ראייה ממוחשבת גנרית נכשלת בקצוות: ראשים קירחים מזוהים בטעות ככדורי כדורגל, חלקיקי אבק מסומנים כפגמים פוסלים, צללים מפעילים בלימות רפאים. אנו בונים מערכות ראייה מוגבלות-פיזיקה שדוחות את הבלתי-אפשרי לפני שהוא הופך ליקר.
בין אם אתם מפעילים מצלמות אוטומטיות באצטדיונים, בודקים פרוסות סיליקון ב-10 ננומטר, או מסווגים פגמים בקו ייצור, הבעיה זהה: הגלאי שלכם מוצא דפוסים, אבל הוא לא מבין פיזיקה. כדור לא יכול להתנייד באופן מיידי. לפגם יש פרלקסה. לצל אין עומק. אנו משבצים את האילוצים הפיזיקליים האלה ישירות בצינור הראייה שלכם, וסוגרים את הפער בין זיהוי להבנה.
באוקטובר 2020, מערכת המצלמה האוטומטית של Pixellot באינברנס קלדוניאן ת'יסל עקבה אחר ראשו הקירח של שופט-קו במשך משחק שלם במקום אחר הכדור. המערכת השתמשה בגלאי CNN סטנדרטי (ככל הנראה ממשפחת YOLO) שעיבד כל פריים באופן עצמאי. תחת זרקורי האצטדיון, ראש שופט-הקו הפיק הבזקים ספקולריים עם מפלי פיקסלים בלתי-ניתנים להבחנה סטטיסטית מכדור כדורגל לבן. הגלאי הקצה 98% ביטחון ל"כדור" על הראש, בעוד הכדור האמיתי (נע במהירות, מיטשטש דרך צללים) קיבל ציון של 80%. המערכת עקבה אחר אות הביטחון הגבוה ביותר. לא היה לה מנגנון לבדוק ש"כדור" הנע במהירות 3 מייל לשעה בגובה קבוע של 1.7 מטר, מחובר לעצם גלילי אנכי, מפר כל אילוץ קינמטי של כדור כדורגל במשחק. התיקון אינו נתוני אימון טובים יותר. הוא פיזיקה.
KLA שולטת בבדיקת מוליכים-למחצה עם 63% נתח שוק וסדרת ה-2900 שלה יכולה לזהות מאפיינים קטנים כמו 10 ננומטר. אבל הזיהוי אינו צוואר הבקבוק. בעיית פגם המטרד היא: בצמתי תהליך מתקדמים, סריקה רחבת-פס לוכדת אלפי חריגות לכל פרוסה. רובן הן ארטיפקטים פני-שטח, חלקיקי אבק, או רעש דפוסים שלא ישפיעו על התשואה. כל אחת מהן דורשת סיווג. אובדן תשואה של 1% בצמתים מתקדמים מתורגם למיליונים בהכנסה אבודה משום שפרוסה בודדת יכולה לעלות עשרות אלפי דולרים. הסטנדרט התעשייתי הוא מסווגי למידה עמוקה המאומנים על ספריות פגמים היסטוריות, אך למסווגים אלה אין מודל של איך האור מקיים אינטראקציה פיזיקלית עם בור לעומת כתם לעומת שארית תהליך. כאשר המפעל עובר לצומת תהליך חדש (נניח, gate-all-around ב-2 ננומטר), נתוני האימון של המסווג מיושנים ושיעור המטרד מזנק. מודלי פגם מבוססי-פיזיקה המבינים פרלקסה, החזרה חומרית ופיזור טופוגרפי מפרידים פגמים אמיתיים מרעש ללא תלות בצומת התהליך.
