Descrição do projeto
TraduzidoTemos uma pequena operação de manufatura e o controle de qualidade é atualmente completamente manual: um operador pega cada produto, o vira sob uma lâmpada e decide se está bom ou defeituoso. As pessoas se cansam, a iluminação muda ao longo do turno e, no final do dia, defeitos óbvios começam a passar despercebidos. Precisamos de um aplicativo baseado em visão computacional que observe a linha através de uma câmera e marque os defeitos por conta própria, para que uma pessoa apenas confirme os casos contestados em vez de verificar manualmente cada unidade desde o início.
A tarefa é realmente aplicar um modelo de CV treinado ao controle de qualidade ao vivo, não apenas rotular um conjunto de dados. A câmera deve capturar cada produto à medida que passa, o modelo deve classificá-lo como bom ou defeituoso e, se possível, identificar o tipo de defeito: arranhões na superfície, peças faltando ou instaladas incorretamente, erros de impressão — rótulos borrados, desalinhados ou defeituosos. Cada item rejeitado precisa ser fotografado, registrado com um carimbo de data/hora e categoria de defeito e mostrado no painel para que o supervisor do turno veja a contagem de itens bons e defeituosos, a taxa de defeitos ao longo do tempo e possa abrir a imagem salva de qualquer item marcado e verificar a decisão.
Forneceremos amostras de fotos de produtos bons e defeituosos para treinamento e ajuste, e estamos prontos para discutir a escolha da câmera, iluminação e estrutura conforme sua recomendação. Para nós, é importante ter um pipeline funcional que realmente funcione na loja: captura de quadro confiável, limiares razoáveis para não sermos sobrecarregados com falsos positivos e um log compreensível que possa ser revisado. Por favor, descreva como você coletará e rotulará as imagens de treinamento, qual arquitetura de modelo você propõe, como você medirá a precisão e a recuperação em nossas peças e como o aplicativo final será instalado e mantido por pessoal não técnico.
A tarefa é realmente aplicar um modelo de CV treinado ao controle de qualidade ao vivo, não apenas rotular um conjunto de dados. A câmera deve capturar cada produto à medida que passa, o modelo deve classificá-lo como bom ou defeituoso e, se possível, identificar o tipo de defeito: arranhões na superfície, peças faltando ou instaladas incorretamente, erros de impressão — rótulos borrados, desalinhados ou defeituosos. Cada item rejeitado precisa ser fotografado, registrado com um carimbo de data/hora e categoria de defeito e mostrado no painel para que o supervisor do turno veja a contagem de itens bons e defeituosos, a taxa de defeitos ao longo do tempo e possa abrir a imagem salva de qualquer item marcado e verificar a decisão.
Forneceremos amostras de fotos de produtos bons e defeituosos para treinamento e ajuste, e estamos prontos para discutir a escolha da câmera, iluminação e estrutura conforme sua recomendação. Para nós, é importante ter um pipeline funcional que realmente funcione na loja: captura de quadro confiável, limiares razoáveis para não sermos sobrecarregados com falsos positivos e um log compreensível que possa ser revisado. Por favor, descreva como você coletará e rotulará as imagens de treinamento, qual arquitetura de modelo você propõe, como você medirá a precisão e a recuperação em nossas peças e como o aplicativo final será instalado e mantido por pessoal não técnico.
Desenvolvimento de aplicativos móveis Dinheiro, Transferência bancária
