你好，我的名字的史蒂夫麥克斯韋。
我是一個工程師。
我工作在這半導體行業。
今天，我是去到給A推介會在如何我使用 JMP
在這建築的這圖像分析管道。
A小的少量的背景在這問題。
二的我們的模塊團體在我們的設施
跑了進入一個問題和A特徵
那裡曾是侵蝕在這側壁的這特徵。
這掃描電鏡系統那我們用過的到措施
這尺寸的這特徵不是檢測這特徵，
和它沒有有這能力到表徵這。
它是一個年長的片的設備，但這也是有薪酬的為了所以我們喜歡它。
這方法那我受僱到幫助他們出去
曾是到建造A分離分析管道到分析圖片，
分類圖片那是有損壞與否,
和它生產A公制那可能發送給SPC系統為了跟踪目的。
我使用JMP主要到分析數據，
到建造A模型系統部署和製造業，
作為出色地作為，更多的最近，
整合一些的這實際的圖像分析進入JSL。
患病的展示一些例子的那。
這是A樣本的什麼它是那是看著在。
這是A好的圖像這左邊-手邊，
和這是A壞的圖像在這右側。
我們能看這裡這喜歡變化和侵蝕。
那是什麼我們是看著為了在這些圖片。
我們可以看從這裡那這測量，
哪個是完畢在這裡面的這
不會真的重置到這些特徵那著陸在這相同的點每一個時間。
是不是有能力的到通過使用告訴我們的普通的方法。
這是A小的少量更多的細節關於什麼我們是看到。
這是一個例子的什麼一些的那數據看著喜歡
如果我們可以看從這裡那儘管這過程曾是有問題，
我們是不是檢測它和這測量那我們是使用。
我們推出了進入一個方法到地址這問題。
我使用這標準ETL格式為了大多數數據科學問題。
提煉，轉換，加載。
我得到到休息它進入四類，
配置，收集，分析和報告。
配置和收藏，標準方法。
分析，那是這鑰匙到這。
那是如何我是再加工這圖片
和然後提取指標為了那些圖片那我們能使用到建造A模型
到決定無論或者不是，我們可以探測這問題在手。
這方法為了那分析是到轉變這圖片從紅綠藍,
哪個是來離開在這系統，這測量系統，
和轉變那些到灰色的規模。
然後圖片是裁剪,消除任何測量細節，
一切喜歡那出去的他們。
然後這下一個步是到申請中位數到這些圖片。
這原因為什麼做那是是去到模糊這圖片
和消除一些的這噪音出去的這圖像。
這是A鑰匙步為了圖像分析和圖像加工。
這方法曾是用過的作為一個實驗性的方法不同的核心尺寸，
不同的核心形狀，但在這結尾，是定居在
使用A磁盤-成形核心和A像素半徑的喜歡5, 7 , 10,和15像素。
為了那些那是陌生和那術語，
核心是基本上只是一個大批
那是用過的到惡化圖像什麼時候你是重新處理它。
後那曾是完畢，
萃取的這指標從這再加工圖片曾是發達，
用過的一些不同的標準指標，
結構相似性指數，均方誤差，香農熵，
然後A很少不同的像高斯版本的西卡,
作為出色地作為看著在這方法的這標準偏差的這
SSIM 圖像梯度從這高斯加權的圖片。
從在那裡，用過立體的減少技巧
到提煉哪個的那些指標曾是最多相關的，
到嘗試和建造A模型，一個預測的模型
和然後轉變那進入一些那個公制
那可以是容易地解釋的在這製造業
儘管跑步生產。
一的這跟進在這是什麼時候正在做這公制提取物，
這參考圖像功績這圖像那
用過的A核心和A像素半徑在五，
和然後這7、10 和 15核心半徑是準備好的到那圖像。
這節目A小的少量更多的細節關於
什麼這分析管道方法看起來喜歡。
這離線方法，我們開始和這圖像獲得。
明顯地，這是完畢期間這製造業過程。
後那，最初，這工作曾是完畢Python，
哪個曾是到轉變這灰階莊稼，德噪音，這圖片，
和然後特徵一代公制萃取，西卡,
意思是正方形，熵，計算， ETC。
JMP JSL有A Python包裝紙那你能使用為了一體化。
什麼是偉大的是你能實際上移動A很多的這代碼
在到這JMP環境。
患病的去進入A小的少量更多的細節關於什麼那是
和如何我使用它到幫助速度這過程沿著。
這最終的成分的這曾是到發展A質量公制。
這是非常JMP密集型步作為出色地。
然後一次A公制是決定，
