக்கிறோம். உணர்திறன் (நினைவூட்டல்): உண்மையான குறைபாடுகளில் எத்தனை சதவீதம் கண்டறியப்பட்டது? துல்லியம்: ஒரு குறை என்று அவர்கள் சொன்னதில் எத்தனை சதவீதம் உண்மையில் ஒரு குறைபாடு? இந்த இரண்டிற்கும் இடையே ஒரு சமநிலை உள்ளது. தவறான எதிர்மறை (குறைபாடு காணவில்லை) என்பது தவறான பொருட்கள் வாடிக்கையாளருக்கு வழங்கப்படுகின்றன; தவறான நேர்மறை (சரியானதை குறைபாடுடையதாகக் குறிப்பது) என்பது தேவையற்ற வீண் மற்றும் மந்தநிலை. தரம்-முக்கியமான பயன்பாட்டில், தவறான எதிர்மறைகளை குறைவாக வைத்திருக்க ஒரு வரம்பு பொதுவாக தேர்ந்தெடுக்கப்படுகிறது, அதே நேரத்தில் அதிகரித்த தவறான நேர்மறைகள் மனித ஆபரேட்டரால் விரைவான இரண்டாவது சோதனைக்கு உட்படுத்தப்படுகின்றன.

இங்கே ஒரு முக்கியமான பொறி உள்ளது: துல்லியம் மட்டுமே தவறாக வழிநடத்துகிறது. ஒரு உற்பத்தி வரிசையில், ஒருவேளை 2% துணி குறைபாடுடையதாக இருக்கலாம். எல்லாவற்றையும் "சரியானது" என்று அழைக்கும் ஒரு முட்டாள் மாதிரியானது 98% துல்லியத்தைப் புகாரளிக்கிறது, ஆனால் ஒரு குறையையும் பிடிக்காது. எனவே, சமநிலையற்ற தரவுகளில், குறைபாடு வகுப்பின் உணர்திறன் மற்றும் துல்லியம் கருதப்படுவதில்லை, ஆனால் துல்லியம்.

படிப்படியாக: கண்டறிதல் அமைப்பை மதிப்பீடு செய்தல்

1. பிரதிநிதி தரவுகளை சேகரிக்கவும். கணினி பார்க்கும் உண்மையான துணி வகைகளை (நிறம், அமைப்பு, விளக்குகள்) உள்ளடக்கிய படங்கள்; அரிதான குறைபாடுகள் உட்பட.
2. லேபிளின் தரத்தை சரிபார்க்கவும். பயிற்சி லேபிள்கள் தவறாக இருந்தால், மாதிரியும் தவறாகக் கற்றுக்கொள்கிறது; நிபுணர் கண் கொண்டு லேபிள்களை மாதிரியாக்கவும்.
3. உணர்திறன் / துல்லியத்தை அளவிடவும். குறைபாடு வகுப்பிற்கு தனித்தனியாக; பொதுவான துல்லியத்தை மட்டும் பார்க்க வேண்டாம்.
4. தவறான எதிர்மறைகளை ஆராயுங்கள். தவறவிட்ட குறைபாடுகளுக்கு பொதுவான அம்சம் (குறிப்பிட்ட நிறம், குறிப்பிட்ட ஒளி) உள்ளதா?
5. மனித-இன்-தி-லூப்பை அமைக்கவும். மாதிரி என்ன குறிக்கப்பட்டுள்ளது என்பதை ஆபரேட்டர் உறுதிப்படுத்தட்டும்; நிச்சயமற்றதை மக்களுக்கு வழிநடத்துங்கள்.
6. கண்காணித்து மீண்டும் பயிற்சியளிக்கவும். புதிய குறைபாடு வகைகள் தோன்றும்போது தரவுத்தொகுப்பைப் புதுப்பிக்கவும் (கருத்து சறுக்கல்).

