Aller au contenu
English

Deux façons de trouver les dommages

  • Leçon 20
  • 35 min
  • Module 6 : Inspecter pour trouver les défauts

Où nous en sommes

Dans le module 5, nous avons détouré des objets avec des masques et mesuré la taille d'un dommage. La question principale de Hamid reste ouverte : cette bougie retournée est-elle vraiment endommagée? Dans cette leçon, nous comparons deux façons de répondre, comme une nouvelle employée d'entrepôt apprendrait : avec une liste de défauts connus ou beaucoup de bonnes bougies.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 20 sur 30 · IA de vision : voir, compter et inspecterDeux façons de trouver les dommages

Ce que vous saurez faire

Choisissez comment un inspecteur apprend à reconnaître les dommages. Les retours endommagés sont rares, et chaque dommage est un peu différent. La méthode habituelle, avec beaucoup d’exemples étiquetés de chaque type, pourrait donc ne pas fonctionner.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et vérifications de cette leçon. Il transforme les photos des retours en plongements et construit les deux inspecteurs. Il les compare ensuite selon l’AUROC et le coût par jour de Hamid. Ses cellules de préparation installent les paquets (avec PyTorch) et téléchargent les photos des retours. Aucune préparation locale n’est donc nécessaire. Environ 35 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 35 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

Rien pour cette leçon : le carnet fonctionne dans Colab, Kaggle ou Jupyter. La commande d’inspection du projet arrive dans Fixer les seuils avec l’entrepôt.

Le carnet a été testé avec Python 3.12, PyTorch 2.15.0, timm 1.0.31 et scikit-learn 1.9.1, dans Jupyter sur macOS (processeur d’un portable).

Comment une nouvelle employée apprend à repérer une mauvaise bougie

Section intitulée « Comment une nouvelle employée apprend à repérer une mauvaise bougie »

Imaginez une nouvelle employée dans l’entrepôt des retours de Hamid. Elle examine les lampions (bougies chauffe-plat) retournés et dit « bon » ou « endommagé ». Il y a deux façons de la former.

La première est un classeur de défauts. Hamid lui montre des photos de tous les types de dommages qu’il a vus. Il manque un morceau de cire, il y a une tache sombre, une mèche pliée, un emballage écrasé. Elle apprend chaque défaut à partir de ses photos. Le premier jour, elle compare chaque bougie au classeur.

La deuxième est beaucoup de bonnes bougies. Hamid lui donne un carton de bons lampions et dit : « Regardez-les toute la semaine. Apprenez à reconnaître ce qui est normal. » Après une semaine, elle connaît la cire lisse, la mèche droite et le bord propre. Tout ce qui semble « différent » attire alors son attention, même un défaut absent du classeur.

Les deux façons fonctionnent, et chacune échoue à sa manière. L’employée avec le classeur manque un nouveau type de défaut. La deuxième s’arrête aussi sur des choses simplement inhabituelles : une bougie sous une autre lampe ou une nouvelle marque d’emballage. Dans cette leçon, nous construisons ces deux employées sous forme de modèles.

Le problème : les dommages sont rares et tous différents

Section intitulée « Le problème : les dommages sont rares et tous différents »

Le jeu de données des retours contient des photos de quatre lampions chacune, provenant du jeu de données d’inspection VisA. Voici une bonne photo et trois photos d’articles endommagés. Le cercle indique où se trouve le vrai dommage.

Quatre photos de quatre lampions blancs et ronds sur un tissu sombre. La première photo n'a pas de cercle. Dans la deuxième, un cercle orange indique le bord d'une bougie où il manque un morceau de cire. Dans la troisième, un cercle indique une minuscule tache sombre sur la cire. Dans la quatrième, un cercle indique une mèche pliée sur le côté.
Lampions retournés : bons; morceau de cire manquant; tache d'une autre couleur; mèche anormale (R-537618d9, R-b5ff2efe, R-2ede214f, R-b509f6f2). Photos : jeu de données VisA, Zou, Jeong, Pemula, Zhang et Dabeer (Amazon), CC BY 4.0, redimensionnées; cercles tracés par notre code à partir des masques de dommages.
Description textuelle du diagramme

Quatre photos sur une ligne (deux par deux sur un téléphone). Chaque photo montre quatre lampions ronds, vus de dessus, sur un tissu brun foncé. La première photo montre un bon article. Dans la deuxième, un cercle orange entoure le bord d’une bougie où il manque un morceau de cire. Dans la troisième, le cercle entoure une tache sombre de quelques pixels sur la cire. Dans la quatrième, il entoure une mèche qui penche sur le côté. Sans les cercles, les dommages des troisième et quatrième photos sont difficiles à voir.

