Deteksi Cacat dan Anomali

Deteksi cacat dimulai dengan menyebutkan cacatnya — goresan, retak, penyok, korosi, lubang, rongga. Detektor zero-shot menerima nama-nama itu sebagai prompt dan menemukan regionnya, tanpa perlu satu pun gambar cacat berlabel untuk memulai.

Separuh persoalan lainnya adalah penyimpangan yang belum punya nama. Kasus itu ditangani lewat perbandingan: daftarkan kumpulan referensi bagian yang layak, embed bagian yang sedang diperiksa kamera, lalu peringkatkan seberapa dekat keduanya.

Preset defect_detect_classify adalah jalur terpendek dari gambar ke laporan cacat: deteksi berbasis prompt teks, penyaringan skor, pemotongan region, dan satu tahap klasifikasi atas setiap potongan, dengan hasil yang digabungkan per cacat.

• Prompt deteksi membawa daftar kelasnya — "scratch . crack . dent . corrosion" sudah menjadi konfigurasi yang utuh.
• Penyaringan pada 0,3 secara bawaan, dapat dinaikkan atau diturunkan dengan konsekuensi cacat yang terlewat atau alarm palsu.
• Setiap region yang terdeteksi dipotong dan diklasifikasi ke label yang Anda sediakan, termasuk kelas normal untuk region yang ternyata hanya tekstur permukaan.
• Deteksi dan klasifikasi digabung menjadi satu hasil per cacat, sehingga satu baris laporan punya lokasi dan jenisnya.

Daftar kelas adalah sebuah argumen, bukan dataset pelatihan — jenis cacat baru cukup dengan kata baru.

Bila penerimaan bergantung pada ukuran, bukan keberadaan, jalur segmentasi mengembalikan mask per cacat. Preset grounding_dino_sam mendeteksi dengan teks, menyaring pada 0,25, meminta SAM menyegmentasi setiap kotak, lalu memperbaiki mask dengan operasi morfologi.

Dari mask dan kotaknya, luas area dapat dihitung dalam piksel dan dibandingkan dengan ambang yang sudah dipakai rencana mutu. Varian SAM memungkinkan kecepatan ditukar dengan mutu tepi — base untuk versi pertama, large dan huge bila batasnya lebih penting daripada waktu proses.

MATA tidak menyediakan klasifier anomali khusus. Kasus penyimpangan disusun dari tugas embedding dan alur pengenalan: daftarkan galeri contoh yang layak sekali, lalu cocokkan gambar baru berdasarkan kemiripan embedding dan perlakukan kecocokan terlemah sebagai kandidat peninjauan.

Embedding CLIP berjalan pada 512 dimensi secara bawaan, dan OSNet tersedia sebagai encoder ONNX 256 dimensi untuk pekerjaan berbasis penampilan. Yang kembali adalah kemiripan berperingkat, yang oleh sebuah ambang diubah menjadi tanda — alat triase, bukan putusan.

Angka dari skenario yang terdokumentasi, untuk merencanakan uji coba pertama dan bukan sebagai spesifikasi yang mengikat produk:

• Deteksi dan klasifikasi cacat: sekitar 200 ms per gambar pada GPU dengan kartu 4 GB, kira-kira lima sampai sepuluh kali lebih lambat di CPU.
• Deteksi ditambah segmentasi SAM dan perbaikan mask: sekitar 500 ms per gambar pada GPU; pengukuran yang sama memakan sekitar 15 detik per gambar di CPU.
• Ambang adalah tombol penyetel utamanya: terlalu rendah dan tekstur permukaan biasa muncul sebagai cacat, terlalu tinggi dan goresan halus justru hilang.
• Ambang dapat ditimpa per pemanggilan, sehingga penyetelan yang lebih ketat dapat menggerbangi pelepasan dan yang lebih longgar menyuplai antrean peninjauan.

Hasil cacat adalah data sebelum menjadi gambar. Label, skor, kotak, mask, dan luas area yang terukur dapat diekspor sebagai JSON atau CSV untuk sistem yang sudah menyimpan catatan mutu, dan digambar sebagai frame teranotasi atau potongan gambar bagi mereka yang perlu melihat bagiannya.

Antrean peninjauan karena itu dapat dipisah berdasarkan keyakinan: kasus yang berada di batas dikirim ke manusia, kasus yang jelas tercatat, dan ambang yang memisahkan keduanya adalah pengaturan, bukan penulisan ulang.

• Ekspor terstruktur untuk sistem mutu atau catatan produksi.
• Frame teranotasi dan potongan region untuk konfirmasi manual.
• Hasil per cacat yang membawa lokasi sekaligus jenisnya.

Mulailah dengan gambar yang memuat bagian layak sekaligus tidak layak, dan tulis nama cacatnya sebagaimana detektor ingin membacanya. Bandingkan hasilnya sebelum memilih ambang, dan simpan gambar yang tidak sesuai — itu yang paling berguna.

Bila kosakata cacatnya benar-benar belum diketahui, mulailah dari jalur kumpulan referensi dan perlakukan pipeline sebagai triase. Kumpulan berlabel yang terkumpul dalam beberapa minggu biasanya membuat jalur berbasis prompt lebih tajam daripada hari pertama.