בקווי ייצור המשתמשים בבקרת איכות מבוססת-בינה מלאכותית, נדיר שתדעו מתי מודל ראייה ממוחשבת טועה. ללא תוויות אמת-קרקע בזמן-אמת, הסחיפה נבנית בשקט בעוד הייצור נמשך. זווית תאורה מתחלפת לאחר תחזוקה. עדשה מתערפלת לאורך שבועות. מתקן אחיזה נשחק. פסילות-שווא עולות (לולאות עיבוד-חוזר, חיכוך תפוקה) או קבלות-שווא מתגנבות פנימה (סיכון בריחה, חשיפת אחריות). עד שכשל איכות צץ, הוא מפעיל הכלה רחבה, הסגר מורחב, בדיקה-חוזרת וסקירה ידנית. עלות האיכות הירודה מסתכמת בכ-20% מסך המכירות עבור יצרנים ממוצעים. אילוצי פיזיקה משמשים כעוגנים בלתי-משתנים: התכונות הפיזיקליות של חלק מיוצר נכון אינן משתנות כשהתאורה מתחלפת. מערכת מונחית-פיזיקה מודדת האם התמונה הנצפית עקבית עם הגאומטריה הידועה ותכונות החומר, ולא רק האם היא "נראית כמו" חלק טוב בהשוואה לתמונות אימון היסטוריות.
| ספק | תחום | מה הם מספקים | אינטגרציית פיזיקה | היכן הם נכשלים |
|---|---|---|---|---|
| Pixellot | שידורי ספורט | מצלמות אוטומטיות מבוססות-בינה מלאכותית, מעקב-אוטומטי, רב-זווית. 150+ ליגות, שותפות עם GameChanger. | סינון קלמן בסיסי להחלקת מעקב. מעקב רב-השערות ב-V4 תיקן במידה רבה את מחלקת השגיאות של הראש-הקירח. | מצבי כשל חדשים: זיהוי תווים אופטי (OCR) של חולצות תחת טשטוש תנועה, היטל נבדל על מגרשים לא-שטוחים. הפיזיקה היא החלקה בדיעבד, לא שכבת אילוץ. |
| Hawk-Eye (Sony) | שיפוט ספורט | טריאנגולציה רב-מצלמתית, מעקב שלד (29 נקודות לכל שחקן). NFL, MLB, ATP. | אילוצים גאומטריים חזקים באמצעות כיול רב-מצלמתי. | יקר (1 מיליון דולר+ לכל מתחם). קנייני וסגור. דורש תשתית ייעודית (6-8 מצלמות 4K/8K לכל מתחם). |
| KLA Corporation | בדיקת מוליכים-למחצה | בדיקה רחבת-פס מסדרת 2900, רגישות 10 ננומטר. 63% נתח שוק בבקרת תהליך. | מודלי פיזיקת-פגם מבוססי-כללים מובנים בתוך צמתי תהליך ספציפיים. | המודלים הם ספציפיים-לצומת-תהליך. מעברי צומת חדשים גורמים לזינוקים בשיעור המטרד. השקעת מו"פ של 2.3 מיליארד דולר מאותתת שהם יודעים שהפער קיים. |
| Cognex | אבטחת איכות בייצור | VisionPro ViDi למידה עמוקה, למידת-קצה על-המצלמה (5-10 תמונות אימון). | ללא בעת היסק. ראייה ממוחשבת מסורתית מטפלת במדידה/מטרולוגיה. | מונחה-נתונים בלבד. רגיש לסחיפה שקטה. הפחתה של 90% בזמן ההגדרה אך ללא עיגון פיזיקלי. |
| NVIDIA | פלטפורמה/תשתית | אקוסיסטם Metropolis (1,000+ חברות), Omniverse לסימולציית תאום דיגיטלי, Cosmos לנתונים סינתטיים. | פיזיקה בזמן אימון (רינדור), לא היסק. Omniverse מדמה פיזיקה לייצור נתונים סינתטיים. | פלטפורמה, לא פתרון. הפיזיקה נעצרת באימון. המודל הפרוס עדיין מונחה-נתונים גרידא. |
