OKAldatzen den argiztapena
Leiho batetik sartzen den pabiloiko argiak, zahartutako foku batek edo ontzi distiratsuetako islek irudia aldatzen dute, eta ikuskapenak akats gisa irakurtzen du.
Hasiera / Ikusmen artifiziala / Baztertze faltsuak
Gida · Kalitate-kontrola · Galera
Baztertze faltsuak ikusmen artifizialean: zergatik gertatzen diren eta nola murriztu
Baztertze faltsua ikusmen-sistemak txar gisa kanporatzen duen ontzi on bat da. Bakoitza botatzen edo berriro prozesatzen den produktua da, eta asko direnean, langileak exijentzia jaistea edo kamera deskonektatzea erabakitzen du, eta orduan txarrak ere pasatzen dira. Gida honetan nondik datozen eta nola murrizten diren azaltzen dugu.
Kausak
Nondik datozen baztertze faltsuak
Ia inoiz ez da «kamera». Kausa hauetako bat izan ohi da, edo batzuk aldi berean.
Ontzia ez da berdin iristen
Biratutako ontziak, modu irregularrean bereiziak edo zintan dardaraka: tresnak ontzia ez dagoen eremuan bilatzen du.
Tolerantzia zorrotzegiak
«Badaezpada» jarritako atalase batek hutsegite ez diren ontziaren aldakuntza normalak baztertzen ditu.
Formatuaren errezeta okerra
Formatu- edo zapore-aldaketa baten ondoren aurreko errezeta kargatuta geratzen da eta dena baztertuta ateratzen da.
Optika zikina edo desdoitua
Zipriztinak lentean edo babesean, edo dardararekin mugitu den kamera bat.
Tresna ez da egokia
Pieza batetik bestera aldatzen diren akatsak (forma, kolorea, gainazala) zailak dira arau finkoekin deskribatzen; hor hobeto egokitzen da deep learning.
Nola murrizten diren
Lehenik neurtu, gero doitu
Baztertze faltsuak ez dira konpontzen tolerantzia itsu-itsuan igota: horrela txarrak ere pasatzen dira. Baztertzez baztertze kamerak zer ikusi duen eta zergatik erabaki duen jakinda konpontzen dira.
- Baztertze bakoitzaren argazkia eta arrazoia gorde, eta galeria batean berrikusi
- Benetako baztertzeak faltsuetatik bereizi eta zer tresnak eragiten dituen ikusi
- Atalasea neurtutako balioekin doitu, ez intuizioarekin
- Argia eta ontziaren posizioa egonkortu softwarea ukitu aurretik
- Formatu bakoitzeko errezetak, erabiltzailearekin eta aldaketa bakoitzaren erregistroarekin
- Deep learning akatsa modu naturalean aldatzen den tokian
Benetako kasu bat
Galera −% 93 esnekien lerro batean
Brik-esnekien lerro batean, kodea OCRrekin irakurriz zegoen ala ez egiaztatu beharrean, eta ikuskapena baztertze bakoitzaren argazkiarekin doituz, galera baztertze faltsuengatiko % 0,13tik % 0,009ko galera osora pasatu zen tapoi-probarik gabe, ontzi txarrik pasatzen utzi gabe (kasua ikusi). Ez da lerro guztietarako promesa bat: bakoitza egoera desberdin batetik abiatzen da. Horregatik hasten gara neurtzen.
Kalkulatu zer galtzen duzun
TIVOX Insightek bi minutu inguruan ematen dizu zure lerroko baztertzeek urtean zenbat kostatzen dizuten estimazio bat.
Zure sistema berrikusten dugu
Zure baztertzeen argazkiekin, faltsuak zerk eragiten dituen eta zer zuzen daitekeen esaten dizugu, zure kameraren marka edozein dela ere.
Ikusi nola lan egiten den
TIVOX Sentinel PLUSen simulagailuan baztertzeen galeria eta tresna bakoitzaren atalaseak ikus ditzakezu.
Ohiko galderak
Zalantza ohikoenen erantzunak
Zer da baztertze faltsu bat ikusmen artifizialean?
Ikusmen-sistemak akastuntzat sailkatu eta kanporatzen duen ontzi edo pieza on bat da. Positibo faltsua ere deitzen zaio, sistemak existitzen ez den akats batean «positibo ematen» duelako.
Baztertze faltsuen zer ehuneko da normala?
Produktuaren, ikuskapenaren eta lantegi bakoitzaren exijentziaren araberakoa da; beraz, ez dago guztietarako balio duen zifrarik. Garrantzitsuena neurtzea da: baztertzeetatik zenbat diren benetakoak eta zenbat ez, eta zer tresnak eragiten dituen.
Tolerantzia igotzeak konpontzen du arazoa?
Itsu-itsuan, ez: baztertze faltsuak murrizten dira, baina ontzi txarrak pasatzen hasten dira. Tolerantzia baztertzeen neurtutako balioekin doitzen da, argia eta ontziaren posizioa egonkortu ondoren.
Beste marka bateko ikusmen-sistema bat berrikus dezakezue?
Bai. Baztertzeen eta ontzi onen argazkiekin, baztertze faltsuak zerk eragiten dituen eta zer zuzen daitekeen esaten dizugu, kameraren marka edozein dela ere.
Noiz komeni da deep learning?
Akatsa edo produktua pieza batetik bestera modu naturalean aldatzen direnean eta arau finkoekin deskribatzea zaila denean: gainazalak, zigiluak, forma irregularrak. Neurri eta irakurketa argietarako, tresna klasikoak azkarragoak eta doitzen errazagoak izan ohi dira.
Berrikuspena urrutitik, kosturik gabe
Zure kamerak ontzi onak botatzen ditu?
Bidal iezazkiguzu baztertzeen eta ontzi onen argazkiak. Baztertze faltsuak nondik datozen eta zer zuzen daitekeen esango dizugu.