Denetimli mi denetimsiz muayene mi: hattınızın hangisine ihtiyacı var.

Denetimli ve denetimsiz muayene arasındaki fark nedir?

Denetimli muayene her iki sınıfın da etiketli örneklerinden öğrenir: bu görüntü hatasız, o görüntü kusurlu. Model o etiketleri yeniden üretmek üzere eğitilir, bu yüzden yalnızca eğitim sırasında gösterilen kusur türlerini tanıyabilir. Denetimsiz muayene yalnızca bir sınıftan, hatasız parçadan öğrenir ve o öğrenilmiş normalden yeterince uzağa sapan her şeyi, o arızayı daha önce görmüş olsun olmasın, bir kusur olarak ele alır.

Bu ayrım akademik değildir; hattın çalışabilmesi için ne kadar veri toplamanız gerektiğine karar verir. Denetimli, etiketli bir kusur kataloğu gerektirir. Tek-sınıf ya da anomali tespiti olarak da adlandırılan denetimsiz ise yalnızca bir dizi hatasız parça gerektirir. Hattınızın hangisine ihtiyacı olduğu tek bir soruda düğümlenir: denetimli öğrenmenin talep ettiği kusur örnekleri gerçekten elinizde var mı?

Etiketli kusur verisi gerçek bir hatta neden bu kadar pahalıya mal olur?

Etiketli kusur verisi pahalıdır çünkü kusurlar tasarım gereği nadirdir. Sağlıklı kalitede çalışan bir hat çok az hatalı parça üretir; bu yüzden bir denetimli modelin genelleme yapması için yeterli olan yüzlerce veya binlerce etiketli kusur görüntüsü toplamak, haftalarca veya aylarca çalıştırma, ayıklama ve elle etiketleme alabilir. Her yeni kusur türü toplamayı yeniden başlatır.

İkinci, yapısal bir sorun daha var: yalnızca zaten bildiğiniz kusurları etiketleyebilirsiniz. Çizik ve ezikler üzerinde eğitilmiş bir denetimli modelin, kısa dolum, kirlenme veya kimsenin kataloglamadığı ilk kez görülen kusur için bir temsili yoktur. O yeni kusur ortaya çıktığında, modelin onun için bir sınıfı yoktur ve onu hatasız olarak geçirme eğilimindedir. Yani denetimli verinin maliyeti size bilinen arızalarda kapsam sağlar ve bilinmeyenleri kapsanmamış bırakır.

Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir ve denetimsiz yolu izler: yalnızca hatasız parçalarla, yaklaşık 20 referans görüntüsünden eğitilir; böylece bir hat, muayene başlayabilmeden önce bir kusur kütüphanesi biriktirmek zorunda kalmaz.

Denetimsiz muayene ne zaman kazanır?

Denetimsiz muayene, kusurlar nadir, değişken veya önceden bilinmeyen olduğunda kazanır. Model, sabit bir kusur sınıfları listesi yerine normalin sınırını öğrendiği için, sapmanın kendisini işaretler; ilk kez görülen veya tek seferlik bir kusurun tam olarak olduğu şey de budur. Bunun ardındaki mekanizma, yani sapma skorlamasının hatasızdan uzaklığı nasıl bir red sinyaline çevirdiği, hiç görülmemiş bir kusuru işaretlemek yazısında ortaya konur. Bu; olası arızalar kataloğunun açık olduğu ve kimsenin önceden sıralayamadığı yüzey kusuru, kirlenme ve anomali işlerinin çoğunu kapsar; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların ölçmek için kurulduğu yalnızca hatasız parçayla çalışma ortamıdır.

Ayrıca zaman çizelgesini de daraltır. Yalnızca hatasız parçalarla eğitim, kusur toplama aşamasını tamamen ortadan kaldırır; böylece kurulum, hatalı parça biriktirmek için hattı haftalarca çalıştırmak yerine yaklaşık 20 temsili hatasız görüntü yakalamak ve modeli eğitmek meselesidir. Parçaları sık değiştiren veya kusur stoklamayı kaldıramayan bir tesis için belirleyici etken budur.

Denetimli sınıflandırma hâlâ ne zaman uyar?

Denetimli sınıflandırma, küçük, iyi tanımlanmış ve kapalı bir sınıf kümesine ve her birinden yeterli örneğe sahip olduğunuzda hâlâ uyar. Bir parçayı bilinen birkaç varyanttan birine ayırmak, bir kusuru adlandırılmış şiddet sınıflarına derecelendirmek veya sabit bir kategori kümesini okumak; sınıfların istikrarlı ve tekrarlanabilir olduğu, dolayısıyla etiketlemenin sonlu ve değerli olduğu işlerdir. Aynı birkaç kusur türü sürekli tekrar ediyorsa ve onları toplayabiliyorsanız, bir denetimli model onları hassas biçimde sınıflandırabilir.

İki yaklaşım birbirini dışlamaz. Pratik bir hat çoğu zaman anormal olan her şeyi yakalamak için denetimsiz anomali tespitini çalıştırır, ardından önemli olan belirli durumları ayırmak veya derecelendirmek için denetimli ya da klasik bir adım uygular. Aşağıdaki tablo seçimi, teknoloji etiketine göre değil, elinizdeki veriye göre çerçeveler.

Hattınız için nasıl seçersiniz?

Hangi yöntemin daha gelişmiş göründüğüne göre değil, elinizdeki veriye göre seçin. Kusurlarınız nadir, değişken veya tam olarak bilinmiyorsa ve gerçekçi biçimde etiketli bir kusur kütüphanesi toplayamıyorsanız, denetimsiz muayene uyar: yaklaşık 20 hatasız parçadan başlar ve hiç kataloglamadığınız sapmaları yakalar. Göreviniz küçük, iyi tanımlanmış ve tekrarlanabilir bir sınıf kümesini ayırmaksa ve her birinden örnek toplayabiliyorsanız, denetimli sınıflandırma yerini hak eder.

Çoğu hat, temel katman olarak denetimsizde karar kılar çünkü nadir, ilk kez görülen kusur canı yakan kusurdur; kapalı bir sınıf kümesinin etiketlemeyi haklı çıkardığı yerde ise denetimli, hedefli bir eklenti olarak durur. Yaklaşık 20 hatasız görüntüden eğitimin mekaniği için, few-shot ve anomali muayenesi üzerine kardeş yazıya bakın. Daha geniş yöntem için, yapay zeka görsel muayenesi üzerine temel rehbere bakın; ve yaklaşımı bir üniteye ve montaja eşlemek için, sistem sayfasına bakın.