Spark 是否會自動從每次檢查中學習？

此工作流程使用經過審查的範例和有意的培訓變更。不要假設運行更多部件會自動更新模型。決定哪些圖像屬於訓練，確認其標籤，並在用於生產之前評估更改的檢查。

新增範例可以減少錯誤拒絕嗎？

當模型沒有看到有效的生產外觀時，它會有所幫助。首先檢查影像、對準、檢查區域和驗收規則。額外的訓練並不能解決所有原因，其效果需要在單獨的樣本上進行測量。

Sparky 支援有關庫中影像和結果的問題。審查這些捕獲以及物理部分和過程以調查故障。您的團隊決定更改哪些內容並檢查結果。

儲存代表性圖像，同意正確的標籤，並檢查所選檢測工具是否可以看到缺陷。更新相關的訓練或配置，然後評估新的缺陷和先前測試的案例。確切的方法取決於所使用的工具。

OV Spark

使用相機上已儲存的影像使重新訓練變得更加容易。查看庫中保存的圖像和結果，以查找具有代表性的生產範例。您的團隊選擇範例、更正標籤、重新培訓支援的工具並驗證更新，然後再將其送回生產。

詢問已儲存的捕獲，然後查看證據。工作流程插圖，而不是產品螢幕截圖。

當好的零件被拒絕時，保留影像並檢查哪個工具產生了結果。該零件是否在正確的位置找到？被檢查的特徵是否清晰？反光是否遮蓋了標記？影像問題可能看起來像模型問題，因此在添加更多訓練資料之前檢查相機視圖。

對於遺漏的缺陷，將檢查區域與應該失敗的物理特徵進行比較。該區域之外的缺陷不會透過更改分類閾值來修復。與品質團隊建立預期結果，包括任何邊界樣本，以便下一次變更有明確的目的。

支援的工具為您提供了不同的方式來對您發現的內容採取行動。當模型尚未看到有效的生產外觀時，請添加帶有標籤的範例。當位置不可靠時，教導對齊器哪些候選匹配是正確的。當字元落在 OCR 區域之外時調整 OCR 區域。該圖像向您指出解決故障的變更。

向 Sparky 詢問有關庫中圖像和結果的問題，以支援您的審閱。您的團隊決定下一步是進行成像調整、規則變更還是重新訓練。記錄變更並在發布前針對單獨的範例進行驗證。

將審查的範例直接從庫或電腦匯入到工具中作為培訓或範本圖像。對於長期記錄，將帶有註釋的捕獲和工具結果發送到 FTP、SFTP 或 SMB 存儲，並安排每日或每週的配方備份。

將評估影像與用於訓練模型的範例分開。包括新問題、正常生產變化以及檢查已處理的已知缺陷。接受有問題的好零件的變更也必須保留對真正有缺陷的零件的拒絕。

使用計數和範例而不是僅使用總體準確度數字來分別檢查誤剔除和遺漏缺陷。如果多個 SKU 使用該檢查，請對每個 SKU 進行評估。一旦影像測試滿足您的要求，請在預期的生產線條件下執行變更後的檢查並遵循您的發布流程。進一步的生產範例可以為另一次審查提供資訊；模型更新仍然是一個有意為之的行為。

Spark 是否會自動從每次檢查中學習？: 此工作流程使用經過審查的範例和有意的培訓變更。不要假設運行更多部件會自動更新模型。決定哪些圖像屬於訓練，確認其標籤，並在用於生產之前評估更改的檢查。
新增範例可以減少錯誤拒絕嗎？: 當模型沒有看到有效的生產外觀時，它會有所幫助。首先檢查影像、對準、檢查區域和驗收規則。額外的訓練並不能解決所有原因，其效果需要在單獨的樣本上進行測量。
系統能否解釋拒絕的根本原因？: Sparky 支援有關庫中影像和結果的問題。審查這些捕獲以及物理部分和過程以調查故障。您的團隊決定更改哪些內容並檢查結果。
我們如何處理新型缺陷？: 儲存代表性圖像，同意正確的標籤，並檢查所選檢測工具是否可以看到缺陷。更新相關的訓練或配置，然後評估新的缺陷和先前測試的案例。確切的方法取決於所使用的工具。

分享錯誤剔除、遺漏缺陷和正確檢查零件的範例。我們可以查看影像或檢查工作流程的哪一部分需要注意。