Objetivos
Qué hacemos
Realizamos un análisis exploratorio de los datos y desarrollamos una solución basada en el desarrollo y entrenamiento de un sistema de aprendizaje profundo (deep learning). En este caso, una red neuronal convolucional U-Net.
Posteriormente, se vuelve a realizar un análisis exploratorio del resultado obtenido para garantizar que la precisión del modelo entrenado sea máxima.
Finalmente, se pone en producción la solución. Además, si se considera oportuno, se reentrena el modelo utilizando un conjunto de datos cada vez más actualizado.
Cómo lo hacemos
Análisis y clasificación de imágenes de entrada
Conjunto de imágenes que incluyan todos los defectos que se quieren clasificar.
Fichero con el tipo de defecto y la ubicación del defecto generado manualmente. En este caso se clasifican los posibles defectos en 4 grupos previamente definidos.
Entrenamiento específico del modelo
Se utiliza la librería segmentations-model de Keras con modelos preentrenados.
Se utiliza U-Net, una red neuronal convolucional para segmentación de imágenes.
La salida del modelo es una máscara con contornos fácilmente identificables que localizan los defectos que ha encontrado la red neuronal.
Despliegue
Una vez se tiene el modelo entrenado, al introducir una imagen sin clasificar devuelve un mapa de calor donde se pueden identificar los posibles defectos que contenga la plancha de acero.
Objetivos
Qué hacemos
Realizamos un análisis exploratorio de los datos y desarrollamos una solución basada en el desarrollo y entrenamiento de un sistema de aprendizaje profundo (deep learning). En este caso, una red neuronal convolucional U-Net.
Posteriormente, se vuelve a realizar un análisis exploratorio del resultado obtenido para garantizar que la precisión del modelo entrenado sea máxima.
Finalmente, se pone en producción la solución. Además, si se considera oportuno, se reentrena el modelo utilizando un conjunto de datos cada vez más actualizado.
Cómo lo hacemos
Análisis y clasificación de imágenes de entrada
Conjunto de imágenes que incluyan todos los defectos que se quieren clasificar.
Fichero con el tipo de defecto y la ubicación del defecto generado manualmente. En este caso se clasifican los posibles defectos en 4 grupos previamente definidos.
Entrenamiento específico del modelo
Se utiliza la librería segmentations-model de Keras con modelos preentrenados.
Se utiliza U-Net, una red neuronal convolucional para segmentación de imágenes.
La salida del modelo es una máscara con contornos fácilmente identificables que localizan los defectos que ha encontrado la red neuronal.
Despliegue
Una vez se tiene el modelo entrenado, al introducir una imagen sin clasificar devuelve un mapa de calor donde se pueden identificar los posibles defectos que contenga la plancha de acero.