你好，我的名字的史蒂夫麦克斯韦。
我是一个工程师。
我工作在这半导体行业。
今天，我是去到给A推介会在如何我使用 JMP
在这建筑的这图像分析管道。
A小的少量的背景在这问题。
二的我们的模块团体在我们的设施
跑进入一个问题和A特征
在那里曾是侵蚀在这侧壁的这特征。
这扫描电镜系统那我们用过的到措施
这尺寸的这特征不是检测这特征，
和它没有有这能力到表征这。
它是一个较老的片的设备，但这也是有薪酬的为了所以我们喜欢它。
这方法那我受雇的到帮助他们出去
曾是到建造A分离分析管道到分析图片，
分类图片那是拥有损坏与否,
和它生产A公制那可能发送至 SPC系统为了跟踪目的。
我使用JMP为主到分析数据，
到建造A模型系统部署和制造业，
作为出色地作为，更多的最近，
整合一些的这实际的图像分析进入JSL。
患病的展示一些例子的那。
这是A样本的什么它是那是看着在。
这是A好的图像这左边-手边，
和这是A坏的图像在这右侧。
我们能看这里这喜欢变化和侵蚀。
那是什么我们是看着为了在这些图片。
我们可以看从这里那这测量，
哪个是完毕在这里面的这
不会真的重置到这些特征那着陆在这相同的点每一个时间。
是不是有能力的到只需使用即可告诉我们的普通的方法。
这是A小的少量更多的细节关于什么我们是看到。
这是一个例子的什么一些的那数据看起来喜欢
如果我们可以看从这里那尽管这过程曾是拥有问题，
我们是不是检测它和这测量那我们是使用。
我们推出了进入一个方法到地址这问题。
我使用这标准ETL格式为了大多数数据科学问题。
提炼，转换，加载。
我得到到休息它进入四大类，
配置，收集，分析和报告。
配置和收藏，标准方法。
分析，那是这钥匙到这。
那是如何我是再加工这图片
和然后提取指标为了那些图片那我们能使用到建造A模型
到决定无论或者不是，我们可以探测这问题在手。
这方法为了那分析是到转变这图片从RGB，
哪个是来离开在这系统，这测量系统，
和转变那些到灰色的规模。
然后图片是裁剪过的，消除任何测量细节，
一切喜欢那出去的他们。
然后这下一个步是到申请中位数到这些图片。
这原因为什么做那是是去到模糊这图片
和消除一些的这噪音出去的这图像。
这是A钥匙步为了图像分析和图像加工。
这方法曾是用过的作为一个实验性的方法不同的核心尺寸，
不同的核心形状，但在这结尾，是定居在
使用A磁盘-成形核心和A像素半径的喜欢5、7 , 10、和15像素。
为了那些那是陌生和那术语，
核心是基本上只是一个大批
那是用过的到恶化图像什么时候你是重新处理它。
后那曾是完毕，
萃取的这指标从这再加工的图片曾是发达，
用过的一些不同的标准指标，
结构相似性指数，均方误差，香农熵，
然后A很少不同的喜欢的人高斯版本的SSIM，
作为出色地作为看着在这方法的这标准偏差的这
SSIM图像渐变从这高斯加权图片。
从那里，用过维度的减少技巧
到提炼哪个的那些指标曾是最多相关的，
到尝试和建造A模型，一个预测性的模型
和然后转变那进入一些那个公制
那可以是容易地解释的在这制造业
尽管跑步生产。
一的这后续行动在这是什么时候正在做这公制提取物，
这参考图像功绩这图像那
用过的A核心和A像素半径在五，
和然后这7、10 和 15核心半径是准备好了到那图像。
这节目A小的少量更多的细节关于
什么这分析管道方法看起来喜欢。
这离线方法，我们开始和这图像获得。
明显地，这是完毕期间这制造业过程。
后那，最初，这工作曾是完毕Python，
哪个曾是到转变这灰度庄稼，德噪音，这图片，
和然后特征一代公制萃取， SSIM，
意思是正方形，熵，计算， ETC。
JMP JSL有A Python包装纸那你能使用为了一体化。
什么是伟大的是你能实际上移动A很多的这代码
在到这联合管理计划环境。
患病的去进入A小的少量更多的细节关于什么那是
和如何我使用它到帮助速度这过程沿着。
这最终的成分的这曾是到发展A质量公制。
这是非常JMP密集型步作为出色地。
然后一次A公制是决定，
