通常の画像の小さなセットは、画像入力、位置合わせ、画像変化、および候補方法の初期チェックをサポートできます。これは、実際の欠陥検出性能や完全な合格範囲を示す証拠としては不十分です。実際の欠陥のあるサンプルがなければ、欠陥が見落とされたという結論は未検証としてマークされたままになります。

通常のサンプルがサポートできるもの

フォーマット、シャープネス、照明、位置の変化、通常のテクスチャをチェックします。候補方式の誤警報は、提供された画像でも観察できます。これらの観察は、提供されたサンプルに当てはまります。これらは、すべての適合品目、バッチ、または生産期間の動作を直接確立するものではありません。

追加の入力が必要です

入力 目的
欠陥クラス、寸法および決定基準 何を検出する必要があるかを定義する
実際の欠陥サンプルと境界線サンプル 欠陥範囲と欠落を確認する
異なるバッチと通常のバリエーション 適合品の誤報チェック
使用できない画像と位置合わせ失敗サンプル レビューが必要な状態と失敗状態を定義する
独立した合格データと条件 指定された範囲の受入記録を作成します

通常のみのトレーニングでは欠陥テストの必要性がなくなるか

候補となる異常検出方法が主に正常なサンプルを使用してトレーニングされる場合でも、検出パフォーマンスを検証するには、ビジネス定義に一致する実際の欠陥と独立したデータが依然として必要です。合成欠陥は分析に役立ちます。実際の欠陥や現場の状態をすべて自動的に置き換えるものではありません。

不完全なデータから始める

まず、製品の種類、イメージング条件、パイロットの目的を制限します。サンプルギャップリスト、候補ルート、テスト計画を提供します。チェックした内容を未検証の範囲とは別に記録します。不足しているサンプルが提供された後、合格の結論を確立します。最初のデモンストレーションは、完全な検査に合格したことを示すものではありません。

関連サービス: ビジョンアルゴリズムとモデルエンジニアリング そして プロジェクトのお問い合わせ.