Berapa banyak sampel cacat yang sebenarnya dibutuhkan?

Mengapa lima sudah cukup

Pelatihan dengan sedikit sampel mengekstraksi fitur multidimensi dan memberi bobot lebih besar pada fitur yang informatif. Alih-alih memperlihatkan setiap variasi cacat kepada model, model mempelajari apa yang membuat sebuah cacat berbeda.

Transfer learning memperkuat hal tersebut. Produk dengan material dan proses yang sama berbagi karakteristik yang sudah dipelajari, sehingga item baru hanya perlu mempelajari perbedaannya. Saat ini lebih dari 30 model telah kompatibel.

Saat satu gambar sudah cukup

Panel besar, bodi kendaraan, dan motor besar secara praktis tidak dapat dikirim ke kami, sehingga model dibangun dari satu sampel yang diambil di lokasi. Merancang pencitraan berdasarkan lini yang sebenarnya lebih akurat daripada memindahkan komponennya.

Saat sampel baik saja sudah cukup

Pelatihan one-class mempelajari distribusi komponen yang baik dan menandai apa pun yang berada di luarnya. Pendekatan ini berlaku jika produk masih terlalu baru untuk memiliki riwayat cacat, atau jika cacat sangat jarang sehingga pengumpulannya akan memakan waktu berbulan-bulan.

Jika Anda perlu mengklasifikasikan cacat berdasarkan jenis — karena setiap jenis memicu tindakan berbeda — Anda memang memerlukan sampel per jenis. Tetap sekitar lima untuk masing-masing.

Saat jawaban ini tidak berlaku

• Jika cacat juga tidak terlihat oleh manusia, optik lebih penting daripada jumlah sampel. Tidak ada algoritma yang dapat menilai apa yang gagal ditampilkan oleh pencahayaan dan lensa.
• Jika variasi antarkomponen baik melebihi cacat itu sendiri, standarnya harus didefinisikan terlebih dahulu. Hal ini dilakukan selama PoC.
• Jika standar inspeksi tidak pernah ditulis dan hanya ada dalam penilaian seorang inspektur, penilaian itu harus diubah menjadi data terlebih dahulu.

Apa saja yang dilakukan dalam PoC

• Konfirmasi komponen dan jenis cacat, lalu tandatangani NDA.
• Terima sampel atau gambar melalui jalur yang aman.
• Rancang konfigurasi optik dan lakukan pengambilan gambar.
• Latih model dan laporkan deteksi berlebih serta deteksi terlewat dalam bentuk confusion matrix.
• Sesuaikan kecepatan inspeksi dengan kecepatan lini dan perangkat keras Anda.