Deux faits sur ces photos déterminent comment nous pouvons construire un inspecteur.

Les dommages sont rares. Sur les 405 photos d’entraînement, seulement 25 montrent des dommages : environ 6 %. Les données de validation comptent 12 photos de dommages sur 112, et les données de test, 18 sur 218.

Les dommages sont variés. Les 25 photos d’entraînement avec dommages montrent sept types de dommages. Certains types n’ont que deux ou trois photos. La catégorie « mèche anormale » en a 3, et « surplus de cire dans la bougie » en a 2. Les données de test ont même une photo dont le dommage porte l’étiquette « autre » : aucune photo d’entraînement ne montre ce type. En pratique, Hamid rencontrera aussi des dommages que personne n’a encore photographiés.

Le classeur de défauts est donc mince. Il contient quelques photos de chaque défaut, et aucune du prochain nouveau défaut.

Méthode 1 : inspection supervisée, apprendre à partir des dommages étiquetés

Section intitulée « Méthode 1 : inspection supervisée, apprendre à partir des dommages étiquetés »

La première méthode est celle que vous connaissez du catalogue. Étiquetez chaque photo d’entraînement « bon » ou « endommagé », puis entraînez un classificateur avec ces étiquettes. C’est l’inspection supervisée : le modèle apprend à partir d’exemples dont les bonnes réponses sont connues.

Priya réutilise les plongements de Les plongements d’images. ResNet-18 transforme chaque photo des retours en 512 nombres. Une régression logistique apprend, à partir des 405 plongements d’entraînement, lesquels correspondent à des articles endommagés. Pour une nouvelle photo, le modèle produit une probabilité d’être « endommagé », de 0 à 1.

Un détail compte ici. Avec 380 bonnes photos et 25 photos de dommages, un modèle peut avoir raison dans 94 % des cas en déclarant tout bon. Priya donne donc à la classe endommagée le même poids total qu’à la bonne classe (class_weight="balanced" dans scikit-learn). Chaque photo de dommages compte alors environ 15 fois plus qu’une bonne photo.

Méthode 2 : détection d’anomalies, apprendre seulement à reconnaître les bons articles

Section intitulée « Méthode 2 : détection d’anomalies, apprendre seulement à reconnaître les bons articles »

La deuxième méthode est celle de l’employée avec son carton de bonnes bougies. Entraînez le modèle uniquement avec de bonnes photos. Pour une nouvelle photo, mesurez sa différence avec tous les bons articles que le modèle a vus. Une photo éloignée de toutes les bonnes photos montre probablement un article endommagé.

Le mot pour « différent de la normale » est anomalie. C’est donc l’inspection par détection d’anomalies. Elle produit un score d’anomalie : un nombre qui augmente quand la photo ressemble moins à une bonne bougie. Ce n’est pas une probabilité, et son échelle dépend de la méthode. Un score de 0,3 peut être faible pour une méthode et élevé pour une autre.

Le score d’anomalie le plus simple utilise les mêmes plongements. Pour une nouvelle photo, trouvez la bonne photo d’entraînement la plus semblable. Prenez ensuite la distance entre elles : 1 moins leur similarité cosinus. Une bonne photo a une quasi-jumelle parmi les 380 bonnes photos, donc son score est faible. C’est la distance au plus proche voisin de Loin des voisins : la distance kNN du cours Détection d’anomalies : trouver ce qui est inhabituel, cette fois avec des photos.

Deux colonnes. Inspection supervisée, en bleu : apprend avec de bonnes photos et des photos de dommages étiquetées (380 bonnes et 25 endommagées). Un classificateur apprend la différence. Il indique « endommagé » avec une probabilité et trouve les dommages semblables aux exemples. Il manque un nouveau type de dommage et exige beaucoup d'exemples endommagés. Inspection par détection d'anomalies, en orange : apprend seulement avec de bonnes photos (380 bonnes). Elle garde en mémoire l'apparence des bonnes bougies. Elle indique la différence avec les bons articles grâce à un score d'anomalie. Elle trouve tout type de dommage et signale aussi un nouvel éclairage ou une nouvelle caméra.
Inspection supervisée et inspection par détection d'anomalies côte à côte : exemples utilisés, apprentissage, réponse et limites de chacune.
Description textuelle du diagramme

