Salut, mon des noms Steve Maxwell.
je suis un ingénieur.
je travail dans le semi-conducteur industrie.
Aujourd'hui, Je suis en allant à donner un présentation sur comment je utiliser JMP
dans le bâtiment de le image analyse pipeline.
UN petit peu de arrière-plan sur le problème.
Deux de notre module groupes à notre facilité
couru dans un problème avec un fonctionnalité
où là était érosion sur le flanc de le fonctionnalité.
Le MEB système que nous utilisé à mesure
le taille de ce fonctionnalité n'était pas détection ce fonctionnalité,
et il n'a pas avoir le aptitude à caractériser ce.
C'est un plus vieux morceau de équipement, mais c'est aussi payé pour donc nous aimé il.
Le approche que je employé à aide eux dehors
était à construire un séparé analyse pipeline à analyser images,
classer images c'est ayant dommage ou pas ,
et il produire un métrique que pourrait être envoyé à la CPS système pour à des fins de suivi.
je utiliser JMP principalement à analyser données,
à construire un modèle système déploiement et fabrication,
comme Bien comme, plus récemment,
en intégrant quelques de le réel image analyse dans JSL.
Je vais montrer quelques exemples de que.
Ce est un échantillon de quoi il est que étaient regarder à.
Ce est un bien image le gauche- main côté,
et ce est un mauvais image sur le du côté de la main droite.
Nous peut voir ici le comme variation et érosion.
C'est quoi nous étaient regarder pour dans ces images.
Nous pourrait voir depuis ici que le la mesure,
lequel est fait sur le à l'intérieur de ce
ne le ferais-je pas vraiment réinitialiser à ces caractéristiques qui atterrit à le même place chaque temps.
Étaient pas capable à dire en utilisant simplement notre normale méthodes.
Ce est un petit peu plus détail à propos quoi nous étaient voyant.
Ce est un exemple de quoi quelques de que données regardé comme
si nous pourrait voir depuis ici que cependant le processus était ayant problèmes,
nous étaient pas détection il avec le des mesures que nous étaient en utilisant.
Nous avons lancé dans un approche à adresse ce problème.
je utiliser le standard ETL format pour la plupart des données science problèmes.
Extrait, transformer, charger.
je a obtenu à casser il dans quatre catégories,
configurer, collecter, analyse et rapport.
Configurer et collection, standard méthodes.
Analyse, c'est le clé à ce.
C'est comment Je suis retraitement le images
et alors extraction métrique pour ceux images que nous peut utiliser à construire un modèle
à déterminer si ou pas, nous pourrait détecter le problème à main.
Le approche pour que analyse est à convertir le images depuis RVB,
lequel est viens désactivé sur le système, le la mesure système,
et convertir ceux à gris échelle.
Puis le images sont tondu, retirer n'importe lequel la mesure détails,
tout comme que dehors de eux.
Alors le suivant étape est à appliquer médian à ces images.
Le raison pourquoi faire que est étaient en allant à se brouiller le images
et retirer quelques de le bruit dehors de le image.
Ce est un clé étape pour image analyse et image traitement.
Le approche était utilisé comme un expérimental approche différent noyau tailles,
différent noyau formes, mais dans le fin, est réglé sur
en utilisant un disque- en forme de noyau avec un pixels rayon de comme 5, 7 , dix, et 15 pixels.
Pour ceux que sont inconnu avec que terminologie,
noyau est essentiellement juste un tableau
c'est utilisé à détériorer le image quand tu es le retraiter.
Après que était fait,
extraction de le métrique depuis le retraité images était développé,
utilisé plusieurs différent standard métrique,
similarité structurelle indice, erreur quadratique moyenne, Shannon l'entropie,
alors un peu différent ceux comme gaussienne version de SSIM,
comme Bien comme regarder à le moyens de le standard écarts de le
Image SSIM dégradés depuis le gaussienne pondéré images.
Depuis là, utilisé dimensionnel réduction techniques
à extrait lequel de ceux métrique était la plupart pertinent,
à essayer et construire un modèle, un prédictif modèle
et alors convertir que dans quelques de ça métrique
que pourrait être facilement interprété sur le fabrication
alors que en cours d'exécution production.
Un de le suivis sur ce est quand faire le métrique extractions,
le référence image exploits le image que
utilisé un noyau avec un pixels rayon à cinq,
et alors le 7, 10 et 15 noyau rayon est préparé à que image.
