Descrizione del progetto
TradottoAbbiamo una piccola operazione di produzione e il controllo qualità è attualmente completamente manuale: un operatore prende ogni prodotto, lo gira sotto una lampada e decide se è buono o difettoso. Le persone si stancano, l'illuminazione cambia durante il turno e verso la fine della giornata difetti evidenti iniziano a sfuggire. Abbiamo bisogno di un'applicazione basata su visione artificiale che osservi la linea tramite una telecamera e segni i difetti da sola, in modo che una persona confermi solo i casi contestati piuttosto che controllare manualmente ogni singola unità da zero.
Il compito è applicare effettivamente un modello CV addestrato al controllo qualità dal vivo, non solo etichettare un dataset. La telecamera dovrebbe catturare ogni prodotto mentre passa, il modello dovrebbe classificarlo come buono o difettoso e, se possibile, identificare il tipo di difetto: graffi superficiali, parti mancanti o installate in modo errato, errori di stampa — etichette sbavature, disallineate o difettose. Ogni articolo rifiutato deve essere fotografato, registrato con un timestamp e categoria di difetto e mostrato sul dashboard in modo che il supervisore del turno possa vedere il conteggio degli articoli buoni e difettosi, il tasso di difetti nel tempo e possa aprire l'immagine salvata di qualsiasi articolo contrassegnato e ricontrollare la decisione.
Forniremo campioni di foto di prodotti buoni e difettosi per l'addestramento e la messa a punto, e siamo pronti a discutere la scelta della telecamera, l'illuminazione e il framework secondo la tua raccomandazione. Per noi è importante avere una pipeline funzionante che funzioni effettivamente in negozio: cattura di frame affidabile, soglie ragionevoli in modo da non essere sopraffatti da falsi positivi e un log comprensibile che possa essere esaminato. Si prega di descrivere come raccoglierai e etichetterai le immagini di addestramento, quale architettura di modello proponi, come misurerai la precisione e il richiamo sui nostri pezzi e come l'applicazione finita sarà installata e mantenuta da personale non tecnico.
Il compito è applicare effettivamente un modello CV addestrato al controllo qualità dal vivo, non solo etichettare un dataset. La telecamera dovrebbe catturare ogni prodotto mentre passa, il modello dovrebbe classificarlo come buono o difettoso e, se possibile, identificare il tipo di difetto: graffi superficiali, parti mancanti o installate in modo errato, errori di stampa — etichette sbavature, disallineate o difettose. Ogni articolo rifiutato deve essere fotografato, registrato con un timestamp e categoria di difetto e mostrato sul dashboard in modo che il supervisore del turno possa vedere il conteggio degli articoli buoni e difettosi, il tasso di difetti nel tempo e possa aprire l'immagine salvata di qualsiasi articolo contrassegnato e ricontrollare la decisione.
Forniremo campioni di foto di prodotti buoni e difettosi per l'addestramento e la messa a punto, e siamo pronti a discutere la scelta della telecamera, l'illuminazione e il framework secondo la tua raccomandazione. Per noi è importante avere una pipeline funzionante che funzioni effettivamente in negozio: cattura di frame affidabile, soglie ragionevoli in modo da non essere sopraffatti da falsi positivi e un log comprensibile che possa essere esaminato. Si prega di descrivere come raccoglierai e etichetterai le immagini di addestramento, quale architettura di modello proponi, come misurerai la precisione e il richiamo sui nostri pezzi e come l'applicazione finita sarà installata e mantenuta da personale non tecnico.
Sviluppo di app mobili Contante, Bonifico bancario