Le diagramme comporte deux colonnes. La colonne de gauche, « Inspection supervisée », contient trois encadrés reliés par des flèches. Premier : elle apprend avec de bonnes photos et des photos de dommages étiquetées, 380 bonnes et 25 endommagées. Deuxième : un classificateur apprend la différence entre les deux. Troisième : elle indique « endommagé » avec une probabilité et trouve les dommages semblables aux exemples. Sous la colonne : elle manque un nouveau type de dommage et exige beaucoup d’exemples endommagés. La colonne de droite, « Inspection par détection d’anomalies », contient aussi trois encadrés. Premier : elle apprend seulement avec de bonnes photos, 380 bonnes. Deuxième : une mémoire de l’apparence des bonnes bougies. Troisième : elle indique à quel point la photo diffère des bons articles, sous forme de score d’anomalie. Sous la colonne : elle trouve tout type de dommage et signale aussi un nouvel éclairage ou une nouvelle caméra.

Un petit exemple : la mèche pliée que le classeur a manquée

Section intitulée « Un petit exemple : la mèche pliée que le classeur a manquée »

Voici chaque méthode avec deux nombres par photo plutôt que 512, pour que vous puissiez suivre chaque étape. Imaginez que les nombres représentent « l’uniformité de la cire » et « la rectitude de la mèche », chacun de 0 à 1.

Photo Uniformité de la cire Rectitude de la mèche Étiquette
G1 0,90 0,90 bon
G2 0,85 0,95 bon
G3 0,95 0,85 bon
D1 0,30 0,90 endommagé (morceau de cire manquant)

Le modèle supervisé voit un exemple endommagé. Il apprend une règle qui sépare D1 des bonnes photos : « une uniformité de cire sous 0,6 signifie endommagé ». Le modèle d’anomalies ignore D1 et garde seulement G1, G2 et G3.

Deux nouvelles photos arrivent : N1 est une bonne bougie à (0,88, 0,90), et N2 a une mèche pliée à (0,90, 0,40).

Nouvelle photo Règle supervisée Distance à la bonne photo la plus proche Score d’anomalie
N1 (bon) uniformité 0,88, donc « bon » vers G1 : √(0,02² + 0,00²) = 0,02 0,02 : faible
N2 (mèche pliée) uniformité 0,90, donc « bon » : manqué vers G3 : √(0,05² + 0,45²) = 0,45 0,45 : élevé

La règle supervisée regarde seulement la cire, parce que son seul exemple endommagé concernait la cire. Elle déclare bonne la bougie à mèche pliée. Le score d’anomalie ne sait pas ce qu’est un défaut de mèche. Il voit seulement que N2 est loin de chaque bonne photo, donc N2 se distingue.

Ce petit exemple montre aussi le coût de la méthode par détection d’anomalies. Une bonne bougie photographiée sous une lampe jaune s’éloignerait aussi de G1, G2 et G3, et obtiendrait un score élevé. Le modèle d’anomalies ne peut pas distinguer « endommagé » de « nouveau ». Le module 8 rencontre exactement ce problème avec une nouvelle caméra.

Les deux modèles donnent des types de nombres différents : une probabilité et une distance. Pour les comparer équitablement, il nous faut une mesure qui ne dépend pas de l’échelle.

AUROC : les dommages ont-ils un score plus élevé que les bons articles?

Section intitulée « AUROC : les dommages ont-ils un score plus élevé que les bons articles? »

Prenez au hasard une photo de dommages et une bonne photo. Un inspecteur utile donne le score le plus élevé à celle qui montre des dommages. L’AUROC mesure la fréquence de ce résultat, parmi toutes les paires composées d’une photo de dommages et d’une bonne photo. Le nom signifie « aire sous la courbe ROC », une courbe de tous les seuils possibles. Le compromis entre précision et rappel, dans le cours d’apprentissage automatique, en trace une et appelle cette aire ROC AUC. Vous avez seulement besoin de l’idée des paires :

  • AUROC de 1,0 : chaque photo de dommages obtient un score supérieur à chaque bonne photo.
  • AUROC de 0,5 : un résultat au hasard. Le score ne sait rien.