| Veo | ספורט (שורשי) | מצלמות בינה מלאכותית D2C, 40,000+ מועדונים, 100 מדינות, 4 מיליון+ משחקים מצולמים. | מינימלית. מעקב ברמה צרכנית. | לא מוגבלת-פיזיקה. נקודת מחיר צרכנית פירושה כוח-מחשוב מוגבל לשכבות אילוץ. |
| Big 4 / משלבי מערכות גדולים | חוצה-תעשיות | יישומי פלטפורמה (NVIDIA, ממשקי API ענן), שירותי אינטגרציה, ניהול שינוי. | מיישמים כלי פיזיקה של ספקים. אינם בונים שכבות אילוץ מותאמות. | הם פורסים פלטפורמות. בניית צינור סינון קלמן מותאם המכוונן לפיזיקה הספציפית שלכם אינה בארגז-הכלים שלהם. ההתקשרויות נעות בין 500 אלף ל-5 מיליון דולר+ ואורכות 6-18 חודשים. |
| ממשקי API ענן | כללי | זיהוי/סיווג מאומן-מראש, אינטגרציית API קלה, תשלום-לפי-קריאה. | ללא. היסק בלתי-תלוי-פריים בעיצובו. | ללא עקביות זמנית. ללא אילוצי פיזיקה. "מלכודת ה-90%": מהיר ל-90% דיוק, בלתי-אפשרי לסגור את ה-10% האחרונים ללא פיזיקה ספציפית-לתחום. |
הפער עקבי בכל מגזר: הפיזיקה היא או נעדרת, או מוגבלת לאימון, או נעולה בתוך מערכת קניינית. אף אחד אינו מציע שכבות אילוץ פיזיקלי מותאמות כשירות, משולבות בצינור הקיים שלכם, מכווננות לפיזיקת התחום הספציפית שלכם. זה מה שאנו בונים.
אנו מוסיפים שכבת אימות דטרמיניסטית בין הגלאי שלכם למערכת הפעולה שלכם. כל זיהוי עובר דרך שלושה שערים לפני שהוא מתקבל: שער קינמטי של סינון קלמן (האם תנועה זו אפשרית פיזיקלית בהינתן מסת העצם ומרווח הזמן?), שער זרימה אופטית (האם תנועת הפיקסלים בתוך תיבת התוחם תואמת את פרופיל המהירות הצפוי?), ושער גאומטרי (האם גודל העצם מקיים אילוצי פרספקטיבה תלת-ממדיים יחסית למיקום המצלמה?). אנו מכווננים את מודל הפיזיקה לתחום שלכם. דינמיקת קליעים למעקב כדור. גאומטריית פרלקסה לבדיקת פרוסות. אילוצי מישור-כביש לניווט אוטונומי. השערים דוחים תוצאות חיוביות-שווא שביטחון חזותי בלבד אינו יכול לתפוס.
עבור מפעלי מוליכים-למחצה וייצור-דיוק, אנו בונים מסווגי פגמים המדמים איך האור מקיים אינטראקציה פיזיקלית עם חריגות פני-שטח. בור אמיתי מפזר אור באופן שונה מחלקיק אבק. לשארית תהליך יש החזרה שונה מקצר חשמלי. אנו משתמשים בגאומטריה רב-תצוגתית ובמודלי רינדור מבוססי-פיזיקה כדי לאפיין כל חריגה לפי תכונותיה הפיזיקליות, לא רק לפי מראֶהָ החזותי. משמעות הדבר שהמסווג מכליל בין צמתי תהליך משום שהפיזיקה של אינטראקציית אור-חומר אינה משתנה כשאתם עוברים מ-FinFET ל-gate-all-around.
סחיפת מודל היא הרוצח השקט של ראייה ממוחשבת בייצור. אנו בונים ארכיטקטורות המשתמשות בשמורות פיזיקליות כעוגני יציבות. הגאומטריה הפיזיקלית של חלק מיוצר נכון אינה משתנה כשזווית תאורה מתחלפת או עדשה מתערפלת. אנו מקודדים את השמורות האלה למערכת כך שווריאציה סביבתית משפיעה על האות הגולמי אך לא על הפלט המאומת-פיזיקלית. זה מצמצם מחזורי אימון-מחדש חירום מחודשיים לרבעוניים או פחות, ותופס סחיפה לפני שהיא גורמת לכשלי איכות.
