TL;DR
- هر محیط QC آزمایشگاهی و صنعتی یک گلوگاه مشترک دارد: شمارش دستی.
- چه سلول باشد،.
- چه ذرات یا کندی،.
چه اتفاقی افتاد
هر محیط QC آزمایشگاهی و صنعتی یک گلوگاه مشترک دارد: شمارش دستی. چه سلول باشد،.
چه ذرات یا کندی،. روش سنتی شامل ساعتها خیره شدن از طریق میکروسکوپ،.
کلیک کردن روی شمارنده دستی و مبارزه با خستگی چشم است. مشکل فقط زمان نیست، بلکه تغییرپذیری است.
دو تکنسین ممکن است به یک نمونه نگاه کنند و به دو عدد متفاوت برسند. در یک صنعت تنظیم شده، این ناهماهنگی یک ریسک عملیاتی است.
ها با حرکت از جدولهای دستی به خط لوله بینایی کامپیوتری خودکار،. میتوانند به یک فرآیند دیجیتالی استاندارد دست یابند.
من رودریگو سیلوا،. CIO در Nitro هستم،.
و اجرای این گردش کار با استفاده از Roboflow Rapid برای شمارش کونیدیا اخیراً بیش از 600 ساعت. در ماه صرفه جویی کرده است.
این فقط کاهش هزینه نیست. تمرکز تیم ما به جای تمرکز بر نوآوری، بازگشایی عظیمیاست کار تکراری.
در اینجا من نحوه ساخت راهحل خود را به اشتراک میگذارم،. و مراحلی را که باید برای ساختن راهحل خود برداریم.
نحوه کارکرد راهحل شمارش Conidia ما در اینجا نحوه ساختاردهی گردش کار شمارش کنیدیاهای سرتاسری برای اطمینان. از تجزیه و تحلیل هر صفحه با دقت و قابلیت ردیابی کامل است.
اکتساب داده فرآیند با دریافت صفحات حاوی مستعمرات آغاز میشود. هر نمونه با دقت مورد استفاده قرار میگیرد تا از یکپارچگی و شناسایی مناسب اطمینان حاصل شود.
و از همان مرحله اول یکپارچگی حفظ شود. این مرحله بسیار مهم است،.
زیرا پایه و اساس تجزیه و تحلیل دقیق و نتایج قابل اعتماد را در کل گردش کار ایجاد. میکند.
پس از دریافت نمونهها،. صفحات زیر میکروسکوپ قرار میگیرند،.
جایی که تصاویر با وضوح بالا ثبت میشوند. این مرحله برای اطمینان از اینکه دادههای بصری استفاده شده توسط سیستم واضح،.
دقیق و مناسب برای تجزیه و تحلیل دقیق هستند،. ضروری است.
کیفیت این تصاویر بهطور مستقیم بر عملکرد مدل هوش مصنوعی تأثیر میگذارد،. و این را به بخشی کلیدی از فرآیند تبدیل میکند.
بلع بدون درز از طریق Roboflow و Lovable پس از ثبت تصاویر،. آنها در راهحل هوش مصنوعی ما آپلود میشوند که با استفاده از Lovable توسعه یافته و.
توسط Roboflow طراحی شده است. این محیط یکپارچه به ما امکان میدهد تا تصاویر را بهطور کارآمد پردازش کنیم و از مدل.
های بینایی کامپیوتری آموزش دیده استفاده کنیم که بهطور خاص برای شناسایی و شمارش کندیها با دقت. بالا طراحی شده اند.
اتوماسیون در این مرحله بهطور قابل توجهی نیاز به مداخله دستی را کاهش میدهد و گردش کار. کلی را تسریع میکند.
مدل استنتاج مدل هوش مصنوعی هر تصویر را تجزیه و تحلیل میکند و نتایج کمیرا برمیگرداند که. نشاندهنده تعداد کندیهای شناساییشده در هر نمونه است.
این خروجی به سرعت و بهطور پیوسته تولید میشود و تضمین میکند که هر تحلیلی از. معیارهای یکسانی پیروی میکند و تفسیر ذهنی را حذف میکند.
را پایایی این نتایج یکی از مزیتهای اصلی به کارگیری هوش مصنوعی در این زمینه است. گیتهای کیفیت مبتنی بر دادهها بر اساس دادههای کمیو همسو با روششناسی تعیینشده ما،.
تصمیمیدر مورد تأیید یا رد محصول گرفته میشود. این مرحله تضمین میکند که همه نمونهها قبل از حرکت به جلو،.
استانداردهای کیفیت از پیش تعریف شده را برآورده میکنند. با ترکیب تجزیه و تحلیل خودکار با معیارهای ارزیابی ساختاریافته، فرآیند قویتر و قابل اعتمادتر میشود.