Un petit exemple : 2 photos de dommages ont des scores de 0,8 et 0,4. Les 3 bonnes photos ont des scores de 0,1, 0,3 et 0,5. Il y a 2 × 3 = 6 paires. Le score de 0,8 dépasse les trois bons scores : 3 paires correctes. Le score de 0,4 dépasse 0,1 et 0,3, mais reste sous 0,5 : 2 paires correctes. Donc, 5 paires sur 6 sont correctes, et l’AUROC est de 5 ÷ 6 = 0,83.

L’AUROC ne dépend pas de l’endroit où nous plaçons un seuil. C’est donc une bonne première comparaison. Elle ne dit pas ce qu’un inspecteur coûte à Hamid.

L’utilitaire du cours compare.py transforme les scores en coûts pour Hamid. Il fixe deux seuils à partir des photos de validation. Sous un seuil, l’article est accepté. Au-dessus de l’autre, il est rejeté. Entre les deux, une personne le vérifie. Il évalue ensuite les photos de test avec ces seuils. Un article endommagé vendu comme neuf coûte 45 $ US. Un bon article envoyé au magasin de liquidation coûte 28 $ US, et une vérification coûte 0,50 $ US. Ce sont les hypothèses du cours. L’équipe peut faire 100 vérifications par jour. Fixer les seuils avec l’entrepôt explique les seuils. Dans cette leçon, nous les utilisons comme juge prêt à l’emploi.

Priya exécute les deux méthodes dans le carnet, sur les mêmes 218 photos de test. Le modèle supervisé :

from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(C=1.0, max_iter=5000, class_weight="balanced").fit(Xtr, dtr)
sup_val, sup_test = clf.predict_proba(Xval)[:, 1], clf.predict_proba(Xte)[:, 1]
print("AUROC on test:", cp.roc_auc(sup_test, dte))
AUROC on test: 0.914

Le score d’anomalie, à partir des bonnes photos d’entraînement seulement :

good = Xtr[~dtr]
anom_val, anom_test = 1 - (Xval @ good.T).max(1), 1 - (Xte @ good.T).max(1)
print("AUROC on test:", cp.roc_auc(anom_test, dte))
AUROC on test: 0.73

Puis le coût par jour de Hamid, avec les seuils choisis sur les données de validation :

supervised (ResNet-18 + logistic regression) cost 1106.4 a day | AUROC 0.914 | worst different colour spot 0.4
anomaly (nearest good photo) cost 1578.4 a day | AUROC 0.73 | worst damaged corner of packaging 0.0

« Worst » (pire) est le type de dommage que l’inspecteur détecte le moins souvent. Le modèle supervisé intercepte seulement 40 % des photos de « tache d’une autre couleur ». Le score d’anomalie n’intercepte aucune photo de « coin d’emballage endommagé ».

Coût par jour sur les 218 photos de test, à 600 retours par jour (hypothèses de coût du cours). Plus bas, c'est mieux.
Description textuelle du graphique

Un graphique à trois colonnes. Sans inspection : 2 229,4 $ US par jour. Score d’anomalie sur la photo entière : 1 578,4 $ US par jour. ResNet-18 supervisé avec régression logistique : 1 106,4 $ US par jour.

Les deux inspecteurs économisent de l’argent par rapport à l’absence d’inspection, où chaque retour endommagé est remis en vente : 2 229,4 $ US par jour. Ici, le modèle supervisé gagne clairement. Cela signifie-t-il que la méthode par détection d’anomalies est mauvaise?

Non. Notre score d’anomalie compare des photos entières. Le plongement condense quatre bougies et le tissu en 512 nombres. Un dommage est petit : le dommage médian couvre environ 64 pixels d’une photo de 224 × 224, qui compte 50 176 pixels. Cela représente environ 0,13 % de la photo. Une tache sombre aussi petite modifie à peine le plongement de la photo entière. La photo de dommages a donc encore une quasi-jumelle parmi les bonnes photos.

L’idée est bonne, mais l’unité est trop grande. L’employée avec son carton de bonnes bougies ne compare pas des plateaux entiers. Elle regarde chaque partie de chaque bougie. La prochaine leçon fait la même chose avec des fragments (patches) : de petits carrés de la photo, chacun comparé à de bons carrés. Sur les mêmes photos de test, cette méthode, PatchCore, coûte 368,8 $ US par jour.

Utilisez l’inspection supervisée quand vous avez beaucoup d’exemples étiquetés de chaque type de dommage, et que les types changent peu. Elle répond à la question « est-ce un des défauts que nous connaissons? », et sa probabilité est facile à expliquer. Elle exige le plus d’étiquettes : chaque nouveau type de dommage exige de nouvelles photos étiquetées. Et elle ne voit pas les dommages qu’elle n’a jamais vus.

Utilisez l’inspection par détection d’anomalies quand les dommages sont rares, variés ou nouveaux, et que les bons articles sont faciles à recueillir. Les bons retours de Hamid représentent 94 % des photos, donc les recueillir ne coûte presque rien. Il faut choisir soigneusement l’unité : des fragments, pas des photos entières. Et son score signale tout changement, comme un nouvel éclairage ou une nouvelle caméra. Chaque nouvelle « normale » doit entrer dans sa mémoire.

Beaucoup d’équipes utilisent les deux. Elles commencent par l’inspection par détection d’anomalies, car elle n’exige aucune étiquette de dommage. Des personnes vérifient les photos signalées, et les dommages étiquetés s’accumulent. Plus tard, un modèle supervisé peut apprendre les défauts courants, tandis que le score d’anomalie continue de surveiller les nouveaux.

Tomás demande : « Pourquoi ne pas demander à un modèle vision-langage si la bougie est endommagée? » Les modèles vision-langage lui répond dans le module 7.

Exercices guidés : les deux méthodes dans le carnet

Section intitulée « Exercices guidés : les deux méthodes dans le carnet »
  1. Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
  2. Exécutez les cellules de préparation. La cellule de données se termine par une ligne Ready: (prêt).
  3. Dans la section 1, exécutez la cellule. Vous voyez 380 bonnes photos et 25 photos de dommages pour l’entraînement, et quatre photos de dommages.
  4. Dans la section 2, exécutez la cellule des plongements. Vous voyez (405, 512) (112, 512) (218, 512).
  5. Dans la section 3, exécutez le modèle supervisé. Vous voyez AUROC on test: 0.914 (AUROC sur les données de test).
  6. Dans la section 4, écrivez votre prédiction, puis exécutez le score d’anomalie. Vous voyez AUROC on test: 0.73.
  7. Dans la section 5, exécutez la cellule de coût. Vous voyez 1106.4 et 1578.4 dollars par jour, puis le tableau du cours.
  8. Dans la section 6, écrivez l’AUROC du score d’anomalie dans anomaly_auc.
  9. Exécutez la cellule de vérification. Elle affiche Check passed (vérification réussie).
Afficher la réponse à l’étape 8
anomaly_auc = cp.roc_auc(anom_test, dte)
print(anomaly_auc)
0.73

La section 7 du carnet (notebook) Jupyter demande deux phrases pour Hamid : quelle méthode choisiriez-vous pour commencer, et que doit d’abord étiqueter son équipe? Utilisez les chiffres ci-dessus. Comparez ensuite avec notre réponse.

Afficher notre réponse

Commencez par la méthode de détection d’anomalies, car elle nécessite seulement des photos sans dommage. Elles représentent 94 % des retours. Attribuez un score aux petites parties de chaque photo, plutôt qu’à la photo entière. Le score de la photo entière manque les petits dommages (AUROC de 0,73). L’équipe de Hamid devrait d’abord étiqueter les photos que le système d’inspection envoie à une personne, en précisant le type de dommage. Ces étiquettes montrent où le système se trompe. Plus tard, elles pourront servir à entraîner un modèle supervisé pour les défauts courants.

Erreur courante

Une exactitude élevée qui ne détecte rien

Symptôme : Tomás entraîne un classificateur sur les retours et annonce « une exactitude de 91,7 % sur les photos de test ». Il est content.

Cause : les données de test contiennent 200 photos sans dommage et 18 photos avec dommages. Un modèle qui juge toutes les bougies intactes a raison 200 fois sur 218 : 91,7 %. Il ne détecte aucun dommage. Avec une classe rare, l’exactitude compte surtout les articles sans dommage.

Correction : comparez les systèmes d’inspection selon l’AUROC, qui examine seulement des paires comprenant une photo avec dommages et une sans dommage. Comparez ensuite le coût par jour, qui attribue un coût à chaque erreur. Pour le modèle « tout est intact », le coût par jour est le même que sans inspection : 2 229,4 $ US.

Conséquence pour le travail en IA : un modèle pour une classe rare, choisi selon l’exactitude, peut sembler excellent sans rien détecter. Le cours sur la détection d’anomalies montre le même piège avec les paiements, dans Pourquoi l’exactitude est trompeuse ici.

Vérifiez votre compréhension

L'équipe de Hamid a photographié 25 bougies endommagées et 380 bougies intactes. Le mois prochain, les emballages d'un nouveau fournisseur arrivent. Certains présentent une déchirure jamais vue auparavant. Quelle méthode d'inspection risque le plus de signaler les emballages déchirés, et pourquoi?

Afficher la réponse

La méthode de détection d’anomalies. Elle a seulement appris l’apparence des bougies et des emballages sans dommage. Tout ce qui s’en éloigne reçoit donc un score élevé, y compris un nouveau type de déchirure. Le modèle supervisé a appris la différence entre les photos sans dommage et les 25 photos avec dommages. Un emballage déchiré ne ressemble à aucun de ses exemples endommagés. Le modèle pourrait donc le juger intact. La méthode de détection d’anomalies pourrait aussi signaler les emballages intacts du nouveau fournisseur, car leur apparence est nouvelle. L’équipe de Hamid devrait vérifier ces signalements. Il faudrait aussi ajouter à la mémoire des photos des nouveaux emballages sans dommage.

Vérifiez votre compréhension

Deux photos avec dommages obtiennent des scores de 0,9 et de 0,2. Trois photos sans dommage obtiennent 0,1, 0,4 et 0,6. Quelle est l'AUROC? Ce système d'inspection est-il utile?

Afficher la réponse

Il y a 2 × 3 = 6 paires comprenant une photo avec dommages et une sans dommage. Le score de 0,9 dépasse les trois scores des photos sans dommage : 3 paires bien classées. Le score de 0,2 dépasse seulement 0,1 : 1 paire bien classée. Donc, 4 paires sur 6 sont bien classées, et l’AUROC est de 4 ÷ 6 = 0,67. C’est mieux qu’un tirage à pile ou face (0,5), mais faible. Une photo avec dommages obtient un score inférieur à celui de la plupart des photos sans dommage. Quel que soit le seuil, cette bougie endommagée sera acceptée, ou deux bougies intactes seront rejetées avec elle.

Vérifiez votre compréhension

Le score d'anomalie de la photo entière donne une AUROC de 0,73 sur les photos de test. Expliquez en deux phrases pourquoi il est faible et ce qui le rendrait plus performant.

Afficher la réponse

Le plongement décrit la photo entière, les quatre bougies et le tissu. Un dommage typique couvre seulement environ 0,13 % des pixels. Une photo avec dommages ressemble donc encore presque à une photo sans dommage. Comparer de petites parties de la photo, les fragments (patches), avec des parties sans dommage rendrait le score plus performant. Un fragment endommagé diffère beaucoup de chaque fragment sans dommage, même si la photo entière ne semble pas différente.

Récapitulatif

  • Les dommages sont rares : 25 des 405 photos d’entraînement. Ils sont variés : sept types, certains avec deux ou trois photos, et un type « autre » dans les données de test.
  • L’inspection supervisée apprend à partir de photos étiquetées, avec et sans dommages, et fournit une probabilité. Elle détecte les dommages semblables à ses exemples et manque les nouveaux types.
  • L’inspection par détection d’anomalies apprend seulement à partir de photos sans dommage. Elle fournit un score d’anomalie : l’écart entre une photo et les photos sans dommage. Elle signale tout type de dommage, mais aussi tout ce qui est nouveau.
  • L’AUROC mesure la fréquence à laquelle une photo avec dommages obtient un score supérieur à une photo sans dommage. Une valeur de 1,0 est parfaite; 0,5 équivaut à un tirage à pile ou face. Le coût par jour traduit les erreurs en dépenses pour Hamid.
  • Sur les photos de test : ResNet-18 supervisé donne une AUROC de 0,914 et un coût de 1 106,4 $ US par jour; le score d’anomalie de la photo entière, 0,73 et 1 578,4 $ US; sans inspection, 2 229,4 $ US.

Vous pouvez maintenant construire les deux types de systèmes d’inspection et les évaluer. Mais le score d’anomalie compare des photos entières, et une petite tache passe inaperçue. Ensuite, vous comparerez de petits fragments avec une mémoire de fragments sans dommage. Vous verrez où le modèle pense que les dommages se trouvent.

Leçon suivante : L'inspection par détection d'anomalies