כאשר רשתות נוירונים מונחות-פיזיקה (PINNs) הגיוניות עבור היישום שלכם, אנו בונים את צינור האימון. PINNs מוסיפות מונח אובדן פיזיקלי לאובדן הנתונים הסטנדרטי: הרשת נענשת לא רק על החמצת המטרה, אלא על הפרת המשוואות השולטות (נאוויה-סטוקס, תנועת קליעים, שימור אנרגיה). התוצאה היא מודל הזקוק לפחות נתוני אימון, מכליל טוב יותר לתנאים שלא-נראו, ומפיק פלטים סבירים פיזיקלית. אנו מטפלים בחלקים הקשים: כיוונון lambda (משקל אובדן הפיזיקה), ייצוב התכנסות, וטיפול באי-רציפויות (כדור פוגע בקורה, אפקטי קצה-פרוסה) הגורמים ליישומי PINN נאיביים להיכשל.
הנה בדיוק מה שקורה כשמערכת מבוקרת-פיזיקה מעבדת את תרחיש משחק אינברנס, פריים אחר פריים.
הגלאי מוצא את הכדור בקואורדינטות (512, 380) עם 92% ביטחון. סינון קלמן מאתחל: מיקום (512, 380), מהירות מוערכת ב-18 מ"ש מזרחה מהפריימים הקודמים. אי-ודאות המצב נמוכה. הזרימה האופטית באזור הזיהוי מראה תנועה ימינה חזקה התואמת לכדור שנבעט. כל שלושת השערים עוברים. המערכת מקבלת את הזיהוי ומעדכנת את המעקב.
הגלאי מחזיר שני מועמדים:
הסינון חזה שהכדור יהיה ליד (531, 376) בהתבסס על מהירותו והכבידה. החדשנות (השארית) של מועמד A היא 1.4 פיקסלים. החדשנות של מועמד B היא 669 פיקסלים. מרחק מהאלנוביס עבור B הוא 47 סטיות תקן. כל ערך מעל 3 סיגמא נדחה. B נפסל לפני שהוא מגיע לשער הבא.
מועמד A מראה שדה זרימה של 450 פיקסלים/שנייה ימינה, התואם לכדור ב-18 מ"ש. אפילו אם B היה עובר את שער 1, שדה הזרימה שלו מראה תנועה כמעט-אפסית (ראש נייח). "כדור" במהירות אפס באמצע משחק מפר את הפרופיל הצפוי. פסילה שנייה.
מועמד A תופס 22 פיקסלים במרחק זה, התואם לכדור 22 ס"מ במרחק 12 מטר מהמצלמה. מועמד B תופס 45 פיקסלים. כדור 22 ס"מ במרחק 12 מטר אינו יכול לתפוס 45 פיקסלים. פסילה שלישית.
המערכת עוקבת אחר מועמד A (הכדור האמיתי) עם 80% ביטחון חזותי, ודוחה את מועמד B למרות 98% הביטחון שלו. הפיזיקה גוברת על הפיקסלים.
אותה ארכיטקטורה חלה על כל תחום שבו עצמים מצייתים לחוקים פיזיקליים. במפעל מוליכים-למחצה, "שער הקלמן" הופך לבדיקת עקביות פרלקסה בין זוויות בדיקה. באבטחת איכות בייצור, "שער הזרימה האופטית" הופך למודל החזרת פני-שטח. המסגרת זהה; הפיזיקה משתנה.
אנו ממכשירים את צינור הראייה הממוחשבת הקיים שלכם כדי למדוד בדיוק היכן הוא נכשל: שיעורי חיוב-שווא לפי קטגוריה, השהיה לכל שלב היסק, תדירות מקרי-קצה. אנו מזהים אילו אילוצים פיזיקליים חלים על התחום שלכם ואילו כשלי זיהוי הם היו מונעים. תוצר: מסמך מפרט אילוצים עם הפחתת חיוב-שווא צפויה והמלצת המשך/עצירה. אם אילוצי פיזיקה לא ישפרו את המערכת שלכם באופן משמעותי, אנו אומרים לכם.
