Detecção de defeitos industriais por frio: prática de engenharia para treinar um modelo com 99% de precisão usando três fotos

robot
Geração do resumo em andamento
AIMPACT mensagem, 29 de maio (UTC+8), fábricas de manufatura aeroespacial enfrentam o desafio do "cold start" em aprendizado de máquina: a linha de inspeção de qualidade recebe apenas 3 fotos de microfissuras térmicas em lâminas de turbina, mas é exigido um índice de precisão de 99%.
O aprendizado supervisionado padrão requer milhares de amostras rotuladas para treinamento, enquanto redes profundas tendem a sobreajustar ruídos de pixels, artefatos de fundo e outras características irrelevantes em pequenos conjuntos de dados.
Mesmo usando o modelo ResNet-50 pré-treinado no ImageNet, que foi projetado para reconhecer gatos e cães, ele não consegue diagnosticar efetivamente microfissuras na superfície de metais.
Este caso revela a típica dificuldade de dados escassos no aprendizado de máquina de produção — quando há poucos exemplos de defeitos, estratégias tradicionais de transferência de aprendizado muitas vezes falham, podendo levar à saída de peças defeituosas em massa na linha de produção, resultando em desperdício significativo de materiais e riscos de falhas downstream.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
  • Recompensa
  • 2
  • 2
  • Compartilhar
Comentário
Adicionar um comentário
Adicionar um comentário
Lemon-FlavoredLiquidation
· 30m atrás
99% de precisão × 3 amostras = misticismo, o intervalo de confiança pode ser tão amplo quanto o Oceano Pacífico
Ver originalResponder0
BlueGlassJelly
· 43m atrás
O núcleo do fracasso do aprendizado por transferência: imagens naturais e estruturas microscópicas simplesmente não seguem a mesma distribuição
Ver originalResponder0
  • Fixado