你移動那超過進入一個在線的過程
在哪個，這製造業數據是分析，
然後那個信息是推到A程序控制系統。
A小的少量更多的關於Python/ JSL一體化，
這融合的Python分析代碼進入JSL使用Python/ JSL包裝紙。
這數據轉移發生經過轉換聯合管理計劃桌子進入熊貓數據框架。
這數據框架是通過在一個分析代碼。
這結果是回從Python到JMP作為A數據桌子。
什麼是偉大的關於這是它啟用使用
常見的圖像分析圖書館作為 skimage，scipy，PIL，打開簡歷, ETC，
到履行這工作儘管保持這數據之內這JMP 框架。
這，在我的觀點，曾是鑰匙因為我是不是移動數據
從一系統或者一平台到其他平台和後退和向前。
我曾是有能力的到保持它全部在一點。
這是A小的少量更多的細節關於
什麼這分析管道是正在做什麼時候它是再加工這圖片。
這是什麼我曾是有能力的到移動從只是跑步慢慢地在Python
到整合它進入JSL使用，讓我們說， Python圖書館。
你能看，這是A壞的，這是A好的。
我們裁剪這圖像只展示
僅有的拿基本上這成分的它，轉變它到灰色的，
和然後申請中等的過濾器到模糊這圖片和不同的核心尺碼
作為你能看作為我們增加這核心尺寸，
他們變得A小的少量模糊。
什麼我想到顯示外賣這裡是為了A好的圖像，你能看
這核心和磁盤大小5對， 7對， 10相對15,
看漂亮的相似的到一其他.
然而磁盤 5，磁盤7、磁盤10、磁盤15,在A壞的圖像，
你能看那經過時間你得到到磁盤15,
這圖像，或者核心尺寸15,
這圖像是開始到看相似的到這。
經過刪除這噪音從這圖像，
和然後去噪這圖片遞增地
使用不同的核心尺寸。
日是什麼使我們到成功地提煉指標
那我們能使用到區分之間這好的相對這壞的。
對不起，抓住在這裡。 讓我去後退向上。
在這觀點，我是去到發射演示那節目
如何我是移動這數據進入JMP
和然後什麼它看起來喜歡作為它基本上再加工這東西。
如何我做那是這第一件事我需要到做是我需要到建造A數據桌子。
它是A偉大的特徵在 JMP 中，
你去到文件，進口多種的文件這裡。
然後什麼我有得到是我有得到基本上A樣本放只是五圖片
那我是去到結合所有 t在一起進入一數據桌子。
什麼它做是它實際上進口這圖片作為出色地作為這圖像文件名字。
你去這裡，點擊那文件柱子姓名，點擊進口，
和
什麼我們得到，
是這。
我們已經得到一個圖像的我們的圖片那我們想到分析。
我們已經得到A文件姓名標籤下一個到它。
我們已經得到這數據導入的圖像。
現在，這下一個步是到跑步我們的分析代碼
反對每個的這些圖片和開始提取指標。
我有得到A...
修改的版本的那代碼這裡。
這方式這代碼作品是
有A Python初始化那發生JSL。
進而一次那是完畢，
這數據桌子那你想到分析
是過去的八到Python作為A數據框架。
在那觀點在下面這Python提交，
基本上，你轉變超過到Python代碼。
進而你是使用標準方法，
標準編碼程序為了Python
和分析這圖像，作為你能看這裡，
我們有我們的圖書館進口， ETC。
如何高的這代碼曾是，基本上到尋找A束的功能。
然後那些功能將要返回一個輸出
那會基本上得到添加後退進入這數據框架
那是推後退出去到JMP進入這數據桌子。
那是完畢經過使用這拉姆達函數，
日是拉姆達功能適用這福數控化全部行，
這指定的柱子在這數據框架或者這JMP桌子。
什麼時候我們跑步這...
我們是什麼去到做是拿那桌子我只是建成
和是去到提煉，
但什麼是去到做是再加工這圖片和提煉這指標。
什麼我們看這裡是這圖片那是顯示更早。
我們已經採取我們的圖片，我們已經轉換它到灰色的。
然後我們開始學習它。
我們已經得到5個像素半徑核心7、 10和15.
然後從那裡，是提取全部的我們的不同的指標。
黨衛軍我是為了7比較到5 個 SSIM。
SSIM 是結構的相似指數，
7比較到5、 10比較到5、 15比較到5.