אנו בונים את שכבת הפיזיקה ומשלבים אותה בצינור שלכם. זו אינה מערכת נפרדת; זו שכבת אימות היושבת בין הגלאי הקיים שלכם ללוגיקת הפעולה שלכם. אנו מכווננים את מודל מצב סינון הקלמן לדינמיקת העצמים שלכם, מכיילים ספי זרימה אופטית למערך המצלמה שלכם, ומאמתים אילוצים גאומטריים מול הסביבה הפיזיקלית שלכם. לוח הזמנים תלוי במורכבות: עוקב ספורט חד-מצלמתי הוא 8 שבועות. מערכת בדיקת מוליכים-למחצה רב-תצוגתית עם מודלי פיזיקה מותאמים היא 16.
אנו פורסים לייצור עם ניטור. אנו ממכשירים כל שער לתעד סיבות פסילה, מודדים שיעורי חיוב-שווא ופסילה-שווא מול קריטריוני הקבלה שלכם, ומאמתים שאילוצי הפיזיקה אינם מוסיפים השהיה בלתי-מקובלת לצינור שלכם. אנו מכווננים ספים בהתבסס על נתוני ייצור, לא תנאי מעבדה. תוצר: מערכת ייצור עם קווי-בסיס ביצועים מתועדים ולוח-מחוונים לניטור סחיפה.
מה לוקח יותר זמן
כיול רב-מצלמתי במתחמים עם פריסות לא-סטנדרטיות. מעברי צומת-תהליך במוליכים-למחצה (מודל הפיזיקה זקוק לנתוני אפיון מהצומת החדש). אינטגרציה עם בקרי PLC או מערכות SCADA מדור-קודם שאינם חושפים הזנות נתונים בזמן-אמת.
ענו על שש שאלות על פריסת הראייה הממוחשבת הנוכחית שלכם. קבלו ניתוח ספציפי של אילו אילוצי פיזיקה היו עוזרים ואיזו הפחתת חיוב-שווא לצפות.
1. מה מערכת הראייה שלכם עוקבת או בודקת?
2. מהו שיעור החיוב-שווא הנוכחי שלכם?
3. האם המערכת שלכם מעבדת פריימים באופן עצמאי או מתחזקת מצב זמני?
4. כל כמה זמן אתם מאמנים מחדש את המודלים שלכם עקב סחיפה סביבתית?
5. מהו תקציב ההשהיה שלכם לכל פריים?
6. האם יש לכם מודלי פיזיקה לתחום שלכם (משוואות קינמטיות, תכונות חומר, אילוצים גאומטריים)?
הפחתת חיוב-שווא מסורתית פועלת על-ידי העלאת סף הביטחון: לדרוש 95% ביטחון במקום 80%. זה מצמצם חיובי-שווא אך מגדיל באופן בלתי-נמנע פסילות-שווא משום שזיהויים לגיטימיים בעלי ביטחון נמוך יותר נדחים גם הם. אילוצי פיזיקה פועלים באופן אורתוגונלי. הם אינם נוגעים בסף הביטחון. במקום זאת, הם מאמתים האם זיהוי אפשרי פיזיקלית ללא תלות בציון הביטחון החזותי שלו. ראש קירח ב-98% ביטחון עדיין בלתי-אפשרי פיזיקלית ככדור, ולכן הוא נדחה. כדור ב-75% ביטחון התואם את הניבוי הקינמטי מתקבל. שיעור החיוב-שווא יורד משום שזיהויים בלתי-אפשריים פיזיקלית מבוטלים. שיעור הפסילה-שווא נשמר או משתפר משום שזיהויים לגיטימיים בביטחון נמוך יותר עוברים את בדיקת הפיזיקה. בבדיקת מוליכים-למחצה, משמעות הדבר תפיסת פגמים אמיתיים שסף ביטחון גבוה היה מחמיץ (בורות קלושים אך אמיתיים פיזיקלית) תוך דחיית אותות מטרד שבמקרה נראים כמו פגמים (חלקיקי פני-שטח עם דמיון חזותי גבוה אך התנהגות פרלקסה שגויה).
