[PYTHON] Bildgebende Inspektionsmaschine für diejenigen, die nicht ihr Bestes geben

Erstellen Sie ein Modell mit Microsoft Lobe, exportieren Sie es und führen Sie SDTest als Frontend aus. Aus diesem Grund habe ich versucht, den MVTec-Datensatz zur Erkennung von Anomalien dem Lappen zuzuführen. Die Erkennung von Anomalien wurde von @ shinmura0s Artikel inspiriert. SDTest wurde ungefähr zur gleichen Zeit veröffentlicht, und ich hatte das Gefühl, dass ich eine Bildinspektionsmaschine zu geringen Kosten entwickeln konnte, und meine gesamte Geschichte der Erkennung von Anomalien begann.

Sehr hilfreich ist auch die Methode von @ daisukelab, ein Modell auf gute Weise zu trainieren, indem Fernunterricht auf den MVTec-Datensatz zur Erkennung von Anomalien angewendet wird. Ich war überzeugt, dass ich, wenn ich auf Colab lernen würde, auch mit einer schwachen Maschine richtig lernen könnte, und wenn ich es gut machen würde, wäre es ein Level, das wirklich im Feld eingesetzt werden kann, aber ich fand, dass die Lernkosten ein wenig hoch oder ärgerlich waren. Ich tat.

In der Zwischenzeit habe ich mir das Demo-Video von lobe angesehen und das ist es: bangbang: https://youtu.be/Mdcw3Sb98DA

Das Erstaunliche ist, dass die Modellerstellung völlig codefrei ist. Darüber hinaus wird es mit welcher Genauigkeit auf leicht verständliche Weise angezeigt, selbst bis zu dem Punkt, an dem das Bild einen Inferenzfehler aufweist. Es ist auch gut, automatisch mit dem Lernen zu beginnen, ohne die Lerntaste zu verwenden. Noch besser ist, dass zusätzliches Lernen automatisch erfolgt. Wenn es Folgendes gibt: white_check_mark :, wenn es falsch ist: no_entry: um zusätzliches Lernen ohne Erlaubnis zu starten Exportieren Sie das erstellte Modell mit Lobe-Python

from lobe import ImageModel
from PIL import Image

model = ImageModel.load('path/to/exported/model')
img = Image.open('path/to/file.jpg')
result = model.predict(img)

Ich kann daraus schließen, also habe ich versucht, mit zu viel Schwung in SDTest einzusteigen. lobe-python funktionierte unter Python 3.6 unter Windows nicht, daher habe ich die Umgebung in 3.7 mit Anaconda neu erstellt und die Version der SDTest-Anforderungen angepasst.

###### Requirements with Version Specifiers ######
fbs[sentry] == 0.8.3
PyQt5 == 5.13.*
PyQtWebEngine == 5.13.*
PyInstaller == 3.4
tensorflow == 1.15.*
keras == 2.2.*

lobe unterstützt auch Tensorflow-lite, das offiziell mit Raspberry Pi 4 funktioniert (Pi3 scheint zu funktionieren und manchmal nicht). SDTest ist ebenfalls inoffiziell, aber Pi 4 wird funktionieren.

Informationen zur Zusammenarbeit mit Robotern und SPS finden Sie unter "src / main / python / model / Serving_dobot.py" im Zweig "connect_to_dobot". Wenn Sie mit der Socket-Bibliothek kommunizieren, sind die Peripheriegeräte billiger. Und es ist eine vielseitige Bildprüfmaschine für Menschen, die nicht ihr Bestes geben.