Formation et déploiement du dispositif d’Edge Learning
L’entraînement du dispositif d’Edge Learning est similaire à l’entraînement d’un nouvel employé sur la ligne.
Ce que l’utilisateur de l’Edge Learning doit savoir, ce n’est pas comment fonctionnent les systèmes de vision ou l’intelligence artificielle (IA), mais quel problème de classification ceux-ci doivent résoudre. Si cela est simple, par exemple en classant les pièces acceptables et inacceptables comme BONNES/MAUVAISES, l’utilisateur doit savoir quelles pièces sont acceptables et lesquelles ne le sont pas. Cela peut inclure des connaissances qui ne sont pas facilement apparentes, dérivées de tests sur toute la ligne, qui révèlent des défauts difficiles à détecter pour un humain. L’Edge Learning est particulièrement efficace pour déterminer quelles variations de la pièce sont significatives et quelles variations sont purement cosmétiques et n’affectent pas la fonctionnalité.
L’Edge Learning n’est pas limité à la classification binaire, mais peut classifier dans un nombre de catégories quelconque. Si les pièces doivent être triées en trois ou quatre catégories différentes, selon les composants ou les configurations, cela peut être déployé tout aussi facilement. L’Edge Learning est également capable d’attirer l’attention sur plusieurs régions d’intérêt dans l’image. En outre, plusieurs régions d’intérêt et plusieurs catégories peuvent bien entendu être gérées ensemble, comme dans l’exemple des classification ici (lien vers la page avec l’exemple des plateaux-repas surgelés).
Regardez ci-dessous un tutoriel étape par étape sur la façon de former et de déployer les outils d’Edge Learning.
