Различные архитектуры моделей семантической сегментации
Различные архитектуры моделей семантической сегментации ИИ на службе качества | Часть 3 ⚙️ Прошлая часть закончилась на сегментации, когда нейросеть выделяет на снимке каждую частицу отдельной маской. Какая модель делает это точнее? В ЦАТ сравнили три архитектуры: YOLO, Mask R-CNN и DeepLabV3+. Архитектура задаёт внутреннее устройство модели. ☑️ Модель должна не просто выделять область, занятую порошком, но и корректно отделять частицы друг от друга. Неверно обведённая частица искажает не только свой снимок, но и статистику всей партии порошка. ⚗️ Разработка метода заняла 4 этапа: 1️⃣ инженеры подготовили микрофотографии, 2️⃣ вручную разметили частицы, 3️⃣подготовили так называемый план обучения модели, 4️⃣ проверили результаты отклика модели на данных ранее не использованных при обучении. 🏆 Лучший результат показала архитектура YOLO. Погрешность составила 2,7 %, индекс пересечения с эталонной ручной разметкой достиг 0,968. ➡️ Результатом сегментации является разделение всех пикселей на снимке на 2 класса: (i) частица, (ii) не частица. В следующей части речь пойдёт о том, как из них получают характерные диаметры D10, D50, D90 и D99. И почему результат модели дополнительно сверяли с классическим методом лазерной дифракции. 🚩 ЦАТ в MAX | в ВК | в Telegram