X射線檢測(cè)和AI

優(yōu)化性能：軟件中的AI模塊詳解

AI學(xué)習(xí)過(guò)程

數(shù)據(jù)采集

機(jī)器學(xué)習(xí)過(guò)程

客戶測(cè)試

優(yōu)化軟件

在一家奶酪生產(chǎn)商的奶酪產(chǎn)品分類(lèi)應(yīng)用中，AI 軟件發(fā)揮了關(guān)鍵作用。該客戶面臨如下問(wèn)題：如何根據(jù)奶酪孔洞的數(shù)量、形狀、大小、分布和位置等因素，將奶酪分為成熟奶酪和未成熟奶酪。客戶一開(kāi)始使用一名人工檢驗(yàn)員，通過(guò)目視檢查大屏幕上的X射線圖像，對(duì)產(chǎn)品進(jìn)行人工評(píng)估。然而，鑒于產(chǎn)品本身的可變性和評(píng)估參數(shù)的復(fù)雜性，發(fā)現(xiàn)傳統(tǒng)的分析檢測(cè)方法不切實(shí)際。

為了應(yīng)對(duì)這一挑戰(zhàn)，我們對(duì)AI模塊進(jìn)行了訓(xùn)練，讓其模仿人類(lèi)操作員的角色，將奶酪分為五個(gè)不同的類(lèi)別。這些類(lèi)別為A1、A2和B（見(jiàn)下圖1），代表尚未成熟且需要更多時(shí)間成熟的奶酪；以及C和D（見(jiàn)下圖2），代表已完全成熟且可供食用的奶酪。

為了對(duì)人工智能算法進(jìn)行初步評(píng)估，總共分析了500塊奶酪。這500份奶酪樣本包含五個(gè)類(lèi)別(A1、A2、B、C、D)，每個(gè)類(lèi)別各100 份樣本。下表1列出了針對(duì)非常復(fù)雜的奶酪應(yīng)用進(jìn)行初步分類(lèi)測(cè)試的結(jié)果。

表1：使用500張圖像進(jìn)行初步評(píng)估，總誤差率為 1.2%。

一家烘焙食品生產(chǎn)商需要使用AI軟件對(duì)包裝中意式蛋糕的擺放位置進(jìn)行進(jìn)行分類(lèi)。該項(xiàng)目的目標(biāo)是識(shí)別出在紙盒內(nèi)旋轉(zhuǎn)90°的意式蛋糕，并判為不合格。由于產(chǎn)品具有不同的尺寸和形狀，傳統(tǒng)的方法并不可行，因?yàn)樗鼰o(wú)法考慮隨時(shí)間推移而觀察到的潛在變化。

為了應(yīng)對(duì)這一挑戰(zhàn)，我們對(duì)AI模型進(jìn)行了訓(xùn)練，其將產(chǎn)品分為兩類(lèi)："A" 代表不符合標(biāo)準(zhǔn)的產(chǎn)品（表示產(chǎn)品旋轉(zhuǎn)了 90°），"B" 代表符合標(biāo)準(zhǔn)的產(chǎn)品（表示產(chǎn)品在包裝盒中的擺放位置正確）。下面的圖3和圖4展示了客戶提供的圖像示例，在AI學(xué)習(xí)過(guò)程中采用了這些影像。

我們使用生產(chǎn)商提供的1,994張圖像對(duì)AI算法進(jìn)行了初步評(píng)估，并將結(jié)果匯總在下表2 中，顯示評(píng)估誤差率為0.11%。這一誤差率與生產(chǎn)線中0.10%的誤差率基本吻合。

表2：使用1,994張圖像進(jìn)行初步評(píng)估，總誤差率為 0.11%。

X射線和AI技術(shù)的應(yīng)用，在幫助意式蛋糕生產(chǎn)商縮短質(zhì)量控制和檢測(cè)時(shí)間方面發(fā)揮了關(guān)鍵作用。該技術(shù)可確保對(duì)產(chǎn)品質(zhì)量進(jìn)行有效且準(zhǔn)確的評(píng)估，保證產(chǎn)品在進(jìn)入市場(chǎng)時(shí)始終保持理想狀態(tài)，從而維護(hù)了品牌聲譽(yù)。