Analýza obrazu
Na ostrej fotografii môže systém prečítať typ aj výrobné číslo zariadenia. Odlesk, pohyb alebo poškodený štítok však môžu zakryť rozhodujúcu číslicu. Vyhodnotíme výsledky na snímkach z vašej prevádzky a navrhneme, kedy si aplikácia vypýta novú fotografiu.
Príklady použitia analýzy obrazu
Kontrola kvality
Rozpoznanie viditeľných chýb a odchýlok.
Čiarové kódy a štítky
Pri čitateľnom štítku porovnáme kód s evidenciou. Pri poškodenom znaku si pracovník môže vyžiadať ďalšiu snímku.
Text z dokladov
Prečítanie údajov z fotky dokladu.
Počítanie
Odhad počtu položiek na palete alebo v regáli.
Skúška pred nasadením
Do skúšky čítania textu z obrazu (OCR) vyberieme aj lesklé, pokrčené a slabo osvetlené štítky. Osobitne spočítame neprečítané snímky a prípady, v ktorých systém vrátil nesprávne číslo. Podľa výsledku zvolíme osvetlenie, výzvu na nové odfotenie alebo potvrdenie človekom.
Nečitateľné číslo na treťom štítku
V modelovom dopyte sa z dvoch fotografií dajú údaje prečítať, tretia potrebuje doplniť. Technik porovná nový záber s kartou zariadenia a potvrdí zhodu pred nacenením servisu.
Kontrola štítku pri výstupe z výrobnej linky
- 1
Snímka
Kamera nad linkou odfotí každý výrobok.
- 2
Rozpoznanie
Systém prečíta štítok a porovná ho so zákazkou.
- 3
Výsledok
Pri nezhode zastaví výrobok alebo upozorní obsluhu.
- 4
Záznam
Každá kontrola sa uloží so snímkou na dohľadanie.
Príklad z pracovného postupu
Na dopravníku prechádza jedna škatuľa cez päť po sebe idúcich záberov. Detekcia poskytne päť pozorovaní. Prevádzkový počet vyžaduje pravidlo pre sledovanie pohybu a jedno započítanie pri prejdení vybranou hranicou.
Ako výsledok overiť
Testovacie snímky oddelíme podľa série, pracoviska alebo obdobia. Tak sa do oboch množín nedostanú takmer totožné zábery jedného kusu.
Čo ukáže meranie na firemných vstupoch
Pri porovnaní dvoch modelov je dobré uchovať pôvodný vstup, jeho prípadnú transformáciu a cieľový výsledok oddelene. Dajú sa tak rozlíšiť chyby získania vstupu, chyby samotného modelu a chyby pri prevode jeho výstupu do formulára či hlasovej odpovede. Príklady majú zahŕňať aj situáciu, v ktorej človek potrebuje rozhodnutie odložiť a vyžiadať doplnenie.
Meranie priemeru doplníme o rozdelenie chýb podľa jazyka, kvality vstupu a typu údaja. Omyl v nezáväznom súhrne má inú cenu ako chybné číslo dokladu. Pri výbere riešenia preto vyčíslime aj počet prípadov určených na ľudskú kontrolu.
Výber skúšobných snímok pri vizuálnej kontrole
Pred hodnotením určte, či úlohou je nájsť predmet, ohraničiť poškodenie alebo potvrdiť čitateľnosť štítku. Tieto výsledky sa merajú odlišne. Skúšobné zábery majú pokrývať rôzne smeny, osvetlenie, uhly, pohyb a znečistenie. Viac záberov toho istého výrobku nemá nepozorovane skončiť na oboch stranách rozdelenia testu.
Pri výbere prahu spočítajte prehliadnuté chyby aj dobré kusy poslané pracovníkovi na kontrolu. Osobitne označte nehodnotiteľnú snímku, pri ktorej treba zopakovať záber. Tak možno posúdiť použiteľnosť na pracovisku spolu s časom kontroly a dostupnou kapacitou obsluhy.
Rozhodovacia hranica závisí od ceny vyradenia výrobku
Vizuálna kontrola môže dočasne vyradiť dobrý výrobok alebo prepustiť kus s chybou. Význam oboch omylov sa mení podľa ceny materiálu, neskoršej opraviteľnosti a možnosti manuálnej kontroly. Pri návrhu preto určujeme, ktoré chyby sú vôbec viditeľné zo zvolenej polohy kamery.
Môžeme vytvoriť pásmo pre neistý výsledok, ktoré obsluha skontroluje ručne. Pri jeho nastavení porovnáme počet takýchto kusov za smenu s kapacitou pracoviska a osobitne prejdeme prípady tesne na oboch hraniciach.
Otázky z praxe
Prečo je vysoká úspešnosť na snímkach z jednej zmeny zradná?
Susedné zábery môžu zachytávať rovnaký predmet, osvetlenie aj pozadie. Ak sa časť dostane do tréningu a časť do testu, úspech môže vypovedať hlavne o podobnosti záberov. Oddelené hodnotenie inej série, pracoviska alebo pracovnej zmeny ukáže rozdiel pri nových podmienkach.
Čím sa líši chyba pri počítaní od chyby pri detekcii?
Detektor môže predmet správne označiť na každej snímke a počítadlo ho aj tak započíta viackrát. Kontrolujeme preto nielen polohu značiek, ale aj udržanie identity medzi zábermi, smer pohybu a prejdenie počítacej hranice. Referenciou je skutočný počet fyzických kusov v uzavretom úseku.
Ako vybrať prah pre upozornenie na poškodenie?
Príliš nízky prah pošle na kontrolu veľa bezchybných kusov, príliš vysoký môže vynechať drobné poškodenie. Na označených výstupoch prepočítame oba typy chyby a čas dostupný pracovníkovi na ručnú kontrolu. Prah dohodneme podľa následku prehliadnutej chyby a možností kontroly na danom pracovisku.
Súvisiace stránky
-
Strojové učenie
Model strojového učenia môže triediť doklady alebo správy. Na označenej vzorke porovnáme chyby s ručným postupom a nastavíme, ktoré prípady preverí človek.
Otvoriť -
Umelá inteligencia
Kde sa vo firme hodí AI? Pozrite si triedenie dopytov, čítanie faktúr a vyhľadávanie v dokumentoch vrátane kontroly navrhnutých údajov.
Otvoriť -
Výroba
Riadenie zákazkovej výroby od kalkulácie po expedíciu. Prepojte výkresy, výdaj materiálu a výkazy práce s rozpočtom konkrétnej zákazky.
Otvoriť