你移动那超过进入一个在线的过程
在哪个，这制造业数据是分析,
然后那个信息是推到A程控系统。
A小的少量更多的关于Python/吉林省一体化，
这融合的Python分析代码进入吉林省使用Python/吉林省包装纸。
这数据转移发生经过转换联合管理计划桌子进入熊猫数据框架。
这数据框架是通过了在一个分析代码。
这结果是回从Python到联合管理计划作为A数据桌子。
什么是伟大的关于这是它使使用
常见的图像分析图书馆如 skimage、scipy、PIL、开放式计算机视觉, ETC，
到履行这工作尽管保持这数据之内这JMP 框架。
这，在我的观点，曾是钥匙因为我是不是移动数据
从一系统或者一平台到其他平台和后退和向前。
我曾是有能力的到保持它全部在一点。
这是A小的少量更多的细节关于
什么这分析管道是正在做什么时候它是再加工这图片。
这是什么我曾是有能力的到移动从只是跑步慢慢地在Python
到整合它进入吉林省使用，让我们说， Python图书馆。
你能看，这是A坏的，这是A好的。
我们裁剪过的这图像只到展示
仅有的拿基本上这成分的它，转变它到灰色的，
和然后申请中等的过滤器到模糊这图片和不同的核心尺寸
作为你能看作为我们增加这核心尺寸，
他们变得A小的少量模糊。
什么我想到显示外卖这里是为了A好的图像，你能看
这核心和磁盘大小5对， 7对， 10相对15、
看漂亮的相似的到一其他。
然而磁盘5，磁盘7、磁盘10、磁盘15、在A坏的图像，
你能看那经过时间你得到到磁盘15、
这图像，或者核心尺寸15、
这图像是开始到看相似的到这。
经过去除这噪音从这图像，
和然后去噪这图片逐渐地
使用不同的核心尺寸。
钍是什么使我们到成功地提炼指标
那我们能使用到区分之间这好的相对这坏的。
对不起，抓住在这里。 让我去后退向上。
在这观点，我是去到发射演示那节目
如何我是移动这数据进入联合管理计划
和然后什么它看起来喜欢作为它基本上再加工这东西。
如何我做那是这第一件事我需要到做是我需要到建造A数据桌子。
它是A伟大的特征在 JMP 中，
你去到文件，进口多种的文件这里。
然后什么我有得到是我有得到基本上A样本放刚刚的五图片
那我是去到结合所有t在一起进入一数据桌子。
什么它做是它实际上进口这图片作为出色地作为这图像文件名称。
你去这里，点击那文件柱子姓名，点击进口，
和
什么我们得到，
是这。
我们已经得到一个图像的我们的图片那我们想到分析。
我们已经得到A文件姓名标签下一个到它。
我们已经得到这数据导入的图像。
现在，这下一个步是到跑步我们的分析代码
反对每个的这些图片和开始提取指标。
我有得到A...
修改的版本的那代码这里。
这方式这代码作品是
有A Python初始化那发生JSL。
进而一次那是完毕，
这数据桌子那你想到分析
是过去的八到Python作为A数据框架。
在那观点在下面这Python提交，
基本上，你转变超过到Python代码。
进而你是使用标准方法,
标准编码程序为了Python
和分析这图像，作为你能看这里，
我们有我们的图书馆进口， ETC。
如何高的这代码曾是，基本上到寻找A束的功能。
然后那些功能将要返回一个输出
那会基本上得到添加后退进入这数据框架
那是推后退出去到联合管理计划进入这数据桌子。
那是完毕经过使用这拉姆达函数，
th是拉姆达功能适用这福数控的全部行，
这指定的柱子在这数据框架或者这联合管理计划桌子。
什么时候我们跑步这...
我们是什么去到做是拿那桌子我只是建成
和是去到提炼，
但什么是去到做是重新加工这图片和提炼这指标。
什么我们看这里是这图片那是显示早些时候。
我们已经采取我们的图片，我们已经转换的它到灰色的。
然后我们开始了学习它。
我们已经得到5像素半径核心7、 10 和15.
然后从那里，是提取全部的我们的不同的指标。
SS我是为了7 比较到5 SSIM。
SSIM 是结构性的相似指数，
7 比较到5、 10 比较到5、 15 比较到5.
