公司一旦確定深度學習專案的目標及取得的資料和真值，後續步驟包括最佳化視覺系統與影像資料庫。
在此階段，人工檢測人員與視覺系統會將生產零件分成合格或不合格零件。再由內部專家會審查任何有不確定之處的零件，並正確標記這些零件。有不確定之處的零件在修正後，一同與合格及不合格零件的樣品饋入資料庫，以改善深度學習系統。開發人員必須確定將複雜的影像加入訓練組合中，例如有著不尋常缺陷或照明反光的影像。
擴大您的資料
深度學習軟體一般都會提供用於最佳化的訓練組合和工具，但團隊必須採取其他步驟，例如交叉驗證。取得足夠的資料後，團隊應根據資料集其餘部分，將不同的資料集區段用於訓練與驗證。無論選擇那些資料集區段，團隊都應確定結果一致，這是因為倘若一個區段的表現不同於其他區段，則會導致標記問題，或某些缺陷類型的代表性可能不足。
另一個步驟是隔離生產製程中的每個關鍵變數，以進行複合最佳化。因此，如果存在多個製造生產線，團隊應從每條生產線拍攝影像，並將這些影像用於訓練，同時確保每條生產線的資料和結果合適。此外，如果公司有不同的檢測方法，團隊應透過檔案命名慣例或檔案資料夾結構，來最佳化不同的產品版本和缺陷類型。
您也須盡可能投入全部有缺陷的零件影像，提供訓練資料。例如，如果您有 500 張合格零件影像和 282 張不合格零件影像，請使用不合格零件影像訓練系統尋找，以便在生產過程中更有效地運作。
處理不同的缺陷類型
在深度學習中，共有數種方法可以查看影像中的缺陷。系統可能會根據整張影像產生測量值，以判斷零件合格與否，或是可能使用缺陷式方法辨識零件中的特定缺陷。製程控制新增其他分類步驟時，後者更為實用，但也可能需要二次處理，以合併或分離缺陷。
或者，深度學習系統可能會隔離影像中各缺陷的特定像素，然後提供該缺陷區域的測量值。此方法通常也需要二次影像處理，操控缺陷區域以產生周邊或邊界框，並測量缺陷及分類合格與否。個別應用需要不同的方法，因此開發人員應瞭解缺陷指標及如何最佳化。
瞭解不同類型的缺陷並設定品質規格，也可讓團隊執行端對端最佳化，進一步改善模型。如果團隊表示缺陷大於 10 mm2 或任兩個缺任大於 5 mm2 即代表零件不合格，深度學習系統則不一定會提供準確的像素測量。在這些情況下，Blob 分析工具有助於獲得更準確的缺陷測量值，讓團隊能夠使用這些影像微調模型。然而，如果團隊打算使用 Blob 工具進行其他最佳化和分析作業，團隊中的開發人員則應偏好以深度學習系統將處於模糊界線的案例回報為缺陷，以確保沒有風險。
深度學習區段化工具（左）與 Blob 分析工具（右）共同用於微調缺陷偵測區域
掌握關鍵指標
在此階段，必須牢記關鍵深度學習指標。並非每位團隊成員都需要瞭解深度學習的所有層面，但開發人員需要瞭解所有關鍵指標，以及如何最佳化這些指標。範例包括誤判和漏判與精確度和召回之間的差異、F1 分數和曲線下面積（AUC）統計資料。
此外，團隊應檢視成本函數，並在廢料（誤判）與逸失成本（漏判）之間取得平衡，以判斷一項解決方案的價值。初期設定深度學習專案時，開發人員雖然不應過度在意成本函數，但將來仍會想要隨著時間將專案往高 F1 分數推進。
在第4階段，我們將探討工廠驗收測試。
白皮書_專為工廠自動化應用設計的深度學習技術_TW
Cognex VisionPro Deep Learning
第4階段：展開製造業中的深度學習專案 第4階段：工廠驗收測試