Ce montre un petit peu plus détail à propos
quoi le analyse pipeline approche regards comme.
Le hors ligne approche, nous commencer avec le image acquisition.
Évidemment, ce est fait pendant le fabrication processus.
Après que, initialement, ce travail était fait Python,
lequel était à convertir le niveaux de gris recadrer, de bruit, le images,
et alors fonctionnalité génération métrique extraction, SSIM,
signifier carré, l'entropie, calculs, etc.
JMPJSL a un Python emballage que toi peut utiliser pour l'intégration.
Qu'est-ce que c'est super est toi peut en fait se déplacer un parcelle de ce code
dans à le JMP environnement.
Je vais aller dans un petit peu plus détail à propos quoi que est
et comment je utiliser à aide vitesse ce processus le long de.
Le final composant de ce était à développer un qualité métrique.
Ce est très Intensif JMP étape comme Bien.
Alors une fois un métrique est déterminé,
toi se déplacer que sur dans un en ligne processus
dans lequel, le fabrication données est analysé,
et puis ça information est poussé à un CPS système.
UN petit peu plus à propos Python/ JSL L'intégration,
le Intégré Python analyse code dans JSL en utilisant Python/ JSL emballage.
Le données transfert se produit par conversion le JMP tableau dans Pandas Données cadre.
Le données cadres sont passé dans un analyse code.
Le résultats sont revenu depuis Python à JMP comme un données tableau.
Qu'est-ce que c'est super à propos ce est il permet en utilisant
commun image analyse bibliothèques comme skimage, scipy, PIL, OuvrirCV , etc,
à effectuer le travail alors que en gardant le données dans le Cadre JMP.
Ce, dans mon avis, était clé parce que Je suis pas en mouvement données
depuis un système ou un plate-forme à un autre plate-forme et dos et en avant.
je était capable à garder il tous dans un place.
Ce est un petit peu plus détail à propos
quoi le analyse pipeline est faire quand c'est retraitement le images.
Ce est quoi je était capable à se déplacer depuis juste en cours d'exécution lentement dans Python
à en intégrant il dans JSL en utilisant, allons dire, Python bibliothèques.
Toi peut voir, voici un mauvais, voici un bien.
Nous tondu le image à seulement montrer
seulement prendre essentiellement ce composant de il, convertir il à gris,
et alors postuler moyen filtres à se brouiller le images avec différent noyau tailles
comme toi peut voir comme nous augmenter le noyau tailles,
ils devenir un petit peu se brouiller.
Quoi je vouloir à afficher les plats à emporter ici est pour un bien image, toi peut voir
le noyau avec taille du disque 5 contre, 7 contre, dix contre 15,
regarder joli similaire à un un autre .
Alors que disque 5, disque 7, disque 10, disque 15, sur un mauvais image,
toi peut voir que par temps toi obtenir à disque 15,
ce image, ou noyau taille 15,
ce image est départ à regarder similaire à ce.
Par suppression le bruit depuis ce image,
et alors débruitage le images progressivement
en utilisant différent noyau tailles.
Ème c'est ce qui permet nous à avec succès extrait métrique
que nous peut utiliser à différencier entre le bien contre le mauvais.
Désolé, prise sur ici. Laissez-moi aller dos en haut.
À ce indiquer, Je suis en allant à lancement démo que montre
comment Je suis en mouvement ce données dans JMP
et alors quoi il regards comme comme il essentiellement retraitement ce truc.
Comment je faire que est le première chose je besoin à faire est je besoin à construire un données tableau.
C'est un super fonctionnalité dans JMP,
toi aller à déposer, importer plusieurs des dossiers ici.
Alors quoi j'ai a obtenu est j'ai a obtenu essentiellement un échantillon ensemble de juste cinq images
que Je suis en allant à combiner tout t ensemble dans un données tableau.
Quoi il fait est il en fait importer le images comme Bien comme le image déposer des noms.
Toi aller ici, Cliquez sur que déposer colonne nom, Cliquez sur importer,
et
quoi nous obtenir,
est ce.
Nous avons a obtenu un image de notre image que nous vouloir à analyser.
Nous avons a obtenu un déposer nom étiqueter suivant à il.
Nous avons a obtenu le données image importée.
Maintenant, le suivant étape est à courir notre analyse code
contre chaque de ces images et commencer extraction métrique.
j'ai a obtenu un...
modifié version de que code ici.
Le chemin ce code travaux est
il y a un python initialisation que se produit JSL.
Et puis une fois c'est fait,
le données tableau que toi vouloir à analyser
est passé huit à Python comme un données cadre.
À que indiquer sous le Python soumettre,
essentiellement, toi convertir sur à Python code.
Et puis tu es en utilisant standard approches,
standard codage procédures pour Python
et analyser le image, comme toi peut voir ici,
nous avons notre bibliothèque importations, etc.
Comment haut ce code était, essentiellement à trouver un bouquet de les fonctions.
Alors ceux les fonctions volonté retour un sortir
que serait essentiellement obtenir ajoutée dos dans le données cadre
que est poussé dos dehors à JMP dans le données tableau.
C'est fait par en utilisant ce fonction lambda,
ème est lambda la fonction s'applique ce fu NC tion tous Lignes,
ce spécifié colonne dans le données cadre ou le JMP tableau.
Quand nous courir ce...
Qu'est ce qui était en allant à faire est prendre que tableau je juste construit
et étaient en allant à extrait,
mais quoi étaient en allant à faire est retraiter le images et extrait le métrique.
Quoi nous voir ici est le images que sont montrant plus tôt.
Nous avons pris notre image, nous avons converti il à gris.
Alors nous commencé apprentissage il.
Nous avons a obtenu 5 pixels rayon noyau 7, 10 et 15.
Alors depuis là, étaient extraction tous de notre différent métrique.
SS JE SUIS pour 7 comparés à 5 SSIM.
SSIM est de construction similarité indice,
7 comparés à 5, 10 comparé à 5, 15 comparés à 5.
C'est essentiellement quoi étaient faire, est calculateur similarité structurelle indice
entre ce image et cette image,
cette image et cette image
et cette image et cette image.
Si nous aller dos à notre présentation,
depuis ici, je utilisé plusieurs différent approches pour interroger le données.
Le premier était multivarié
beaucoup de corrélations à travail avec ici.
Le rouge indique mauvais images, bleu indique bien images.
Un valeur aberrante analyse, juste regarder à le Mahalanobis les distances,
Couteau de poche distances.
C'est juste à voir si ou pas étaient fortement biaisé,
toi peut voir que nous avons a obtenu plus valeurs aberrantes
dans le mauvais population par rapport à le bien.
Mais je pense si toi séparé ces deux dehors,
ce vient vers le bas un petit peu.
Je suis montrant ce juste à montrer toi peut aller dans ici,
et toi peut commencer garniture quelques de ces dehors si toi vouloir à,
si tu es pas voyant bien s'adapte.
Mais pour le but de ce exercice,
je n'a pas avoir à retirer ou cacher n'importe lequel données dans le analyse.
je était capable à utiliser tous comme il est.
Mais comment je a fait que était ici.
Ce est le principal données tableau.
Ce est tous le données que je regardé à, ici tous le images.
je serait juste aller à analyser, multivarié méthodes, courir le multivarié.
Quoi nous vouloir à faire est juste aller avec que,
en fait, Désolé, dans le deuxième ici.
Quand classement,
je a fait utiliser conversion sur le classification depuis un personnage base t o tourner.
Il y a un super fonctionnalité dans ici.
Nous peut aller à colonne, utilitaire, et alors faire indicateur Colonnes.
Toi peut aller ici et cliquez sur ajouter colonne nom.
Quoi il fait est un petit dire, "D'accord, que est un, zéro."
Pour ce rangée, ce est mauvais, pas bien.
Alors, vers le bas ici à aller vice versa.
Toi peut utiliser que information
à alimentation dans quelques de le différent la modélisation plates-formes
que nous allons regarde ici dans un peu minutes.
Dos à le multi varier.
En allant ici, en allant à courir tous ces.
Allons courir ce plate-forme.
C'est intéressant.
Allons aller ici, mon mauvais.
W e peut voir notre corrélations.
Alors à obtenir le valeur aberrante analyse,
aller ici, Cliquez sur,
Désolé, aller dans le multi varier et toi aller vers le bas à valeur aberrante analyse.
Toi courir Maha lanobis Distances, toi courir les distances Jackknife .
Il y a différent approche est basé sur.
j'ai avait à obtenir réussi pour ça.
Ce est premier passage.
Regards comme nous avons a obtenu quelque chose à travail avec ici.
Le suivant étape est à casser ces vers le bas un petit peu plus
à regarder à comment chaque de le différent métrique est répondre
à différent noyau tailles.
Quoi étaient vraiment regarder pour ici est
comment avoir...
Nous commencer à voir plus grand changements dans le noyau tailles.
Sont le lignes toujours chevauchement avec un un autre?
Étaient départ à voir séparation.
Regarder à 15 sur mauvais , contre 15 c'est bien,
15 sont mauvais, 15 c'est bien pour structure similarité dans MSE
et nous peut commencer à voir que, étaient voyant séparation ici.
je pense que est un bien indicateur
que nous devrait être capable à extrait quelque chose depuis ce.
Que était fait en utilisant le graphique constructeur démo.
j'ai a obtenu données tableau construit
spécifiquement pour ce
graphique constructeur, super fonctionnalité ici.
Je suis dumping dans noyau taille.
Je suis regarder le valeur le réseau,
ces dans groupes basé sur bien contre mauvais classification codes.
Alors mon image métrique est en allant à utiliser page.
Ici je juste aller créer un linéaire ajuster
que regarder à avancé pour prédiction , R².
Cela fera juste apparaître l'équation est là.
Toi peut voir le bonté de le ajuster.
je faire comme regarder à acclamation points.
Pour ce, quand je utilisé grille centrée et se déplacer ce le long de.
C'est juste facile autour le yeux pour présentation fins.
Toi peut faire défiler à travers ici,
et c'est a obtenu pour chaque de ces vraiment bon regarder graphiques à Aperçu.
Basé sur le multi varier et ce linéaire ajuster,
Je suis sentiment joli bien à propos le données
que nous extrait depuis ces images.
Le suivant étape est, nous avons a obtenu un parcelle de métrique que nous avons extrait depuis ces.
Faire tout de cela matière, faire quelques de il matière?
Le suivant couple des diapositives, nous aller sur dimensionnel réduction.
Spécifiquement, je utilisé un APC et Partiel B carrés pour ce APC.
Avec ce est classification, mauvais contre bien.
Ce va dos à quoi je était démo plus tôt
et le données tableau.
Quand tu es bâtiment un APC, toi vouloir à avoir, évidemment,
ton contributions et ton les sorties refonte comme vecteurs dans que analyse.
Le raison pourquoi toi vouloir que est parce que
tu es regarder pour non non rthogonalité avec salutations à ton contributions et ton les sorties.
Le plus orthogonal, ils sont à un un autre,
le moins probable ils sont jouant un rôle dans qu'est-ce que c'est en allant sur.
Refonte
un personnage- basé classification dans un nombre fait du que facile à travail avec.
Nous pourrait voir ici, nous avons a obtenu quelques ici que regarder comme ils pourrait être intéressant.
Quelques de ces sont intéressant.
je Souligné ces à courir ce analyse
et simplement a pris mon données tableau que je construit,
aller ici, analyser, prédictif la modélisation.
Désolé, multivarié, principal Composants.
Quoi étaient en allant à faire est casting bien, mauvais classification,
et tous de notre différent métrique dans le analyse.
Voir ici, ces ça a l'air intéressant.
Ces étaient particulièrement intéressant.
Qu'est-ce que c'est bon est quand toi souligner ces,
et toi aller dos et toi regarder à ton données tableau,
ça va souligner lequel problèmes toi choisi.
Souvent PT peut obtenir vraiment occupé,
donc c'est pratique à être capable à aller références, et dire,
"D'accord, donc ces sont le ceux que Je suis en fait intéressé dans."
Allons obtenir dos à ici.
Après ce, dans un SVP, ce est plus pour
ciblage comment beaucoup facteurs nous pense sont jouant un rôle
dans le données que nous avons a obtenu,
comme Bien comme portion nous identifier supplémentaire métrique
que pourrait être intéressant.
Pour ce particulier données ensemble,
il regards comme il s'installe dans et à propos
probablement minimum de cinq facteurs que nous serait attendre
que vient depuis ce prob plus grand que
van der Voet T² métrique basé sur le manuel de travail,
ils référencé un académique des recherches qui indiquent que
rien va à propos 0,1 est typiquement où toi vouloir à commencer à.
Depuis là, nous courir le SVP facteur identification.
Ce est ton VIP contre Coefficient des parcelles,
et depuis là, tu peut souligner le différent
métrique que sembler à être conduite ce, le ceux que sont la plupart pertinent.
Le chemin que travaux regarder à ces graphiques est toi vouloir à aller dehors à le extrêmes.
Ces sont intéressant.
Comme il obtient plus près, plus près à le zéro coefficient,
c'est moins intéressant.
Je suis pas en allant à courir le SVP plate-forme
parce que ce volonté en fait prendre un alors que à courir.
je ne le faites pas pense n'importe qui veut à juste montre mon ordinateur courir
en faisant cela.
Basé sur notre dimension réduction,
je terminé en haut avec ces facteurs être le la plupart pertinent
avec salutations à quoi il est que nous vouloir à alimentation dans le neural réseau.
Quelques expérimentation, je trouvé que il était principalement le SVP résultats,
et alors le standard 10 métrique depuis le APC comme Bien
quand que était ajoutée dans,
il vraiment aidé tirer le modèle ensemble.
Entraînement contre Validation.
Évidemment, Je suis en utilisant un neural réseau à construire le modèle pour le classificateur.
Le raison pourquoi Je suis en utilisant que plate-forme spécifiquement pour ce,
il a Pliage en K validation réservée dans sur c'est standard dans le Plateforme JMP,
lequel est super.
j'ai trouvé que KF vieux aide à compenser
quand tu es chancelant sur classe déséquilibre.
C'est un vraiment commun problème quand tu es transaction avec,
étudier fabrication processus.
Oui tu es pas en allant à avoir un parcelle de le défectueux données à travail avec.
Vous avez vraiment a obtenu à faire le meilleur de quoi vous avez a obtenu.
je trouver que parfois K-Folds aide avec que.
Le sortir depuis le neural réseau était joli bien, en fait.
Le chemin je faire ce est Je vais courir ce modèle, comme à propos cinq fois,
et alors Je vais comparer tout cinq de eux à une un autre.
Je vais prendre essentiellement le médian, ce classification taux,
et alors aller vers le bas ici et regarder à notre faux points positifs et FAUX négatif les taux.
Avec salutations à,
le FAUX positif les taux.
je regarder à le ROC Courbe.
C'est un secrète opérateur caractéristiques courbes.
Toi vouloir à regarder à ces,
ils vouloir à être décrit comme haut et serré,
le plus proche ces lignes obtenir à ce milieu doubler,
le plus proche tu obtiens à le pièce de monnaie passe et ton le prédiction.
Évidemment, que est pas quoi étaient voyant ici.
Alors le prédiction profileur a quelques super caractéristiques
parce que toi peut essentiellement réorganiser ces basé sur
lequel sont jouant le le plus grand rôle dans le prédiction,
comme Bien comme visualisation, comme quoi chaque individuel métrique est faire
avec salutations à jouant un rôle dans le prédiction lui-même.
Dans ce cas,
étaient regarder à transitions de le dominant dimensions ici.
Voici un petit peu bizarre.
Je suis pas bien sûr qu'est-ce que c'est en allant sur avec ça.
UN s toi obtenir dos ici, où le moins dominant dimensions,
toi peut commencer à voir ils devenir plus poussé.
Je vais courir le démo pour le neural réseau.
Nous aller ici.
Analyser.
UN en fait, j'ai a obtenu ce un construit déjà.
Laissez-moi...
Nous lancement ce analyse.
Nous avons inclus notre facteurs, notre réponses sont classification.
Neural réseau n'a pas se soucier
si tu es en utilisant un numérique ou personnage- basé réponse.
Que volonté travail avec soit un.
Ici, pour validation méthode,
vous avez un K-Fold, en utilisant cinq plis.
Le or standard pour la plupart comme Type IA analyse est dix.
je trouvé ce cinq était bien
donc Non raison à pousser il.
je utiliser trois caché nœuds.
Appuyez sur Go et voici le sortir.
Comme je dit, Je vais courir ce probablement
cinq fois, prendre la valeur de lecture toi peut voir ici.
Notre classification est joli bien.
Bien voir un petit peu variation sur le validation ensemble.
Mais c'est tous dans raison pour quoi il est que Je suis regarder pour
avec salutations à le profileur et le ROC courbe.
Toi obtenir vers le bas ici, lequel ROC courbes toi peut voir ici,
comme je décrit plus tôt, ce hauteur caractéristiques sur le courbes.
Validation, peut être un petit peu moins, mais nous pouvons travail avec il.
Alors avec salutations à le profileur.
Les sorties du profileur regards comme ce.
Il n'a pas organiser eux et lequel un est la plupart pertinent.
Toi aller ici
et toi aller à évaluer variable importance, indépendant uniforme contributions.
Aller dos en haut ici, nous peut voir un résumé rapport.
Ici, toi aller vers le bas à variable importance, menu.
Depuis ici, toi peut réorganiser facteurs par principal importance de l’effet.
Pour ce modèle, il réorganisé ce chemin,
Coloriser.
Toi peut voir ici nous avons a obtenu le plus foncé couleur est plus pertinent
et alors il se déplace à le droite.
Voyons.
Conversion le modèle à un CPS métrique, à faire le données Plus facile à interpréter,
nous besoin à prendre le résultat depuis le modèle converti dans métrique
qui peut être posté à CPS système et tracé sur CPS graphique.
Le Activation composant de le neural réseau modèle est un doux carte fonction
c'est un standard dans JMP.
Ce calcule le probabilité de un image être bien ou mauvais,
avec le plus haut le deux résultant et avec le images classifié comme
et quoi étaient en allant à faire ici est en allant à introduire un troisième métrique inconnu.
Je vais montrer un petit peu à propos comment que est fait.
Un de le bon des choses à propos le neural réseau plate-forme
est le SAS DONNÉES Étape sortir déposer est en fait comme un Pythonique modèle scénario.
Typiquement pour le système métrique, toi vouloir ce dans python,
ça va être vraiment cool,
oublié comment à faire il tous dans JMP.
Ce code depuis le neural réseau ici,
le réel modèle lui-même peut être sorti dans ce format.
Toi juste aller à modèle et faire SAS DES DONNÉES étape.
Ici nous aller.
je pense dans JMP Pro, toi pourrait juste sortir il par python directement,
mais pas tout le monde a accéder à JMPPro.
Il obtient soit 80 % de le chemin là,
pas 100 %.
Il juste a besoin un peu modifications dans le réel code.
Sur le gauche main côté, nous avons a obtenu le SAS DONNÉES S étape format.
Sur le du côté de la main droite, c'est le conversion de il à le python.
C'est juste importer il comme importer le mathématiques bibliothèque,
et alors postuler que donc nous peut prendre le tangente à des choses.
Alors toi obtenir que ici.
Quoi nous vouloir à faire est seuil,
les notres souvent hache probabilité calcul étaient faire ce,
plutôt que juste en disant, peu importe de ces,
est le plus élevé est ton réel résultats.
Si c'est 0,5 1, mauvais, 0,49 , bien, alors ça va être mauvais.
Est nous aller et nous dire, "D'accord, si le Softmax sortir est plus grand que 0,75
alors c'est que classificateur, parce que ça va être égal et opposé."
Ce sera être acceptable un.
Si c'est 0,75 mauvais alors c'est mauvais,
mais si c'est un nombre moins que que, il ne le fera pas classer il comme bien ou mauvais.
Ce sera juste classifié comme inconnu.
Bien passer que dans notre système.
Quoi que raconte nous à faire est quelqu'un regarder à ceux images,
parce que le classificateur ne peut pas décider si ou pas c'est bien ou mauvais.
Le sortir, et ce est le fini produit,
est à convertir, comme je dit,
le final métrique dans quelque chose que pourrait être signalé dans notre CPS système.
Essentiellement, quoi étaient faire ici est juste en fait rapport
quoi notre Doux hache probabilité est,
prise le inverse de que, et alors postuler le seuil
à déterminer si ou pas des choses sont connu ou inconnu.
Basé sur que, ce est notre initial données
que j'ai montré à le début de le présentation
que montre ce est le graphique regarder comme pour le la mesure de le défaut.
Alors ce est quoi nous obtenir quand nous aller dans
et nous réanalyser que données et appliquer ce nouveau métrique,
lequel raconte nous si ou pas il pense que il y a côté mur fonctionnalité,
toi peut voir regarder à le même données ensemble
que Oui, il très beaucoup donc identifie que comme soit bien ou mauvais.
Le vert indique c'est un bien.
Le rouge indique ceux étaient classifié comme mauvais.
Alors toi peut voir ici sur Données CPS,
ils serait immédiatement obtenir signalé comme mauvais comme Bien.
Ces bleu ceux suspendu dehors ici
sont les ceux que sont inconnu que il est récit nous donc beaucoup,
"Aller regarder à ce."
Que est mon présentation.
j'ai posté le information à le utilisateur communauté site
si n'importe qui veut accéder à le code
c'est utilisé pour le image analyse que est là.
Remercier toi très beaucoup.