那是基本上什么是正在做，是计算结构相似性指数
之间这图像和这个图片，
这张图和这张图
还有这个图像和这个图像。
如果我们去后退到我们的推介会，
从这里，我用过的一些不同的方法为了审问这数据。
首先是多变量
大量相关性到工作和这里。
这红色的表示坏的图片，蓝色的表示好的图片。
一个异常值分析，只是看着在这马哈拉诺比斯距离，
折刀距离。
那是只是到看无论或者不是是重重地倾斜，
你能看那我们已经得到更多的异常值
在这坏的人口比较的到这好的。
但是我思考如果你分离这些二出去，
这来了向下A小的少量。
我是显示这只是到展示你能去在这里，
和你能开始修剪一些的这些出去如果你想到，
如果你是不是看到好的适合。
但为了这目的的这锻炼，
我没有有到消除或者隐藏任何数据在这分析。
我曾是有能力的到使用全部作为它是。
但如何我做过那曾是这里。
这是这主要的数据桌子。
这是全部这数据那我看起来在，这里全部这图片。
我会只是去到分析，多变量方法，跑步这多变量。
什么我们想到做是只是去和那，
实际上，对不起，在这第二这里。
什么时候分类，
我做过使用转换在这分类从A特点根据t哦转动。
有A伟大的特征在这里。
我们能去到柱子，公用事业，和然后制作指标列。
你能去此处并单击追加柱子姓名。
什么它做是A小的说， “好的，那是一，零。”
为了这排，这是坏的，不是好的。
然后，向下这里到去副反之亦然。
你能使用那信息
到喂养进入一些的这不同的造型平台
那我们要去小心这里在A很少分钟。
后退到这多变量。
去这里，去到跑步全部这些。
让我们跑步这平台。
那是有趣的。
让我们去这里，我的坏的。
瓦e能看我们的相关性。
然后到得到这异常值分析，
去这里，点击，
对不起，去进入这多变量和你去向下到异常值分析。
你跑步摩诃拉诺比斯距离，你运行折刀距离。
有不同的方法是基于在。
我有有到得到成功的为了这。
这是第一关。
看起来喜欢我们已经得到某物到工作和这里。
这下一个步是到休息这些向下A小的少量更多的
到看在如何每个的这不同的指标是回应
到不同的核心尺寸。
什么是真的看着为了这里是
如何获得...
我们开始到看更大变化在这核心尺寸。
是这线仍然重叠和一其他？
是开始到看分离。
看着在15在坏的， 相对15个都不错，
15个都不好， 15 很好用于结构相似在均方误差
和我们能开始到看那，是看到分离这里。
我思考那是A好的指标
那我们应该是有能力的到提炼某物从这。
那曾是完毕使用这图形建设者演示。
我有得到数据桌子建成
具体来说为了这
图形建设者,伟大的特征这里。
我是倾销在核心尺寸。
我是看着这价值这网络，
这些进入团体基于在好的相对坏的分类代码。
然后我的图像公制是去到使用页。
这里我只是去创造A线性合身
那看在先进的为了预言, R²。
它只会弹出方程是那里。
你能看这善良的这合身。
我做喜欢看着在欢呼点。
为了这，什么时候我用过的居中网格和移动这沿着。
它是只是简单的大约这眼睛为了推介会目的。
你能滚动通过这里，
和它是得到为了每个的这些真的好的看着图表到预览。
基于这多变量和这线性合身，
我是感觉漂亮的好的关于这数据
那我们提取的从这些图片。
这下一个步是，我们已经得到A很多的指标那我们已经提取的从这些。
做所有的事其中事情，做一些的它事情？
这下一个夫妻幻灯片,我们去超过维度的减少。
具体来说，我用过的A主成分分析和部分的乙正方形为了这主成分分析。
和这是分类，坏的相对好的。
这去后退到什么我曾是演示早些时候
和这数据桌子。
什么时候你是建筑A主成分分析,你想到有，明显地，
你的输入和你的输出重铸作为向量在那分析。
这原因为什么你想那是因为
你是看着为了不，不正交性和问候到你的输入和你的输出。