那是基本上什麼是正在做，是計算結構相似性指數
之間這圖像和這個圖片，
這張圖片和這張圖片
還有這張圖片和這張圖片。
如果我們去後退到我們的推介會，
從這裡，我用過的一些不同的方法為了訊問這數據。
首先是多元的
很多相關性到工作和這裡。
這紅色的表明壞的圖片，藍色的表示好的圖片。
一個異常值分析，只是看著在這馬氏距離，
折刀距離。
那是只是到看無論或者不是是沉重地歪斜的，
你能看那我們已經得到更多的異常值
在這壞的人口比較的到這好的。
但是我思考如果你分離這些二出去，
這來了向下A小的少量。
我是顯示這只是到展示你能去在這裡，
和你能開始修剪一些的這些出去如果你想到，
如果你是不是看見好的適合。
但為了這目的的這鍛煉，
我沒有有到消除或者隱藏任何數據在這分析。
我曾是有能力的到使用全部作為它是。
但如何我做過那曾是這裡。
這是這主要的數據桌子。
這是全部這數據那我看著在，這裡全部這圖片。
我會只是去到分析，多元的方法，跑步這多元的。
什麼我們想到做是只是去和那，
實際上，對不起，在這第二這裡。
什麼時候分類，
我做過使用轉換在這分類從A特點根據噸o轉動。
有A偉大的特徵在這裡。
我們能去到柱子，公用事業，和然後製作指標列。
你能去在這裡，然後單擊追加柱子姓名。
什麼它做是A小的說， “好的，那是一，零。”
為了這排，這是壞的，不是好的。
然後，向下這裡到去副反之亦然。
你能使用那信息
到餵養進入一些的這不同的造型平台
那我們要看這裡在A很少分鐘。
後退到這多變化。
去這裡，去到跑步全部這些。
讓我們跑步這平台。
那是有趣的。
讓我們去這裡，我的壞的。
W電子能看我們的相關性。
然後到得到這異常值分析，
去這裡，點擊，
對不起，去進入這多變化和你去向下到異常值分析。
你跑步瑪哈拉諾比斯距離，你跑折刀距離.
有不同的方法是基於在。
我有有到得到成功的為了這。
這是第一關。
長相喜歡我們已經得到某物到工作和這裡。
這下一個步是到休息這些向下A小的少量更多的
到看在如何每個的這不同的指標是回應
到不同的核心尺寸。
什麼是真的看著為了這裡是
如何獲得...
我們開始到看更大變化在這核心尺寸。
是這線條仍然重疊和一其他？
是開始到看分離。
看著在15在壞的， 相對15個不錯，
15個不好， 15個不錯用於結構相似在均方誤差
和我們能開始到看那，是看見分離這裡。
我思考那是A好的指標
那我們應該是有能力的到提煉某物從這。
那曾是完畢使用這圖形建設者演示。
我有得到數據桌子建成
具體來說為了這
圖形建設者，偉大的特徵這裡。
我是傾銷在核心尺寸。
我是看著這價值這網絡，
這些進入團體基於在好的相對壞的分類代碼。
然後我的圖像公制是去到使用頁。
這裡我只是去創造A線性的合身
那看在先進的為了預言, R²。
它只會彈出等式是那裡。
你能看這善良的這合身。
我做喜歡看著在歡呼點。
為了這，什麼時候我用過的中心網格和移動這沿著。
它是只是簡單的大約這眼睛為了推介會目的。
你能滾動通過這裡，
和它是得到為了每個的這些真的好的看著圖表到預覽。
基於這多變化和這線性的合身，
我是感覺漂亮的好的關於這數據
那我們提取的從這些圖片。
這下一個步是，我們已經得到A很多的指標那我們已經提取的從這些。
做所有它的事情，做一些的它事情？
這下一個夫妻幻燈片，我們去超過立體的減少。
具體來說，我用過的A主成分分析和部分的乙正方形為了這主成分分析
和這是分類，壞的相對好的。
這去後退到什麼我曾是演示早些時候
和這數據桌子。
什麼時候你是建築A主成分分析儀，你想到有，明顯地，
你的輸入和你的產出重鑄作為載體在那分析。
這原因為什麼你想那是因為
你是看著為了不，不正交性和問候到你的輸入和你的輸出。
