Denetimsiz kusur tespiti: bir model hiç görmediği kusuru nasıl işaretler.

Yapay zeka muayeneye en sık yöneltilen itiraz haklı bir itirazdır: bir model hiç görmediği bir kusuru nasıl yakalayabilir? Örneklerden öğreniyorsa ve kusur örneklerin içinde yoksa, ona kör olması gerekir. Yanıt şudur: iyi kurulmuş bir muayene modeli kusurları zaten öğrenmez.

Model gerçekte ne öğrenir?

Normali öğrenir. Yaklaşık 20 hatasız parça gösterildiğinde model, hatasız bir parçanın doğal varyasyonu boyunca nasıl göründüğüne dair içsel bir resim kurar. Aranacak kusurları ezberlemez; "kabul edilebilir"in şeklini, dışında kalan her şey göze batacak kadar sıkı öğrenir.

Sapma skorlaması görülmemiş bir kusuru nasıl işaretler?

Çalışma anında her yeni parça bu öğrenilmiş normalle karşılaştırılır ve bir sapma skoru alır: iyi bir parçadan ne kadar uzakta durduğu. Bir çizik, bir eksik dolum, eksik bir bileşen; bunların hiçbiri eğitim setinde yoktu, ama her biri parçayı normalden uzaklaştırır ve bir eşik, bu uzaklığı PLC’ye giden bir geçti/kaldı sinyaline çevirir. Karar, bilinen kusurla eşleşme değil iyiden uzaklık olduğu için, kusurun daha önce görülmüş olması gerekmez. Kalıplama bunun en açık örneğidir: eksik baskı, çapak ve çöküntü, kataloglanmış kusurlar olarak değil, hatasız bir baskıdan uzaklık olarak kaydedilir; plastik enjeksiyonda yapay zeka ile kalite kontrol yazısının dayandığı nokta budur. Güvenin ve eşiğin nasıl çalıştığı için Yapay Zeka Görsel Muayene rehberine bakın.

Bilinen ve bilinmeyen kusurlarda kural tabanlı vs denetimsiz

İkinci satır tüm argümandır. Bir kural veya denetimli bir etiket yalnızca birinin önceden tanımladığını yakalayabilir; sapma skorlaması ise kimsenin öngörmediği kusuru yakalar; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların ölçmek için kurulduğu görevdir. Sabit bir kuralın hala daha iyi araç olduğu durumlar için kural tabanlı vs yapay zeka görüntü işleme yazısına bakın.

Sınırları neler ve kanıtlandı mı?

Anomali tespiti size bir parçanın saptığını söyler, her zaman nedenini değil; asıl kısıt ise aydınlatmadır: görüntüde hiç belirmeyen bir kusur skorlanamaz. Kesin, bilinen bir ölçüm için klasik bilgisayarlı görü daha iyidir; ünitenin ikisini birden çalıştırmasının nedeni de budur. Canlı bir kapak muayenesi hattında bu yaklaşım, parça başına yaklaşık 30 ms’de %0,69 yanlış-negatif oranıyla %99,65 F1-skoruna ulaştı. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir. Nerelere oturduğunu gerçek uygulamalarda görün.