这更多的正交，他们是到一其他，
这较少的可能他们是玩A角色在什么是去在。
重铸
A特点-基于分类进入A数字使那简单的到工作和。
我们可以看这里，我们已经得到一些这里那看喜欢他们可以是有趣的。
一些的这些是有趣的。
我突出显示这些到跑步这分析
和简单地拿我的数据桌子那我建造,
去这里，分析、预测造型。
对不起，多元、主要成分。
什么是去到做是投掷好的，坏的分类，
和全部的我们的不同的指标进入这分析。
看这里，这些看起来很有趣。
这些是特别有趣的。
什么是好的是什么时候你强调这些，
和你去后退和你看在你的数据桌子，
它会强调哪个问题你已选择。
很多时候PT能得到真的忙碌的，
所以它是便利到是有能力的到去参考文献，并说，
“好的，所以这些是这那些那我是实际上感兴趣的在。”
让我们得到后退到这里。
后这，在A请，这是更多的为了
瞄准如何许多因素我们思考是玩A角色
在这数据那我们已经得到，
作为出色地作为帮助我们确认额外的指标
那可能是有趣的。
为了这特别的数据放，
它看起来喜欢它解决在和关于
大概最小值五因素那我们会预计
那来了从这概率更大比
范德沃特T²公制基于在这工作手册、
他们引用的A学术的研究表明
任何事物去关于0.1是通常在哪里你想到开始在。
从那里，我们跑步这偏最小二乘法因素鉴别。
这是你的贵宾相对系数地块，
和从在那里，你能强调这不同的
指标那似乎到是驾驶这，这那些那是最多相关的。
这方式那作品看着在这些图表是你想到去出去到这极端。
这些是有趣的。
作为它得到更近，更近到这零系数，
它是较少的有趣的。
我是不是去到跑步这偏最小二乘法平台
因为这将要实际上拿A尽管到跑步。
我不思考任何人想要到只是手表我的电脑跑步
这样做的同时。
基于我们的方面减少，
我结束了向上和这些因素存在这最多相关的
和问候到什么它是那我们想到喂养进入这神经的网络。
一些实验，我成立那它曾是主要是这偏最小二乘法结果，
和然后这标准10 公制从这主成分分析作为出色地
什么时候那曾是添加在，
它真的帮助了拉这模型一起。
训练相对验证。
明显地，我是使用A神经的网络到建造这模型为了这分类器。
这原因为什么我是使用那平台具体来说为了这，
它有K型折叠已预订验证在在它是标准在这JMP平台，
哪个是伟大的。
我有成立那肯佛法老人帮助到补偿
什么时候你是摇摇欲坠在班级不平衡。
那是A真的常见的问题什么时候你是交易和，
学习制造业流程。
是你是不是去到有A很多的这有缺陷的数据到工作和。
你已经真的得到到制作这最好的的什么你已经得到。
我寻找那有时K-Folds 有助于那。
这输出从这神经的网络曾是漂亮的好的，实际上。
这方式我做这是患病的跑步这模型，喜欢关于五次，
和然后患病的比较所有五个他们给一个其他。
患病的拿基本上这中位数，这分类速度，
和然后去向下这里和看在我们的虚假积极的一面和错误的消极的费率。
和问候到，
这错误的积极的费率。
我看在这鹏曲线。
这是A秘密操作员特征曲线。
你想到看在这些，
他们想到是描述作为高和紧的，
这更近这些线得到到这中间线，
这更近你得到到这硬币通过和你的这预言。
明显地，那是不是什么是看到这里。
然后这预言分析器有一些伟大的特征
因为你能基本上重新排序这些基于在
哪个是玩这最大角色在这预言，
作为出色地作为可视化，喜欢什么每个个人公制是正在做
和问候到玩A角色在这预言本身。
在这案件，
是看着在过渡的这主导的方面这里。
这是A小的少量诡异的。
我是不是当然什么是去在接着就，随即。
A s你得到后退这里，在哪里这较少的主导的方面，
你能开始到看他们变得更多的推。
患病的跑步这演示为了这神经的网络。
我们去这里。
分析。
A事实上，我有得到这一建成已经。
让我...