這更多的正交，他們是到一其他，
這較少的可能他們是玩A作用於什麼是去在。
重鑄
A特點-基於分類進入A數字使那簡單的到工作和。
我們可以看這裡，我們已經得到一些這裡那看喜歡他們可以是有趣的。
一些的這些是有趣的。
我突出顯示這些到跑步這分析
和簡單地拿我的數據桌子那我建成，
去這裡，分析、預測造型。
對不起，多變量，主要成分。
什麼是去到做是投擲好的，壞的分類，
和全部的我們的不同的指標進入這分析。
看這裡，這些看起來很有趣。
這些是特別有趣的。
什麼是好的是什麼時候你強調這些，
和你去後退和你看在你的數據桌子，
它會強調哪個問題你選擇。
經常PT能得到真的忙碌的，
所以它是便利到是有能力的到去參考，然後說，
“好的，所以這些是這那些那我是實際上感興趣的在。”
讓我們得到後退到這裡。
後這，在A請問，這是更多的為了
定位如何許多因素我們思考是玩A角色
在這數據那我們已經得到，
作為出色地作為幫助我們確認額外的指標
那可能是有趣的。
為了這特別的數據放，
它看起來喜歡它定居在和關於
大概最小的五因素那我們會預計
那來了從這概率更大比
范德沃特T²公制基於在這工作手冊，
他們參考的A學術的研究表明
任何事物去關於0.1是通常在哪裡你想到開始在。
從那裡，我們跑步這求助因素鑑別。
這是你的貴賓相對係數地塊，
和從在那裡，你能強調這不同的
指標那似乎到是駕駛這，這那些那是最多相關的。
這方式那作品看著在這些圖表是你想到去出去到這極端。
這些是有趣的。
作為它得到更近，更近到這零係數，
它是較少的有趣的。
我是不是去到跑步這求助平台
因為這將要實際上拿A儘管到跑步。
我不思考任何人想要到只是手錶我的電腦跑步
在這樣做的時候。
基於我們的方面減少，
我結束向上和這些因素存在這最多相關的
和問候到什麼它是那我們想到餵養進入這神經的網絡。
一些實驗，我成立那它曾是主要是這求助結果，
和然後這標準10公制從這主成分分析作為出色地
什麼時候那曾是添加在，
它真的幫助拉這模型一起。
訓練相對驗證。
明顯地，我是使用A神經的網絡到建造這模型為了這分類器。
這原因為什麼我是使用那平台具體來說為了這，
它有K折驗證預定在在它是標準在這JMP平台，
哪個是偉大的。
我有成立那KF老人幫助到補償
什麼時候你是搖搖欲墜在班級失衡。
那是A真的常見的問題什麼時候你是交易和，
學習製造業過程。
是你是不是去到有A很多的這有缺陷的數據到工作和。
你有真的得到到製作這最好的的什麼你有得到。
我尋找那有時K-Folds 有助於那。
這輸出從這神經的網絡曾是漂亮的好的，實際上。
這方式我做這是患病的跑步這模型，喜歡關於五次,
和然後患病的比較所有五個他們對一個其他。
患病的拿基本上這中位數，這分類速度，
和然後去向下這裡和看在我們的假優點和錯誤的消極的費率。
和問候到，
這錯誤的積極的費率。
我看在這鵬曲線。
這是A秘密操作員特徵曲線。
你想到看在這些，
他們想到是描述作為高和緊的，
這更近這些線條得到到這中間線，
這更近你得到到這硬幣通過和你的這預言。
明顯地，那是不是什麼是看見這裡。
然後這預言剖析器有一些偉大的特徵
因為你能基本上重新排序這些基於在
哪個是玩這最大角色在這預言，
作為出色地作為可視化，喜歡什麼每個個人公制是正在做
和問候到玩A角色在這預言本身。
在這案件，
是看著在過渡的這主導的方面這裡。
這是A小的少量詭異的。
我是不是當然什麼是去在接著就，隨即。
A秒你得到後退這裡，在哪裡這較少的主導的方面，
你能開始到看他們變得更多的推。
患病的跑步這演示為了這神經的網絡。
我們去這裡。
分析。
A實際上，我有得到這一建成已經。
讓我...
