Entenda essas 5 Principais Métricas de Classificação de Deep Learning para Obter um Melhor Sucesso da Aplicação


A qualidade do produto é a força vital da maioria das empresas. Fazer a coisa certa todas as vezes leva à confiança do cliente, boca a boca positivo, menos recalls dispendiosos e, em última análise, a melhores resultados de negócios. Em uma fábrica ou linha de produção, contar com sistemas de visão em todas as etapas da produção é um dos melhores investimentos para entregar produtos de qualidade. Especificamente, ferramentas de deep learning, como um classificador, ajudam os fabricantes a identificar possíveis problemas de controle de qualidade na linha de produção para limitar as falhas gerais nos produtos acabados.

O classificador é uma importante ferramenta de inspeção porque não basta para a linha de produção apenas identificar defeitos ou peças danificadas e retirá-los da produção. Esses defeitos também devem ser classificados para que o sistema de inspeção possa identificar padrões para determinar se um defeito é um arranhão ou outro é um amassado, por exemplo. Classificações corretas dessas falhas de produção mantêm produtos ruins fora do mercado, enquanto previsões erradas mantêm produtos bons fora das prateleiras, paralisando a produção e aumentando os custos.

No mundo da Indústria 4.0, onde big data é crucial para o processo e controle de qualidade, ter as métricas corretas desses dados permite que as organizações entendam se suas inspeções de classificação de deep learning&nsbp;estão tendo um desempenho ideal. As aplicações de classificação contam com quatro resultados principais para gerar esses dados:

  • Verdadeiro positivo: A verdade fundamental é positiva e a classe prevista também é positiva
  • Falso positivo: A verdade fundamental é negativa e a classe prevista é positiva
  • Verdadeiro negativo: A verdade fundamental é negativa e a classe prevista é negativa
  • Falso negativo: A verdade fundamental é positiva e a classe prevista é negativa

A verdade fundamental é o resultado real da inspeção, como a identificação de um amassado no para-choque de um automóvel. Os desenvolvedores e engenheiros desejam aprimorar suas aplicações de deep learning&nsbp;para prever e classificar os defeitos corretamente, por exemplo, para corresponder ao defeito verdadeiro encontrado na peça real.

Existem várias métricas que as organizações podem usar para medir o sucesso de sua aplicação de classificação, mas aqui está uma olhada em cinco delas.

Taxas de precisão e erro

A métrica mais comumente usada nas aplicações de manufatura com deep learning é a precisão da Classificação, devido à sua simplicidade e eficácia em transmitir a mensagem subjacente em um único número. As taxas de erro são um complemento digno à precisão.

Essas são as métricas mais fundamentais porque identificam a eficácia essencial de uma aplicação de deep learning.

A fórmula para medir a precisão em inspeções de deep learning

A precisão da medição é relativamente simples: divida o número de previsões corretas pelo número total de previsões feitas. A taxa de erro é o número de previsões incorretas dividido pelo número total de previsões.

É importante notar, para aplicações de classificação, que as previsões corretas incluem todos os resultados positivos e negativos verdadeiros.

Taxa de escape

A fórmula para medir a taxa de escape em inspeções de deep learning

Uma aplicação de classificação que prevê incorretamente uma peça com defeito como se fosse boa é conhecida como Escape. Permitir que produtos danificados ou defeituosos “escapem” ipara o mercado sem serem detectados coloca em risco a reputação da empresa por produtos de qualidade. Além disso, os recalls desses produtos escapados podem custar milhões de dólares.

A taxa de escape é medida dividindo o número de falsos negativos pelo número total de previsões.

Taxa de exagero&nsbp;

A fórmula para medir a taxa de exagero em inspeções de deep learning

Uma aplicação de classificação que produz previsões de falsos positivos gera um exagero, o que significa que bons produtos ou peças sem defeitos são removidos por engano da linha de produção. As peças não defeituosas que são removidas da linha podem acabar como sucata ou serem retrabalhadas manualmente. Qualquer um dos resultados custa ao fabricante dinheiro adicional em peças e mão de obra.

A taxa de exagero é medida dividindo o número de falsos positivos pelo número total de previsões.

Precisão

A fórmula para medir a precisão em deep learning

A precisão responde às perguntas sobre qual proporção de previsões positivas estavam corretas Em outras palavras, a aplicação de classificação está prevendo a classe certa sem comprometer os falsos positivos?

Um valor de 1 indica que o modelo de classificação é muito bom em prever a classe certa, ao mesmo tempo em que atinge 0% de exagero. Um valor 0 indica que o modelo não é capaz de fazer o que deveria.

Pontuação F1

A fórmula para medir a Pontuação F1 em inspeções de deep learning

A Pontuação F1 é definida como a média harmônica de Precisão e Recuperação. É uma medida da precisão dos testes. O valor mais alto possível é 1, indicando precisão e recall perfeitos.

Conforme mencionado anteriormente, precisão é o número de resultados positivos identificados corretamente dividido pelo número de todos os resultados positivos, incluindo aqueles não identificados corretamente. Recall é o número de resultados positivos identificados corretamente dividido pelo número de todas as amostras que deveriam ter sido identificadas como positivas.

A Pontuação F1, então, é a porcentagem de previsões corretas geradas pela aplicação de classificação.

Medindo o que importa

Esses exemplos foram mantidos rudimentares por uma questão de simplicidade. Um algoritmo de deep learning do mundo real pode ter meia dúzia de classificações ou mais. Isso criaria uma matriz de confusão muito mais sofisticada. Existem também fórmulas mais complexas para avaliar o recall e a precisão dos algoritmos de aprendizagem, por exemplo.

Em última análise, essas métricas de classificação permitem que as empresas criem uma base de sucesso e apliquem mecanismos de pontuação, da mesma forma que os professores avaliam seus alunos. Com o tempo, os desenvolvedores de deep learning podem usar essas métricas para ajudar a ajustar suas aplicações e produzir avaliações muito mais precisas do que funciona e do que não funciona.

Quando se trata de automação industrial, os fabricantes precisam entender melhor o que está funcionando e o que não funciona em relação às aplicações que implementaram. A escolha de quais métricas focar depende da linha de produção exclusiva de cada organização, dos problemas que estão tentando resolver e dos resultados de negócios que mais importam.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex