神经网络如何执行缺陷分类和许多其他任务。
我们靠,或希望,依赖机器,尤其是电脑,做许多事情,从组织我们的照片我们的汽车停车。机器正变得越来越少,越来越多的“机械聪明。“机器学习已经成为一个熟悉的短语在先进制造许多人。下一个自然的人们可能会问的问题是:机器学习怎么样?
认识到不同的对象是情报的一个明确的指标。特定于半导体、识别各种类型的缺陷和分类是一个重要的任务,最初是完全由人类。渐渐地,这个分类过程是利用计算机程序自动运行不断变化的算法。今天,大多数这样的系统缺陷检测和分类的先进设施。
在机器学习被广泛使用之前,曾经有一段时间,系统设置是完全由人类完成的。了解情况后,通过观察和实验任务,工程师规则和实现他们作为计算机运行的程序。在这个实现场景中,机器不学习,只是不断重复这个过程编程,做决定基于嵌入规则。这是一个劳动密集型的方法从人类的分类器,提取规则创建编程逻辑来实现这些规则,并验证结果。有时候很难,或者不可能,翻译一个人类的决策过程,往往下意识地,成计算机语言。
后机器开始真正的“学习”,两种算法的目的分类:无监督和监督。
类定义通常是一个非常主观的过程。很难预计自然模式在每个集群的数据,提取的无监督方法,代表一个类一个人类。结果,这两种方法之间,监督分类,主要是用于今天。过多的这种“监督”的方法,基于神经网络算法无疑形成了一个超级明星,点亮了一个广泛的应用领域。
大多数为分类有一个多层前馈神经网络结构由back-propagating训练观察到输出的错误。换句话说,这是一个迭代过程,每次迭代之间试错元素包括调整之前,预期的结果是否得以实现。信号的输入,将通过网络得到的输出。因为这是一个监督过程中,相应的预期输出或输入的“标签”,并与实际的输出可用。初的训练过程,输出和标签通常是非常不同的。这种差异或错误,是“传播”向后从输出层网络的输入层。一路上,调整网络的参数,主要是在“权重的形式。“理想情况下,这些调整之后,相同的信号再经过网络和输出将小的区别。经过几次迭代处理运行在相同的标记样本集被用来训练网络,希望错误输出将最小化或消除。,当这一切发生的时候,这意味着网络将很少或根本没有把传入的误差样本到类,至少在样品池中发现用于培训。 Assuming the training samples are representative of the general image population, a properly trained machine learning model will produce the right label or classification on samples from outside the training pool as well.
作为总结,机器学习的训练与高质量的标签数据,体现目标类的一个好的表示。随后,什么决定了机器学习系统的可访问性是如何使它容易组织数据(缺陷图像,例如),预处理,标签,在一个好的格式从多样的色域,任何网络和网络训练有效地和有效地使用。像一个字符串连接所有的珠宝成一条项链,自动缺陷分类(ADC)被设计来促进所有这些步骤,以便用户可以通过整个长度的缺陷分类过程轻松。
|
|
|
|
|
|
|
|
|
|
留下一个回复