• Contatto vendite Cognex: 02 30578196

  • Contatti

Blog Cognex

Capire i 5 parametri principali di classificazione del deep learning per migliorare i successi dell'applicazione

La qualità del prodotto è la linfa vitale della maggior parte delle aziende. Raggiungerla in modo consistente e stabile contribuisce a sviluppare la fiducia dei clienti, il passaparola positivo, un minor numero di costosi richiami e, in definitiva, a migliori risultati aziendali. In uno stabilimento o in una linea di produzione, affidarsi ai sistemi di visione artificiale in ogni fase della produzione è uno dei migliori investimenti per fornire prodotti di qualità. In particolare, gli strumenti di deep learning come un classificatore, aiutano i produttori a individuare potenziali problemi di controllo della qualità sulla linea di produzione per limitare i difetti nei prodotti finiti.

Il classificatore è uno strumento di ispezione importante perché non è sufficiente che la linea di produzione individui soltanto i difetti o i componenti danneggiati e li ritiri dalla produzione. Occorre invece classificare questi difetti affinché il sistema d'ispezione possa individuare i modelli per determinare se ad esempio un difetto è un graffio o un altro è un'ammaccatura. Le classificazioni corrette di questi difetti di produzione tengono fuori dal mercato i prodotti non conformi, mentre le previsioni errate tengono fuori dagli scaffali i prodotti buoni, impantanando la produzione e aumentando i costi.

Nel mondo dell’Industria 4.0, dove i big data sono cruciali per il controllo dei processi e della qualità, disporre dei parametri corretti derivati da questi dati consente alle organizzazioni di capire se le loro ispezioni di classificazione con deep learning stanno funzionando in modo ottimale. Le applicazioni di classificazione si basano su quattro risultati principali per generare questi dati:

  • Vero positivo: La ground truth è positiva e anche la classe prevista è positiva
  • Falso positivo: La ground truth è negativa e la classe prevista è positiva
  • Vero negativo: La conoscenza di prima mano è negativa e la classe prevista è negativa
  • Falso negativo: La conoscenza di prima mano è positiva e la classe prevista è negativa

La ground truth è il risultato effettivo dell'ispezione, come l'identificazione di un'ammaccatura sul paraurti di un'automobile. Gli sviluppatori e gli ingegneri vogliono affinare le loro applicazioni di deep learning per prevedere e classificare correttamente i difetti ad esempio per farli corrispondere al difetto della ground truth riscontrato sul componente effettivo.

Vi sono numerosi parametri che le organizzazioni possono utilizzare per misurare il successo della loro applicazione di classificazione, ma si riporta una panoramica di cinque di essi.

Precisione e tassi di errore

Il parametro utilizzato più comunemente nelle applicazioni di deep learning nella produzione è la precisione della classificazione in ragione della sua semplicità e della sua efficacia nel trasmettere il messaggio sottostante in un singolo numero. Il tasso di errore è un degno complemento della precisione.

Questi sono i parametri maggiormente fondamentali perché identificano l'efficacia essenziale di un'applicazione di deep learning.

La formula per la precisione della misurazione nelle ispezioni di deep learning

La precisione della misurazione è relativamente semplice: dividere il numero di previsioni corrette per il numero totale di previsioni effettuate. Il tasso di errore è il numero di previsioni errate diviso per il numero di previsioni totali.

Vale la pena notare, per le applicazioni di classificazione, che le previsioni corrette includono tutti i risultati veri positivi e veri negativi.

Escape rate

La formula per misurare l’escape rate nelle ispezioni di deep learning

Un'applicazione di classificazione che predice erroneamente un componente difettoso come conforme è nota come Escape. Consentire a prodotti danneggiati o difettosi di “sfuggire” nel mercato senza essere rilevati mette a rischio la reputazione di un'azienda in relazione a prodotti di qualità. Inoltre, i richiami di questi prodotti “sfuggiti” possono potenzialmente costare milioni di dollari.

L’Escape rate è misurato dividendo il numero di falsi negativi per il numero totale di previsioni.

Overkill rate 

La formula per misurare l’Overkill rate nelle ispezioni di deep learning

Un'applicazione di classificazione che produce previsioni di falsi positivi genera scarti in eccesso (overkill), il che significa che prodotti buoni o componenti senza difetti vengono erroneamente rimossi dalla linea di produzione. Le componenti non difettose che vengono rimosse dalla linea possono potenzialmente finire come scarti o essere rielaborati manualmente. Entrambe le azioni comportano per il produttore costi aggiuntivi sia in termini di componenti sia di manodopera.

L’overkill rate è misurato dividendo il numero di falsi positivi per il numero totale di previsioni.

Precisione

La formula per misurare la precisione nel deep learning

La precisione risponde alla domanda: quale proporzione di previsioni positive era corretta? In altre parole, l'applicazione di classificazione sta predicendo la classe corretta senza compromettere i falsi positivi?

Un valore di 1 indica che il modello di classificazione è molto buono nel predire la classe corretta, raggiungendo anche lo 0% di scarti in eccesso. Un valore 0 indica che il modello non è in grado di fare quello che dovrebbe.

Punteggio F1

La formula per misurare il punteggio F1 nelle ispezioni di deep learning

Il punteggio F1 è definito come la media armonica di precisione e richiamo. È una misura dell'accuratezza di un test Il valore più alto possibile è 1, che indica precisione e richiamo perfetti.

Come menzionato in precedenza, la precisione è il numero di risultati positivi individuati correttamente diviso per il numero di tutti i risultati positivi, compresi quelli non individuati correttamente. Il richiamo è il numero di risultati positivi individuati correttamente diviso per il numero di tutti i campioni che avrebbero dovuto essere individuati come positivi.

Il punteggio F1 corrisponde quindi alla percentuale di previsioni corrette generate dall'applicazione di classificazione.

Misurare quello che conta

Per semplicità questi esempi sono stati mantenuti rudimentali. Un algoritmo di deep learning utilizzato in condizioni reali potrebbe avere una mezza dozzina di classificazioni o più. Ciò creerebbe una matrice di confusione molto più sofisticata. Ci sono anche formule più complesse per valutare ad esempio il richiamo e la precisione degli algoritmi di apprendimento.

In definitiva questi parametri di classificazione consentono alle aziende di creare una baseline di successo e di applicare meccanismi di punteggio, proprio come gli insegnanti che valutano i loro studenti. Nel tempo gli sviluppatori di deep-learning possono utilizzare questi parametri per contribuire a mettere a punto le loro applicazioni e produrre valutazioni molto più precise di ciò che funziona e ciò che non funziona.

Quando si tratta di automazione industriale, i produttori necessitano di una migliore comprensione di ciò che funziona e non funziona rispetto alle applicazioni che hanno implementato. La scelta delle metriche sulle quali concentrarsi dipende dalla linea di produzione, unica di ogni organizzazione, dai problemi che si sta cercando di risolvere e dai risultati aziendali che più contano.

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI