Machine d'inspection par imagerie pour ceux qui ne font pas de leur mieux

Créez un modèle avec Microsoft lobe, exportez-le et exécutez SDTest en tant que frontal, c'est tout! C'est pourquoi j'ai essayé d'alimenter le jeu de données de détection d'anomalies MVTec vers le lobe. La détection d'anomalies a été inspirée par l'article de @ shinmura0. SDTest est sorti à peu près à la même époque, et j'ai senti que je pouvais développer une machine d'inspection d'images à faible coût, et tout mon historique de détection d'anomalies a commencé.

La méthode de @ daisukelab pour former un modèle d'une bonne manière en appliquant l'apprentissage à distance profond à l'ensemble de données de détection d'anomalies MVTec est également très utile. J'étais convaincu que si j'apprenais sur colab, je pourrais apprendre correctement même avec une machine faible, et si je le faisais bien, ce serait un niveau qui peut vraiment être utilisé sur le terrain, mais je pensais que le coût d'apprentissage était un peu élevé, ou c'était ennuyeux. J'ai fait.

Pendant ce temps, j'ai regardé la vidéo de démonstration de lobe, et c'est ça: bangbang: https://youtu.be/Mdcw3Sb98DA

Ce qui est étonnant, c'est que la création du modèle est totalement sans code. De plus, avec quelle précision, il est affiché de manière facile à comprendre, même au point où quelle image a une erreur d'inférence. Il est également bon de commencer à apprendre automatiquement sans utiliser le bouton d'apprentissage. Mieux encore, l'apprentissage supplémentaire est automatique. S'il y a: white_check_mark:, si c'est faux: no_entry: pour démarrer un apprentissage supplémentaire sans permission Exportez le modèle créé avec lobe-python


from lobe import ImageModel
from PIL import Image

model = ImageModel.load('path/to/exported/model')
img = Image.open('path/to/file.jpg')
result = model.predict(img)

Je peux déduire simplement en le faisant, alors j'ai essayé de me précipiter dans SDTest avec trop d'élan. lobe-python ne fonctionnait pas sur Python 3.6 sous Windows, j'ai donc recréé l'environnement en 3.7 avec Anaconda et ajusté la version des exigences SDTest.

###### Requirements with Version Specifiers ######
fbs[sentry] == 0.8.3
PyQt5 == 5.13.*
PyQtWebEngine == 5.13.*
PyInstaller == 3.4
tensorflow == 1.15.*
keras == 2.2.*

lobe prend également en charge Tensorflow-lite, qui fonctionne officiellement avec Raspberry Pi 4 (Pi3 semble fonctionner et parfois ne fonctionne pas). SDTest est également non officiel, mais Pi 4 fonctionnera.

Pour la coopération avec les robots et les automates, reportez-vous à src / main / python / model / servant_dobot.py dans la branche connect_to_dobot, et si vous communiquez avec la bibliothèque de sockets, les périphériques sont moins chers. Et c'est une machine d'inspection d'images polyvalente pour les personnes qui ne font pas de leur mieux.