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - தவறாக வழிநடத்தும் துல்லியம். "எங்கள் மாதிரி 97% துல்லியமானது" என்று ஒரு சப்ளையர் ஒரு சிஸ்டத்தை விற்றார். துறையில் வாடிக்கையாளர் வருமானம் அதிகரித்தது. குறைபாடு வகுப்பின் உணர்திறன் 61% மட்டுமே என்று பகுப்பாய்வு காட்டுகிறது, அதாவது ஒவ்வொரு 100 உண்மையான குறைபாடுகளில் 39 தவறவிட்டன. பெரும்பாலான துணி ஏற்கனவே குறைபாடற்றதாக இருந்ததால் துல்லியம் அதிகமாக இருந்தது. வாசல் மீண்டும் சரி செய்யப்பட்டது மற்றும் மனித கட்டுப்பாடு சேர்க்கப்பட்டது; உணர்திறன் 92% ஆக அதிகரித்தது, தவறான நேர்மறைகள் ஆபரேட்டரால் அகற்றப்பட்டன.

வழக்கு 2 - விளக்கு மாற்றம். ஒரு வரியில், பிற்பகல் சூரிய ஒளி ஆய்வுப் பகுதியைத் தாக்கும் போது தவறான நேர்மறைகள் மூன்று மடங்கு அதிகரித்தன; அந்த மாதிரி நிழல்கள் கறை என்று நினைத்தாள். பார்க்கும் நிலை (மூடிய அமைச்சரவை, நிலையான எல்.ஈ.டி விளக்குகள்) தரப்படுத்தப்பட்டபோது சிக்கல் தீர்க்கப்பட்டது. பாடம்: இமேஜிங் அமைப்பு மாதிரியைப் போலவே தரத்தையும் பற்றியது.

வழக்கு 3 - நேரம் மற்றும் உழைப்பு. ஒரு வணிகம் 100 மீட்டர் துணியை கைமுறையாக ஆய்வு செய்ய சராசரியாக 9 நிமிடங்கள் செலவழித்தது. கேமரா முன் ஸ்கேனிங் + ஆபரேட்டர் உறுதிப்படுத்தல் மாதிரியுடன், நேரம் 4 நிமிடங்களாக குறைக்கப்பட்டது மற்றும் கசிவு குறைக்கப்பட்டது, ஏனெனில் ஆபரேட்டர் குறிக்கப்பட்ட பகுதிகளுக்கு மட்டுமே கவனம் செலுத்தினார். முக்கியமான விஷயம் என்னவென்றால், ஆட்டோமேஷன் ஆபரேட்டரை அல்ல, ஆனால் ஆபரேட்டரின் கண்ணைக் கூர்மைப்படுத்தியது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

குறிப்பு: குறைபாடு படத்தை நேரடியாக பகுப்பாய்வு செய்யும் பிரத்யேக அமைப்புகள் தனித்தனியாக உள்ளன; இங்கே நாம் செயல்முறை வடிவமைப்பு, தரவு மதிப்பீடு மற்றும் அறிக்கைக்கு AI ஐப் பயன்படுத்துகிறோம்.

பலவீனமான உடனடி:

நம்ம குறை கண்டறிதல் மாதிரி நல்லா இருக்கா சொல்லுங்க.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: ஜவுளி தர பொறியாளர் மற்றும் தரவு ஆய்வாளர். குறைபாடு கண்டறிதல் மாதிரியின் சோதனை முடிவுகள் கீழே உள்ளன (குழப்பம் அணி: உண்மை நேர்மறை, தவறான நேர்மறை, தவறான எதிர்மறை, உண்மை எதிர்மறை). பணி: 1) குறைபாடு வகுப்பிற்கான உணர்திறன் மற்றும் துல்லியத்தைக் கணக்கிடவும், சூத்திரத்தைக் காட்டவும். இந்த உற்பத்தி.4) வாசல் அமைப்பு மற்றும் மனித ஆய்வுக்கான உறுதியான ஆலோசனையை வழங்கவும். எண்கள்: [மேட்ரிக்ஸ்]

நகலெடுக்கக்கூடிய வார்ப்புருக்கள்

1) மெட்ரிக் கணக்கீடு மற்றும் விளக்கம்:

பின்வரும் குழப்ப மேட்ரிக்ஸில் இருந்து உணர்திறன், துல்லியம் மற்றும் F1 மதிப்பெண்ணைக் கணக்கிட்டு, ஒவ்வொரு சூத்திரத்தையும் எழுதி, தரத்தின் அடிப்படையில் எது மிகவும் முக்கியமானது என்பதை நியாயப்படுத்தவும். மேட்ரிக்ஸ்: [TP, FP, FN, TN]

2) தவறான எதிர்மறை மூல காரணம்:

தவறவிட்ட (தவறான எதிர்மறை) குறைபாடுகளின் அம்சப் பட்டியல் கீழே உள்ளது (குறைபாடு வகை, நிறம், ஒளி, வேகம்). பொதுவான மாதிரி கருதுகோள்களை உருவாக்கி, ஒவ்வொரு கருதுகோளுக்கும் சரிபார்ப்பு சோதனையை முன்மொழியுங்கள். தரவு: [பட்டியல்]

3) 4-புள்ளி புள்ளிகளாக மாற்றுதல்:

பின்வரும் கண்டறிதல் வெளியீட்டை 4-புள்ளி அமைப்பாக மாற்றவும்: ஒவ்வொரு குறைபாட்டையும் அதன் நீளத்திற்கு ஏற்ப மதிப்பெண், 100 m²க்கு மொத்த மதிப்பெண்ணைக் கணக்கிட்டு, [threshold] மதிப்பெண்ணுடன் ஒப்பிட்டு, ஏற்றுக்கொள்ளல்/நிராகரிப்பைப் பரிந்துரைக்கவும். குறைபாடு பட்டியல்: [பட்டியல்]

4) ஆய்வு அறிக்கை வரைவு:

பின்வரும் ஷிப்ட் குறைபாடு தரவுகளிலிருந்து நிர்வாகச் சுருக்கத்தைப் பெறவும்: முதல் 3 குறைபாடுகள், சாத்தியமான செயல்முறை ஆதாரம் (கருதுகோள்), மொத்த நிராகரிப்பு விகிதம் மற்றும் பரிந்துரைக்கப்பட்ட செயல்கள். எண்களை உருவாக்க வேண்டாம், கொடுக்கப்பட்டதைப் பயன்படுத்தவும். தரவு: [அட்டவணை]

மெட்ரிக் ஒப்பீட்டு விளக்கப்படம்

அளவுகோல்

என்ன நடவடிக்கைகள்

உயர்வாக இருப்பது நல்லதா?

தரத்தில் முக்கியத்துவம்

துல்லியம்

மொத்தத்தில் சரியான விகிதம்

தவறாக வழிநடத்தலாம்

சமநிலையற்ற தரவு குறைவாக உள்ளது

உணர்திறன் (நினைவூட்டல்)

உண்மையான குறைபாடு விகிதம் பிடிக்கப்பட்டது

ஆம்

தவறான எதிர்மறையை குறைக்கிறது (முக்கியமானது)

துல்லியம்

நீங்கள் சொல்வதில் உண்மை ஒரு குறை

ஆம்

தவறான நேர்மறைகள்/விரயங்களை குறைக்கிறது

தவறான எதிர்மறை

குறையிலிருந்து தப்பினர்

இல்லை, அது குறைவாக இருக்க வேண்டும்

வாடிக்கையாளருக்கு தவறான பொருட்களின் ஆபத்து

தவறான நேர்மறை

வெற்று அலாரம்

இல்லை ஆனால் பொறுத்துக்கொள்ளப்படுகிறது

செயல்திறன்/வேக இழப்பு

கவனம்: தானியங்கு அமைப்பு "முன்-திரையிடல்", "அனுமதிப்பாளர்" அல்ல. இறுதித் தர ஏற்புத் தீர்மானத்திற்கு ஒரு திறமையான தர அதிகாரியின் ஒப்புதல் தேவை, குறிப்பாக வாடிக்கையாளர் ஒப்பந்தத்திற்கு உட்பட்ட தொகுதிகளுக்கு. மாதிரி மனித கட்டுப்பாட்டை துரிதப்படுத்துகிறது, ஆனால் அதற்கு விலக்கு அளிக்காது.