כן, וזו הגישה הסטנדרטית. שכבת הפיזיקה יושבת בין הגלאי שלכם למערכת הפעולה שלכם. הגלאי הקיים שלכם (YOLO, EfficientDet, CNN מותאם, API ענן) ממשיך ליצור זיהויים מועמדים. שכבת הפיזיקה מעריכה כל מועמד מול אילוצים קינמטיים, זרימה אופטית, ואילוצים גאומטריים לפני העברתו במורד הזרם. נקודות האינטגרציה תלויות בארכיטקטורה שלכם: אם אתם מריצים היסק על-המכשיר, שכבת הפיזיקה רצה על אותה חומרה (עדכוני סינון קלמן זולים חישובית בהשוואה להיסק CNN). אם אתם משתמשים ב-API ענן, שכבת הפיזיקה יכולה לרוץ בקצה שלכם או בצינור העיבוד שלכם. אינטגרציה טיפוסית מוסיפה 1-3 מ"ש לכל פריים עבור שערי סינון הקלמן והזרימה האופטית. השהיית השער הגאומטרי תלויה במורכבות המודל התלת-ממדי שלכם אך נדיר שעוברת 5 מ"ש. סך ההשהיה הנוספת: 2-8 מ"ש. עבור מערכות שכבר רצות ב-25-60 פריימים לשנייה (16-40 מ"ש לכל פריים), זה משתלב בתוך התקציב.
אימון-מחדש מטפל בסחיפה אך לא בבעיה הבסיסית: מודל מאומן-מחדש עדיין יכול לבצע ניבויים בלתי-אפשריים פיזיקלית משום שאין לו מושג של פיזיקה. הרחבת נתוני אימון עוזרת בכיסוי אך בעלת תשואות פוחתות על מקרי-קצה (אינכם יכולים לאמן את חוקי הפיזיקה הרחק). בניית צינור אילוצי פיזיקה נעה בין 80 אלף ל-250 אלף דולר בהתאם למורכבות. מעקב עצם-בודד חד-מצלמתי (ספורט) נמצא בקצה הנמוך. בדיקת מוליכים-למחצה רב-תצוגתית עם מודלי פיזיקה מותאמים נמצאת בקצה הגבוה. השוו זאת לעלות המתמשכת של הבעיה: מפעל מוליכים-למחצה שבו כל פרוסה שנפסלת עולה עשרות אלפי דולרים וסקירה ידנית מונעת-מטרד שורפת שעות-מהנדס ב-150-200 דולר לשעה. שדרן ספורט שמצלמתו האוטומטית מחמיצה משחקים מרכזיים מאבד מנויים. יצרן המוציא חמישית מההכנסה על עלויות איכות, רובה מונעת מפסילות-שווא שאילוצי פיזיקה היו מונעים. שכבת הפיזיקה היא בנייה חד-פעמית בעלת עלות תחזוקה נמוכה משום שהפיזיקה אינה נסחפת. חוקי תנועת הקליעים לא ישתנו ברבעון הבא.
מעקב רב-השערות V4 של Pixellot תיקן במידה רבה את מחלקת השגיאות "הראש הקירח". טריאנגולציה רב-מצלמתית של Hawk-Eye עם מעקב שלד היא תקן הזהב לספורט מבוקר-שיפוט. אך השוק התקדם מעבר לשכבה העליונה. גביע העולם של FIFA מקבל את מערך 1 מיליון דולר+ לכל מתחם של Hawk-Eye. 40,000+ המועדונים המשתמשים במצלמות הצרכניות של Veo לא. הפער נמצא בספורט בדרג-ביניים ושורשי: ליגות הזקוקות לשידור אוטומטי בדיוק טוב-מצרכני אך אינן יכולות להרשות לעצמן תשתית Hawk-Eye. אילוצי פיזיקה על מערך חד-מצלמתי סוגרים חלק משמעותי מפער הדיוק הזה בשבריר מהעלות. ספציפית: טיפול בהסתרה באמצעות ניבוי מבוסס-פיזיקה (שמירה על מעקב כששחקן חוסם את הכדור), פירוק רב-עצמי (שני שחקנים חופפים מובחנים לפי פרופילים קינמטיים, לא רק מראה), ופיצוי על תנועת מצלמה (הפרדת פאן מצלמה מתנועת עצם באמצעות אילוצים אינרציאליים).