我们发射这分析。
我们已经包括我们的因素，我们的回应是分类。
神经网络不关心
如果你是使用A数值或者特点-基于回复。
那将要工作和任何一个一。
这里，为了验证方法，
你有一个K折，使用五折。
这金子标准为了最多喜欢AI型分析是十。
我成立这五曾是美好的
所以不原因到推它。
我使用三隐节点。
点击“开始”，然后这是输出。
喜欢我说，患病的跑步这大概
五次，取读数值你能看这里。
我们的分类是漂亮的好的。
出色地看A小的少量变化在这验证放。
但它是全部之内原因为了什么它是那我是看着为了
和问候到这分析器和这鹏曲线。
你得到向下这里，哪个鹏曲线你能看这里，
作为我描述早些时候，这高度特征在这曲线。
验证，或许A小的少量较少的，但我们可以工作和它。
然后和问候到这分析器。
分析器输出看起来喜欢这。
它不安排他们和哪个一是最多相关的。
你去这里
和你去到评估多变的重要性，独立的制服输入。
去后退向上这里，我们能看A概括报告。
这里，你去向下到多变的重要性，菜单。
从这里，你能重新排序因素经过主要的效果的重要性。
为了这模型，它重新排序这方式，
着色。
你能看这里我们已经得到这较暗颜色是最相关的
和然后它动作到这正确的。
让我们来看看。
转换这模型到一个程控公制，到制作这数据更轻松到解释，
我们需要到拿这结果从这模型转换的进入公制
这样可以是发布到程控系统和绘制的在程控图表。
这激活成分的这神经的网络模型是A柔软的地图功能
那是A标准在 JMP 中。
这计算这可能性的一个图像存在好的或者坏的，
和这更高这二结果和和这图片分类作为
和什么是去到做这里是去到介绍A第三个指标未知。
患病的展示A小的少量关于如何那是完毕。
一的这好的事物关于这神经的网络平台
是这SAS数据步输出文件是实际上喜欢A Pythonic模型脚本。
通常为了公制，你想这在Python，
那会是真的凉爽的，
忘记如何到做它全部在JMP。
这代码从这神经的网络这里，
这实际的模型本身能是输出的在这格式。
你只是去到模型和制作SAS数据S泰普。
这里我们去。
我思考在 JMP Pro 中，你可以只是输出它经过Python直接地，
但不是每个人有使用权到JMP 专业版。
它得到任何一个80 %的这方式那里，
不是100 %。
它只是需要A很少修改在这实际的代码。
在这左边手边，我们已经得到这SAS数据S泰普格式。
在这右侧，它是这转换的它到这Python。
它是只是输入它作为输入这数学图书馆，
和然后申请那所以我们能拿这切线到事物。
然后你得到那这里。
什么我们想到做是临界点，
我们的S奥夫TM斧头可能性计算是正在做这，
相当比只是说，任何的这些，
是最高是你的实际的结果。
如果它是0.5 1、坏的， 0.49 ,好的，然后它将是坏的。
是我们去和我们说， “好的，如果这软最大输出是更大比0.75
然后它是那分类器，因为它会是平等的和对面的。”
它会是可以接受一。
如果它是0.75那么糟糕它是坏的，
但如果它是A数字较少的比那，它惯于分类它作为好的或者坏的。
它会只是分类作为未知。
出色地经过那进入我们的系统。
什么那告诉我们到做是某人看在那些图片，
因为这分类器不能决定无论或者不是它是好的或者坏的。
这输出，和这是这完成的产品，
是到转变，喜欢我说，
决赛公制进入某物那可以是报道在我们的程控系统。
基本上，什么是正在做这里是只是实际上报告
什么我们的软体斧头可能性是，
采取这逆的那，和然后申请这临界点
到决定无论或者不是事物是已知的或者未知。
基于那，这是我们的最初的数据
那我有显示在这开始的这推介会
那节目这是这图表看喜欢为了这测量的这缺点。
然后这是什么我们得到什么时候我们去在
和我们重新分析那数据和申请这新的公制，
哪个告诉我们无论或者不是它想那有边墙特征，
你能看看着在这相同的数据放
那是的，它非常很多所以识别那作为任何一个好的或者坏的。
这绿色的表示那是A好的。
这红色的表示那些是分类作为坏的。
然后你能看这里在SPC数据，
他们会即刻得到标记的作为坏的作为出色地。
这些蓝色的那些绞刑出去这里
是那些那是未知那它是讲述我们所以很多，
“去看在这。”
那是我的推介会。
我有发布这信息到这用户社区地点
如果任何人想要使用权到这代码
那是用过的为了这图像分析那是那里。
感谢你非常很多。