பொதுவான தவறுகள்

• நீதியைப் பார்த்து திருப்தி அடைய வேண்டும். உயர் துல்லியம் சமச்சீரற்ற தரவுகளில் கலைப்பொருட்களை மறைக்கிறது.
• பார்க்கும் நிலையை புறக்கணித்தல். நிலையான வெளிச்சம் மற்றும் நிலையான வேகம் இல்லாமல் மாதிரி நம்பமுடியாதது.
• லேபிளின் தரத்தை சரிபார்க்கவில்லை. தவறான லேபிளுடன் பயிற்சி பெற்ற மாதிரி தவறாகக் கற்றுக்கொள்கிறது.
• புதிய வகை குறைபாட்டை மறப்பது. காலப்போக்கில் தோன்றும் புதிய குறைபாடுகளுக்கு தரவு புதுப்பிக்கப்படாவிட்டால், செயல்திறன் அமைதியாகக் குறையும்.
• மக்களை வெட்டுவது. முக்கியமான ஏற்புத் தீர்மானத்திற்கு மனித ஒப்புதல் தேவை.

சுருக்கமாக

பட செயலாக்கம் துணி பரிசோதனையை பெரிதும் துரிதப்படுத்துகிறது மற்றும் மனித சோர்வை ஈடுசெய்கிறது. ஆனால் அவரது செயல்திறன் துல்லியத்துடன் அல்ல, ஆனால் குறைபாடு வகுப்பின் உணர்திறன் மற்றும் துல்லியத்துடன் படிக்கப்படுகிறது; தவறான எதிர்மறை என்பது தரத்தில் மிகவும் ஆபத்தான பிழை. நிலையான இமேஜிங் நிலை, தர முத்திரை மற்றும் மனித-இன்-தி-லூப் ஆய்வு ஆகியவை அமைப்பின் நம்பகத்தன்மையின் மூன்று தூண்கள். தானியங்கி வெளியீடு ஒரு பூர்வாங்க திரையிடல்; இறுதி ஏற்றுக்கொள்ளும் முடிவு பொறியாளரின் ஒப்புதலுடன் உள்ளது.

விண்ணப்ப பணி

குறைபாடு கண்டறிதல் அமைப்பிற்கான உதாரண குழப்ப மேட்ரிக்ஸை வரையறுக்கவும் (எ.கா. 100 குறைபாடுள்ள, 4900 சரியான மாதிரிகள்). இந்த அலகில் உள்ள "மெட்ரிக் கணக்கீடு" டெம்ப்ளேட்டுடன் உணர்திறன், துல்லியம் மற்றும் F1 ஆகியவற்றைக் கணக்கிட வேண்டும்; பின்னர் முடிவுகளை கைமுறையாக சரிபார்க்கவும். ஒரே மேட்ரிக்ஸில் தவறான எதிர்மறையை பாதியாகக் குறைக்கும் வாசலை மாற்றும்போது தவறான நேர்மறைகளுக்கு என்ன நடக்கும் என்பதை ஒரு பத்தியில் விவாதிக்கவும், மேலும் உங்கள் தயாரிப்புக்கு எந்த சமநிலை சரியானது என்பதைத் தீர்மானிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் செயல்திறனை உணர்திறன்/துல்லியமாக மதிப்பிடுகிறேன், துல்லியம் அல்ல.
• [ ] நான் வணிக தாக்கத்துடன் தவறான எதிர்மறைகளின் அபாயத்தை விளக்குகிறேன்.
• [ ] நான் பார்க்கும் நிலைமைகளை (ஒளி, வேகம்) தரப்படுத்தினேன்.
• [ ] லேபிள் தரம் மற்றும் புதிய குறைபாடு வகைகளை நான் அடிக்கடி சரிபார்க்கிறேன்.
• [ ] இறுதி ஏற்றுக்கொள்ளும் முடிவில் நான் மனித ஒப்புதலை வைக்கிறேன்; மாதிரி முன் சல்லடை மட்டுமே.