ثورة التعلم غير المراقب: نظام اقتصادي للكشف عن الشذوذات البصرية بتكاليف منخفضة

في عالم [التصنيع](/tag/التصنيع) الحديث، تشكل [أنظمة](/tag/أنظمة) الفحص البصري التقليدية تحديًا حقيقيًا، حيث تتطلب [جمع بيانات](/tag/جمع-[بيانات](/tag/بيانات)) واسع النطاق وتدريب متكرر للنماذج لتحسين دقتها. لكن [دراسة](/tag/دراسة) حديثة توصلت إلى [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) تعتمد على [أساليب](/tag/أساليب) [التعلم غير المراقب](/tag/[التعلم](/tag/التعلم)-غير-المراقب) (Unsupervised Learning) التي قد تسهم في تغيير هذه المعادلة.

تستكشف هذه [الدراسة](/tag/الدراسة) كيفية الاستفادة من [نماذج](/tag/نماذج) مسبقة [التدريب](/tag/التدريب) والأجهزة منخفضة التكلفة، مثل Raspberry Pi، لتطوير نظام فعال واقتصادي للكشف عن [الشذوذات البصرية](/tag/[الشذوذات](/tag/الشذوذات)-البصرية) ([Visual Anomaly Detection](/tag/visual-anomaly-detection)). يهدف هذا [البحث](/tag/البحث) إلى إقامة حل يكسر حواجز التكلفة المرتفعة التي غالبًا ما تقيد [الشركات الصغيرة والمتوسطة](/tag/[الشركات](/tag/الشركات)-الصغيرة-والمتوسطة).

النظام المُبتكر يستخدم [نماذج التعلم](/tag/[نماذج](/tag/نماذج)-[التعلم](/tag/التعلم)) غير المراقب من مشروع Anomalib، وتم نشره بتقنية openVINO على [أجهزة](/tag/أجهزة) Raspberry Pi. النتائج كانت مذهلة؛ حيث تم [تنفيذ](/tag/تنفيذ) [تدريب](/tag/تدريب) واختبار النظام في زمن لا يتجاوز 90 ثانية باستخدام 10 [صور](/tag/صور) [منتجات](/tag/منتجات) طبيعية فقط، ليحقق نتيجة F1 macro تتجاوز 0.95.

على الرغم من أن النظام يظهر [حساسية](/tag/حساسية) طفيفة تجاه التغيرات البيئية مثل الإضاءة أو وضعية المنتجات، إلا أنه يبقى وسيلة سريعة واقتصادية لمراقبة الجودة في المصانع، مما يوفر حلاً مبتكراً للشركات ذات القدرات المحدودة.

للمزيد من التفاصيل، يمكنكم الاطلاع على [الشيفرة البرمجية](/tag/الشيفرة-البرمجية) [عبر](/tag/عبر) هذا الرابط: [https://github.com/Yunbo-max/Cost-Effective-Visual-Anomaly-Detection-using-Unsupervised-Learning]. ما رأيكم في هذا التطور الثوري؟ شاركونا آراءكم في [التعليقات](/tag/التعليقات)!