Outil d’analyse Rouge – Mode Supervisé

Lorsque l’outil d’analyse Rouge est en mode Supervisé, l’accent est mis sur l’apprentissage de l’apparence des défauts. Pendant le training, seules les images étiquetées sont prises en compte. Les images qui contiennent des zones de défauts étiquetés sont apprises pour assimiler les défauts. Par ailleurs, l’outil apprend également les parties des images étiquetées qui ne comportent pas de régions de défauts. En général, lorsque vous effectuez le training d’un outil d’analyse Rouge en mode Supervisé, vous entraînez l’outil à détecter et à gérer correctement les défauts. Par conséquent, la ligne directrice la plus importante pour l’étiquetage des images est la suivante : si une image est étiquetée comme contenant un défaut, tous les défauts de l’image doivent être étiquetés.

Lorsque vous qualifiez une image comme Bon (« good », qui ne contient aucune région de défaut) en mode Supervisé, l’outil utilisera également cette image pour le training. L’outil va tenter d’entraîner le réseau de sorte que les images étiquetées avec Bon ne génèrent aucune détection de défaut. En ajoutant des images étiquetées avec Bon (sans défaut) à votre Set de training, vous pouvez faciliter la validation des performances de l’outil en matière de classification des images.

Lors de la sélection des images, assurez-vous de disposer d’un set d’images de training qui comporte, non seulement, tous les défauts que vous vous attendez à rencontrer pendant la phase d’exécution, mais aussi des images sans défaut. Si vous n’avez pas appris à l’outil à quoi ressemble un défaut spécifique, l’outil ne pourra pas le détecter par la suite. Par exemple, si vous n’apprenez à l’outil que l’aspect spécifique des taches, l’outil ne pourra pas détecter les rayures.

En mode Supervisé, procédez comme suit pour le training :

Rassemblez des images qui comportent tous les défauts susceptibles d’être rencontrés.

Passez en revue chaque image de votre set d’images de training et étiquetez soigneusement les défauts.

Défaut	Label

Ajoutez plusieurs bonnes images et les étiqueter comme tel (« good »).
Lancez l’apprentissage de l’outil.

Validez les performances de l’outil en soumettant des images qui n’ont pas été utilisées pendant le training et qui contiennent des défauts, ainsi que des images sans défaut.

Marking de défaut