זהו בדיוק התרחיש שבו לאילוצי פיזיקה יש את ההשפעה הגבוהה ביותר. מעברי צומת שוברים מסווגים מונחי-נתונים משום שנתוני האימון הם מהצומת הישן. החתימות החזותיות משתנות: חומרים חדשים, גאומטריות חדשות, דפוסי תיכוך חדשים. אך הפיזיקה של הדמיית פגמים אינה משתנה באותו קצב. בור אמיתי עדיין מפזר אור בהתבסס על עומקו וזווית הדופן שלו. חלקיק עדיין מראה פרלקסה בין זוויות בדיקה בהתבסס על גובהו מעל פני-השטח. שארית תהליך עדיין בעלת פרופיל החזרה הנקבע על-ידי הרכבה החומרי. אנו בונים מסווגי פגמים המשתמשים במאפיינים מבוססי-פיזיקה אלה לצד מאפיינים חזותיים. במהלך מעברי צומת, מאפייני הפיזיקה נשארים מבחינים גם כשמאפיינים חזותיים מאבדים את כוחם הניבויי. לוח זמנים מעשי: 2-3 שבועות לביקורת פיזיקת-התחום לאפיין את פיזיקת ההדמיה של הצומת החדש, 12-16 שבועות לבניית המסווג כולל אימות מול ספריית הפגמים שלכם מהצומת החדש.
כל מודל פיזיקה הוא קירוב. סינון קלמן מניח דינמיקה ניוטונית, המתפרקת עבור עצמים בעלי אווירודינמיקה מורכבת (כדור נאקל סוטה באופן בלתי-צפוי עקב הפרדת זרימת אוויר טורבולנטית). מודל גאומטריה אפיפולרית מניח משטחים נוקשים, המתפרק עבור חומרים גמישים. אנו מטפלים בכך בשלוש דרכים. ראשית, לכל שער יש סף ביטחון בר-תצורה. אם מרחק מהאלנוביס גבולי (בין 3 ל-5 סיגמא), הזיהוי מסומן לאימות במורד הזרם במקום נפסל-קשיחות. שנית, אנו משתמשים בסינון קלמן בלתי-מבושם (UKF) במקום בסינון קלמן מורחב (EKF) עבור דינמיקה לא-ליניארית. UKF מפיץ נקודות סיגמא דרך הפונקציה הלא-ליניארית האמיתית במקום לעשות ליניאריזציה, מה שמטפל באי-ליניאריות מתונה (סחרור, גרר, משטחים לא-אחידים) ללא שגיאת הקירוב של טור טיילור של EKF. שלישית, עבור פיזיקה מורכבת באמת (זרימה טורבולנטית, חומרים חדשניים), אנו משתמשים ב-PINNs כדי ללמוד את המשוואות השולטות מנתונים תוך הגבלת מרחב הפתרונות. מודל הפיזיקה אינו כלוב קשיח. הוא מעקה-בטיחות המתגמש בקצוות אך מונע שגיאות קטסטרופליות במרכז.
חקרו את היסודות הטכניים שמאחורי מתודולוגיית הראייה המוגבלת-פיזיקה שלנו.
חקירה טכנית עמוקה של מדוע ראייה ממוחשבת גנרית נכשלת בסביבות ייצור וכיצד ארכיטקטורות מוגבלות-פיזיקה (סינוני קלמן, זרימה אופטית, PINNs) סוגרות את הפער בין זיהוי להבנה.
קראו את המסמך הלבןמקרי-קצה צורכים 80% מזמן ההנדסה, 90% מעלויות התמיכה, ו-100% מחשיפת האחריות.
מערכת ראייה מוגבלת-פיזיקה אינה מבטלת מקרי-קצה. היא מבטלת מקרי-קצה בלתי-אפשריים פיזיקלית, שהם רובם. זמן ההנדסה שאתם מבזבזים בדיבוג חיובי-שווא, אימון-מחדש לסחיפה, וסקירת פגמי מטרד הולך לבניית תכונות במקום.