我們發射這分析。
我們已經包括我們的因素，我們的反應是分類。
神經的網絡沒有關心
如果你是使用A數字或者特點-基於回复。
那將要工作和任何一個一。
這裡，為了驗證方法，
你有一個 K 折，使用五折。
這金子標準為了最多喜歡AI型分析是十。
我成立這五曾是美好的
所以不原因到推它。
我使用三隱節點。
點擊開始，然後這裡是輸出。
喜歡我說，患病的跑步這大概
五次,取讀數你能看這裡。
我們的分類是漂亮的好的。
出色地看A小的少量變化在這驗證放。
但它是全部之內原因為了什麼它是那我是看著為了
和問候到這剖析器和這鵬曲線。
你得到向下這裡，哪個鵬曲線你能看這裡，
作為我描述早些時候，這高度特徵在這曲線。
驗證，或許A小的少量較少的，但我們可以工作和它。
然後和問候到這剖析器。
探查器輸出看起來喜歡這。
它沒有安排他們和哪個一是最多相關的。
你去這裡
和你去到評估多變的重要性，獨立的制服輸入。
去後退向上這裡，我們能看A概括報告。
這裡，你去向下到多變的重要性，菜單。
從這裡，你能重新排序因素經過主要的影響重要性。
為了這模型，它重新排序這方式，
著色。
你能看這裡我們已經得到這較暗顏色是最相關的
和然後它移動到這正確的。
讓我們來看看。
轉換這模型到一個程序控制公制，到製作這數據更輕鬆到解釋，
我們需要到拿這結果從這模型轉換進入公制
這樣可以是發布到程序控制系統和密謀在程序控制圖表。
這激活成分的這神經的網絡模型是A柔軟的地圖功能
那是A標準在 JMP 中。
這計算這可能性的一個圖像存在好的或者壞的，
和這更高這二結果和和這圖片分類作為
和什麼是去到做這裡是去到介紹A第三個指標未知。
患病的展示A小的少量關於如何那是完畢。
一的這好的事物關於這神經的網絡平台
是這SAS數據步輸出文件是實際上喜歡A Pythonic模型腳本。
通常為了公制，你想這在Python，
那會是真的涼爽的，
忘記如何到做它全部在JMP。
這代碼從這神經的網絡這裡，
這實際的模型本身能是輸出在這格式。
你只是去到模型和製作SAS數據溫度。
這裡我們去。
我思考在 JMP Pro 中，你可以只是輸出它經過Python直接地，
但不是每個人有使用權到JMP臨。
它得到任何一個80 %的這方式那裡，
不是100 %。
它只是需要A很少修改在這實際的代碼。
在這左邊手邊，我們已經得到這SAS數據臨時工格式。
在這右側，它是這轉換的它到這Python。
它是只是輸入它作為輸入這數學圖書館，
和然後申請那所以我們能拿這切線到事物。
然後你得到那這裡。
什麼我們想到做是臨界點，
我們的經常斧頭可能性計算是正在做這，
相當比只是說，任何的這些，
是最高是你的實際的結果。
如果它是0.5 1、壞的， 0.49 ,好的，然後它會是壞的。
是我們去和我們說， “好的，如果這軟最大輸出是更大比0.75
然後它是那分類器，因為它會是平等的和對面的。”
它會是可接受的一。
如果它是0.75那不好它是壞的，
但如果它是A數字較少的比那，它慣於分類它作為好的或者壞的。
它會只是分類作為未知。
出色地經過那進入我們的系統。
什麼那告訴我們到做是某人看在那些圖片，
因為這分類器不能決定無論或者不是它是好的或者壞的。
這輸出，和這是這完成的產品，
是到轉變，喜歡我說，
決賽公制進入某物那可以是報告在我們的程序控制系統。
基本上，什麼是正在做這裡是只是實際上報告
什麼我們的軟件斧頭可能性是，
服用這逆的那，和然後申請這臨界點
到決定無論或者不是事物是已知的或者未知。
基於那，這是我們的最初的數據
那我有顯示在這開始的這推介會
那節目這是這圖表看喜歡為了這測量的這缺點。
然後這是什麼我們得到什麼時候我們去在
和我們重新分析那數據和申請這新的公制，
哪個告訴我們無論或者不是它想那有邊牆特徵，
你能看看著在這相同的數據放
那是的，它非常很多所以標識那作為任何一個好的或者壞的。
這綠色的表示那是A好的。
這紅色的表明那些是分類作為壞的。
然後你能看這裡在SPC數據，
他們會即刻得到標記的作為壞的作為出色地。
這些藍色的那些絞刑出去這裡
是那些那是未知那它是訴說我們所以很多，
“去看在這。”
那是我的推介會。
我有發布這信息到這用戶社區地點
如果任何人想要使用權到這代碼
那是用過的為了這圖像分析那是那裡。
感謝你非常很多。