حلقه عملیاتی برای دقت این گردش کار سرتاسر نه تنها کارایی را افزایش میدهد،. بلکه سطح کیفیت ارائه شده به مشتریان را نیز بالا میبرد.
با به حداقل رساندن خطای انسانی،. استانداردسازی تجزیه و تحلیل،.
و اطمینان از تصمیمگیری مداوم،. میتوانیم محصولات قابل اعتمادتر و اعتماد بیشتری به نتایج خود ارائه دهیم.
در نهایت، این رویکرد تعهد ما به تعالی را تقویت میکند. توسط با ادغام بینایی کامپیوتر و هوش مصنوعی در عملیات خود،.
ما نه تنها فرآیندهای داخلی را بهینه میکنیم،. بلکه نتایج با کیفیت بالاتری را نیز ارائه میکنیم که مستقیماً به نفع مشتریان است.
پروژه خود را راه اندازی کنید با ایجاد یک پروژه جدید در داشبورد Roboflow خود شروع کنید. برای خودکار کردن شمارش، Object Detection را بهعنوان نوع پروژه خود انتخاب کنید.
تنظیمات پروژه خود را،. از جمله یک قرارداد نامگذاری واضح و قابلیت مشاهده،.
برای ایجاد پایه دیجیتالی برای مجموعه داده میکروسکوپی خود تعریف کنید. آپلود تصاویر با کیفیت بالا با آپلود تصاویر میکروسکوپ با کیفیت بالا بهطور مستقیم در پلت فرم Roboflow،.
مجموعه داده خود را پر کنید. برای شمارش خودکار، مدل شما به همان اندازه خوب است مانند پیکسلهایی که میبیند.
اطمینان حاصل کنید که آپلودهای شما شرایط واقعی آزمایشگاه شما را نشان میدهد،. از جمله تغییرات در نور،.
بزرگنمایی،. و چگالی کندیا.
هنگامیکه تصاویر شما آپلود شد،. فریمهای خود را در Roboflow Rapid دهی کنید تا فرآیند برچسب گذاری آغاز شود.
AnnotateLabel هر شی مورد نظر،. شناسایی تک تک کنیدیاها،.
تا به مدل آموزش داده شود که دقیقا چه چیزی را اولویتبندی کند و چه چیزی را. بهعنوان نویز پس زمینه نادیده بگیرد.
پس از برچسب گذاری،. یک بازبینی در سطح بالا انجام دهید تا از ثبات مطلق در مجموعه داده خود اطمینان حاصل کنید.
استاندارد کردن ی شما در حال حاضر بهترین دفاع در برابر رانش مدل است و پس از انتخاب. آموزش،.
بالاترین mAP ممکن را تضمین میکند. Train و DeployNow،.
«Review model» را انتخاب کنید تا به زیرساخت مدیریت شده Roboflow اجازه دهید کارهای سنگین را انجام دهد. پس از اتمام آموزش،.
مدل خود را فوراً بهعنوان یک نقطه پایانی API میزبانی شده یا یک محفظه لبه محلی مستقر کنید. تا شمارش کندیها شروع شود.
در تولید با یک خط کد. 6.
مدل را ارزیابی کنید عملکرد مدل خود را با بررسی ترازبندی جعبه مرزبندی دقیق،. تجزیه و تحلیل کنید که مدل چگونه کونیدیهای همپوشانی را کنترل میکند،.
و بررسی کنید که نمرات اطمینان شما کیفیت پیشبینی واقعی را نشان میدهد. 7.
بهبود مدل برای بهبود قابلیت اطمینان مدل خود،. موارد لبهای را که مدل در آن مشکل دارد را شناسایی کنید،.
آن تصاویر را به مجموعه داده خود برگردانید،. و ی خود را اصلاح کنید.
8. یک UIT سفارشی ایجاد کنید،.
سپس از Roboflow Inference API برای ساخت یک رابط سبک وزن استفاده کردیم - یک برنامه سفارشی در. Lovable.
کاربران میتوانند به راحتی یک اسلاید را آپلود کنند و بدون دست زدن به یک خط کد. یا ترک گردش کار آشنای خود،.
یک اسلاید را آپلود کنند و در عرض چند ثانیه یک حکم قبولی/مشکلی دریافت کنند. با Roboflow که ستون فقرات بینایی را ارائه میدهد و تجربه کاربر را به کار میگیرد،.
ما از اسلایدهای خام به یک ابزار شمارش آماده تولید در کسری از زمانی که برای انجام یک. واحد نیاز دارد،.
تبدیل شدیم. هفته بازرسیهای دستی.
آیا برای دیجیتالی کردن گردش کار QC خود آماده هستید؟ امروز به صورت رایگان مدل شمارش خود را روی Roboflow بسازید.
نوشته شده توسط رودریگو سیلوا.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.